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)
机器学习中数据处理与可视化的python、numpy等常用函数相关推荐
- R语言机器学习与大数据可视化暨Python文本挖掘与自然语言处理核心技术研修
中国通信工业协会通信和信息技术创新人才培养工程项目办公室 通人办[2017] 第45号 "R语言机器学习与大数据可视化"暨"Python文本挖掘与自然语言处理" ...
- “R语言机器学习与大数据可视化”暨“Python文本挖掘与自然语言处理”核心技术高级研修班的通知
中国通信工业协会通信和信息技术创新人才培养工程项目办公室 通人办[2017] 第45号 "R语言机器学习与大数据可视化"暨"Python文本挖掘与自然语言处理" ...
- python 函数作用于矩阵_图解NumPy:常用函数的内在机制
原标题:图解NumPy:常用函数的内在机制 来源: 机器之心 支持大量多维数组和矩阵运算的 NumPy 软件库是许多机器学习开发者和研究者的必备工具,本文将通过直观易懂的图示解析常用的 NumPy 功 ...
- Python之pandas:pandas中缺失值与空值处理的简介及常用函数(drop()、dropna()、isna()、isnull()、fillna())函数详解之详细攻略
Python之pandas:pandas中缺失值与空值处理的简介及常用函数(drop().dropna().isna().isnull().fillna())函数详解之详细攻略 目录 pandas中缺 ...
- Python numpy.testing.assert_warns函数方法的使用
NumPy(Numerical Python的缩写)是一个开源的Python科学计算库.使用NumPy,就可以很自然地使用数组和矩阵.NumPy包含很多实用的数学函数,涵盖线性代数运算.傅里叶变换和随 ...
- Python numpy.testing.assert_approx_equal函数方法的使用
NumPy(Numerical Python的缩写)是一个开源的Python科学计算库.使用NumPy,就可以很自然地使用数组和矩阵.NumPy包含很多实用的数学函数,涵盖线性代数运算.傅里叶变换和随 ...
- Python序列类型常用函数练习:enumerate() reversed() sorted() zip()
Python序列类型常用函数练习 这里使用代码示例,练习使用序列类型的常用函数,包括: enumerate() reversed() sorted() zip() 直接看python代码 #enume ...
- Python字符串(string)常用函数
Python字符串(string)常用函数 find:检测字符串是否包含指定字符,如果存在则返回开始的索引值,否则返回-1 str1 = 'hello world' print(str1.find(' ...
- python内建常用函数
#标题1# # python内建常用函数# #python内建常用函数 在这里插入图片描述 ![在这里插入图片描述](https://img-blog.csdnimg.cn/2020030211175 ...
最新文章
- 2021全球数字经济大会“北京数字经济体验周”清华数为大数据开发工具DWF体验培训工作圆满结束...
- 【转】Azure Logic App Demo
- [POI2009]Wie
- TypeScript基础类型
- gogoclient java_链路跟踪-GRPC请求 - GoFrame官网 - 类似PHP-Laravel, Java-SpringBoot的Go企业级开发框架...
- android okhttp+解析json( okhttp 工具类)
- 谁能再一次接受“南京大×××”不存在?
- 艺电模拟城市开源代码读后感
- 计算机wifi共享usb设备,手机设置wifi热点如何通过usb和电脑共享网络
- 【JJ斗地主官网下载】在线斗地主比赛赢大奖,中文棋牌游戏
- 谈谈区块链的常用架构
- 计算广告笔记05-搜索广告与竞价广告
- 以下为linux下64位c,64位ntohl()在C?
- 阿里云服务器好用吗?
- 口袋里的较量–盘点中国移动互联网“第一次世界大战”
- Java //PP2.16编写一个applet,画出北斗七星,并在夜空中添加一些其他的星星
- OkHttp之线程池的使用
- 1.3 万亿条数据查询,如何做到毫秒级响应?
- vncserver win10设置安装
- Java中,通过synchronizedXxx()将线程不安全的集合转换成线程安全的集合