机器学习中数据处理与可视化的python、numpy等常用函数

写在前面：本文所针对的python版本为python3.0以上！

np.tile()

tile（）相当于复制当前行元素或者列元素

import numpy as npm1 = np.array([1, 2, 3, 4])
# 行复制两次，列复制一次到一个新数组中
print(np.tile(m1, (2, 1)))
print("===============")
# 行复制一次，列复制两次到一个新数组中
print(np.tile(m1, (1, 2)))
print("===============")
# 行复制两次，列复制两次到一个新数组中
print(np.tile(m1, (2, 2)))

输出：

D:\Python\python.exe E:/ML_Code/test_code.py
[[1 2 3 4][1 2 3 4]]
===============
[[1 2 3 4 1 2 3 4]]
===============
[[1 2 3 4 1 2 3 4][1 2 3 4 1 2 3 4]]

sum()

sum函数是对元素进行求和，对于二维数组以上则可以根据参数axis进行分别对行和列进行求和，axis=0代表按列求和，axis=1代表行求和。

import numpy as npm1 = np.array([1, 2, 3, 4])
# 元素逐个求和
print(sum(m1))m2 = np.array([[6, 2, 2, 4], [1, 2, 4, 7]])
# 按列相加
print(m2.sum(axis=0))
# 按行相加
print(m2.sum(axis=1))

输出：

D:\Python\python.exe E:/ML_Code/test_code.py
10
[ 7  4  6 11]
[14 14]Process finished with exit code 0

shape和reshape

import numpy as npa = np.array([[1, 2, 3], [4, 5, 6]])
print(a.shape)b = np.reshape(a, 6)
print(b)# -1是根据数组大小进行维度的自动推断
c = np.reshape(a, (3, -1))  # 为指定的值将被推断出为2
print(c)

输出：

D:\python-3.5.2\python.exe E:/ML_Code/test_code.py(2, 3)---[1 2 3 4 5 6]---[[1 2][3 4][5 6]]

numpy.random.rand

import numpy as np# 创建一个给定类型的数组，将其填充在一个均匀分布的随机样本[0, 1)中print(np.random.rand(3))print(np.random.rand(2, 2))

输出：

D:\python-3.5.2\python.exe E:/ML_Code/test_code.py[ 0.03568079  0.68235136  0.64664722]---[[ 0.43591417  0.66372315][ 0.86257381  0.63238434]]

zip()

zip() 函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。如果各个迭代器的元素个数不一致，则返回列表长度与最短的对象相同，利用 * 号操作符，可以将元组解压为列表。

import numpy as npa1 = np.array([1, 2, 3, 4])
a2 = np.array([11, 22, 33, 44])z = zip(a1, a2)print(list(z))

输出：

D:\Python\python.exe E:/ML_Code/test_code.py
[(1, 11), (2, 22), (3, 33), (4, 44)]Process finished with exit code 0

注意点：在python 3以后的版本中zip()是可迭代对象，使用时必须将其包含在一个list中，方便一次性显示出所有结果。否则会报如下错误：

<zip object at 0x01FB2E90>

矩阵相关

import numpy as np# 生成随机矩阵
myRand = np.random.rand(3, 4)
print(myRand)# 生成单位矩阵
myEye = np.eye(3)
print(myEye)from numpy import *# 矩阵所有元素求和
myMatrix = mat([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(sum(myMatrix))# 计算矩阵的秩
print(linalg.det(myMatrix))# 计算矩阵的逆
print(linalg.inv(myMatrix))

注意：

from numpy import *
import numpy as npvector1 = mat([[1, 2], [1, 1]])
vector2 = mat([[1, 2], [1, 1]])
vector3 = np.array([[1, 2], [1, 1]])
vector4 = np.array([[1, 2], [1, 1]])# Python自带的mat矩阵的运算规则是两者都按照矩阵乘法的规则来运算
print(vector1 * vector2)# Python自带的mat矩阵的运算规则是两者都按照矩阵乘法的规则来运算
print(dot(vector1, vector2))# numpy乘法运算中"*"是数组元素逐个计算
print(vector3 * vector4)# numpy乘法运算中dot是按照矩阵乘法的规则来运算
print(dot(vector3, vector4))

输出：

D:\python-3.5.2\python.exe D:/PyCharm/py_base/py_numpy.py
[[3 4][2 3]]---
[[3 4][2 3]]---
[[1 4][1 1]]---
[[3 4][2 3]]

向量相关

两个n维向量A(X11,X12,X13,...X1n)A(X_{11},X_{12},X_{13},...X_{1n})与B(X21,X22,X23,...X2n)B(X_{21},X_{22},X_{23},...X_{2n})之间的欧式距离为：

d12=∑k=1n(x1k−x2k)2−−−−−−−−−−−−√

d_{12}=\sqrt{\sum_{k=1}^{n}(x_{1k}-x_{2k})^{2}}

表示成向量运算的形式：

d12=(A−B)(A−B)T−−−−−−−−−−−−−−√

d_{12}=\sqrt{(A-B)(A-B)^{T}}

from numpy import *# 计算两个向量的欧氏距离vector1 = mat([1, 2])
vector2 = mat([3, 4])
print(sqrt((vector1 - vector2) * ((vector1 - vector2).T)))

概率相关

from numpy import *
import numpy as nparrayOne = np.array([[1, 2, 3, 4, 5], [7, 4, 3, 3, 3]])# 计算第一列的平均数
mv1 = mean(arrayOne[0])# 计算第二列的平均数
mv2 = mean(arrayOne[1])# 计算第一列的标准差
dv1 = std(arrayOne[0])# 计算第二列的标准差
dv2 = std(arrayOne[1])print(mv1)
print(mv2)
print(dv1)
print(dv2)