目录
- 1. jupyter notebooks
- 2. numpy 数组
- 3. scipy 稀疏数组
- 4. matplotlib
- 总结
1. jupyter notebooks
作为小白，我现在使用的python编辑器是jupyter notebook,非常的好用，推荐！！！
你可以按[ctrl] + [enter]快捷键或按菜单中的运行按钮来运行单元格。
在function(后面按[shift] + [tab]，可以获得函数或对象的帮助。
你还可以通过执行function?获得帮助。
2. numpy 数组
操作numpy数组是 python 机器学习（或者，实际上是任何类型的科学计算）的重要部分。 在这里我主要快速介绍一下重要基本的功能。
import numpy as np # 设置随机种子来获得可重复性 rnd = np.random.randomstate(seed=520) # 生成随机数组 # array: shape(3, 5); # value: [0, 1] x = rnd.uniform(low=0.0, high=1.0, size=(3, 5)) print(x)
（请注意，numpy 数组也是从 0 开始的索引）
# 元素访问 # 获取单个元素 # （这里是第一行第一列的元素） print(x[0, 0]) # 获取一行 # （这里是第二行） print(x[1]) # 获取一列 # （这里是第二列） print(x[:, 1]) # 数组转置 print(x.t)
# 创建均匀间隔的数字的行向量。 y = np.linspace(0, 12, 5) # 从0开始，到12结束，数量为5 print(y) # 将行向量转换为列向量 print(y[:, np.newaxis]) # 获得形状或改变数组形状 # 生成随机数组 rnd = np.random.randomstate(seed=520) x = rnd.uniform(low=0.0, high=1.0, size=(3, 5)) # x的大小（3，5） print(x.shape) # 将 x 大小变为 (5,3) x_reshaped = x.reshape(5, 3) print(x_reshaped) # 使用整数数组的索引（花式索引） indices = np.array([3, 1, 0]) print(indices) # 取x的第4，2，1列作为新数组 x[:, indices]
3. scipy 稀疏数组
虽然我们平时不会大量使用它们，但稀疏矩阵在某些情况下非常好用。 在一些机器学习任务中，尤其是与文本分析相关的任务，数据可能大多为零。 存储所有这些零是非常低效的，并且以仅包含“非零”值的方式表示可以更有效。 我们可以创建和操作稀疏矩阵，如下所示：
# 创建一个包含大量零的随机数组 rnd = np.random.randomstate(seed=123) x = rnd.uniform(low=0.0, high=1.0, size=(10, 5)) print(x) # 将大多数元素设置为零 x[x < 0.7] = 0 print(x) from scipy import sparse # 将 x 转换为 csr（压缩稀疏行）矩阵 x_csr = sparse.csr_matrix(x) print(x_csr) # 将稀疏矩阵转换为密集数组 print(x_csr.toarray())
（你可能偶然发现了一种将稀疏表示转换为密集表示的替代方法：numpy.todense；toarray返回一个 numpy 数组，而todense返回一个 numpy 矩阵。在本教程中，我们将使用 numpy 数组，而不是矩阵；scikit-learn 不支持后者。）
csr 表示对于计算非常有效，但它不适合添加元素。 为此，lil（list-in-list）表示更好：
# 创建一个空的 lil 矩阵并添加一些项目
x_lil = sparse.lil_matrix((5, 5))
for i, j in np.random.randint(0, 5, (15, 2)):
x_lil[i, j] = i + j
print(x_lil)
print(type(x_lil))
x_dense = x_lil.toarray()
print(x_dense)
print(type(x_dense))
通常，一旦创建了 lil 矩阵，将其转换为 csr 格式很有用（许多 scikit-learn 算法需要 csr 或 csc 格式）
x_csr = x_lil.tocsr() print(x_csr) print(type(x_csr))
可用于各种问题的可用稀疏格式包括：
- csr（压缩稀疏行）
- csc（压缩稀疏列）
- bsr（块稀疏行）
- coo（坐标）
- dia（对角线）
- dok（键的字典）
- lil（列表中的列表）
scipy.sparse子模块还有很多稀疏矩阵的函数，包括线性代数，稀疏求解器，图算法等等。
4. matplotlib
机器学习的另一个重要部分是数据可视化。 python 中最常用的工具是matplotlib。 这是一个非常灵活的包，我们将在这里介绍一些基础知识。
由于使用的是 jupyter，所以使用 ipython 方便的内置“魔术函数”，即“matoplotlib内联”模式，它将直接在笔记本内部绘制图形。
%matplotlib inline import matplotlib.pyplot as plt # 绘制直线 x = np.linspace(0, 10, 100) plt.plot(x, np.sin(x)); # 散点图 x = np.random.normal(size=500) y = np.random.normal(size=500) plt.scatter(x, y); # 使用 imshow 展示绘图 # - note that origin is at the top-left by default! x = np.linspace(1, 12, 100) y = x[:, np.newaxis] im = y * np.sin(x) * np.cos(y) print(im.shape) plt.imshow(im); # 轮廓图 # - 请注意，此处的原点默认位于左下角！ plt.contour(im); # 3d 绘图 from mpl_toolkits.mplot3d import axes3d ax = plt.axes(projection='3d') xgrid, ygrid = np.meshgrid(x, y.ravel()) ax.plot_surface(xgrid, ygrid, im, cmap=plt.cm.viridis, cstride=2, rstride=2, linewidth=0);
有许多可用的绘图类型。 查看matplotlib库是一个很快的学习方法。
总结
到此这篇关于python中numpy和matplotlib基本使用的文章就介绍到这了,更多相关python numpy和matplotlib使用内容请搜索www.887551.com以前的文章或继续浏览下面的相关文章希望大家以后多多支持www.887551.com！
