Python与机器学习6

已于 2022-02-20 08:59:08 修改
阅读量3.1k 收藏 3
点赞数 1
分类专栏： Python开发 文章标签： python numpy conda ginput pdb
于 2016-10-19 16:56:52 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ssw_1990/article/details/52860491
版权

1. numpy.mgrid

解析：

>>> np.mgrid[0:5, 0:4]
array([[[0, 0, 0, 0],
        [1, 1, 1, 1],
        [2, 2, 2, 2],
        [3, 3, 3, 3],
        [4, 4, 4, 4]],

       [[0, 1, 2, 3],
        [0, 1, 2, 3],
        [0, 1, 2, 3],
        [0, 1, 2, 3],
        [0, 1, 2, 3]]])

2. np.meshgrid

>>> nx, ny = (3, 2)
>>> x = np.linspace(0, 1, nx)
>>> y = np.linspace(0, 1, ny)
>>> xv, yv = meshgrid(x, y)
>>> xv
array([[ 0. ,  0.5,  1. ],
       [ 0. ,  0.5,  1. ]])
>>> yv
array([[ 0.,  0.,  0.],
       [ 1.,  1.,  1.]])
>>> xv, yv = meshgrid(x, y, sparse=True)  # make sparse output arrays
>>> xv
array([[ 0. ,  0.5,  1. ]])
>>> yv
array([[ 0.],
       [ 1.]])

3. Python中的下划线 

[1]单下划线结尾_：只是为了避免与Python关键字的命名冲突。
[2]_单下划线开头：弱“内部使用”标识，比如"from M import *"，将不导入所有以该下划线开头的对象，包括包、模块、成员等。

[3]__双下划线开头：模块内的成员，表示私有成员，外部无法直接调用。
[4]__双下划线开头和双下划线结尾__：指那些包含在用户无法控制的命名空间中的“魔术”对象或属性，比如类成员的__name__ 、__doc__、__init__、__import__、__file__等。

说明：Python中的包对应于文件夹，而模块对应于文件。

4. np.concatenate

解析：numpy.concatenate((a1, a2, ...), axis=0)

>>> a = np.array([[1, 2], [3, 4]])
>>> b = np.array([[5, 6]])
>>> np.concatenate((a, b), axis=0)
array([[1, 2],
       [3, 4],
       [5, 6]])
>>> np.concatenate((a, b.T), axis=1)
array([[1, 2, 5],
       [3, 4, 6]])

5. np.hstack 

解析：numpy.hstack(tup): Stack arrays in sequence horizontally (column wise). Equivalent to np.concatenate(tup, axis=1).

>>> a = np.array((1,2,3))
>>> b = np.array((2,3,4))
>>> np.hstack((a,b))
array([1, 2, 3, 2, 3, 4])
>>> a = np.array([[1],[2],[3]])
>>> b = np.array([[2],[3],[4]])
>>> np.hstack((a,b))
array([[1, 2],
       [2, 3],
       [3, 4]])

6. np.vstack

解析：numpy.vstack(tup): Stack arrays in sequence vertically (row wise). Equivalent to np.concatenate(tup, axis=0) if tup contains arrays that are at least 2-dimensional.

>>> a = np.array([1, 2, 3])
>>> b = np.array([2, 3, 4])
>>> np.vstack((a,b))
array([[1, 2, 3],
       [2, 3, 4]])
>>>
>>> a = np.array([[1], [2], [3]])
>>> b = np.array([[2], [3], [4]])
>>> np.vstack((a,b))
array([[1],
       [2],
       [3],
       [2],
       [3],
       [4]])

7. np.transpose

解析：numpy.transpose(a, axes=None): Permute the dimensions of an array.

>>> x = np.arange(4).reshape((2,2))
>>> x
array([[0, 1],
       [2, 3]])
>>>
>>> np.transpose(x)
array([[0, 2],
       [1, 3]])
>>>
>>> x = np.ones((1, 2, 3))
>>> np.transpose(x, (1, 0, 2)).shape
(2, 1, 3)

8. numpy.flipud

解析：numpy.flipud(m): Flip array in the up/down direction.

>>> A = np.diag([1.0, 2, 3])
>>> A
array([[ 1.,  0.,  0.],
       [ 0.,  2.,  0.],
       [ 0.,  0.,  3.]])
>>> np.flipud(A)
array([[ 0.,  0.,  3.],
       [ 0.,  2.,  0.],
       [ 1.,  0.,  0.]])

9. numpy.fliplr

解析：numpy.fliplr(m): Flip array in the left/right direction.

>>> A = np.diag([1.,2.,3.])
>>> A
array([[ 1.,  0.,  0.],
       [ 0.,  2.,  0.],
       [ 0.,  0.,  3.]])
>>> np.fliplr(A)
array([[ 0.,  0.,  1.],
       [ 0.,  2.,  0.],
       [ 3.,  0.,  0.]])

10. numpy.rot90

解析：numpy.rot90(m, k=1): Rotate an array by 90 degrees in the counter-clockwise direction.

>>> m = np.array([[1,2],[3,4]], int)
>>> m
array([[1, 2],
       [3, 4]])
>>> np.rot90(m)
array([[2, 4],
       [1, 3]])
>>> np.rot90(m, 2)
array([[4, 3],
       [2, 1]])

11. numpy.random.randn

解析：numpy.random.randn(d0, d1, ..., dn): Return a sample (or samples) from the "standard normal" distribution.

>>> np.random.randn()
2.1923875335537315 #random
>>>
>>> 2.5 * np.random.randn(2, 4) + 3
array([[-4.49401501,  4.00950034, -1.81814867,  7.29718677],  #random
       [ 0.39924804,  4.68456316,  4.99394529,  4.84057254]]) #random

12. numpy.ravel

解析：numpy.ravel(a, order='C'): Return a contiguous flattened array.

>>> x = np.array([[1, 2, 3], [4, 5, 6]])
>>> print(np.ravel(x))
[1 2 3 4 5 6]

13. Python自省[反射]

解析：自省[反射]就是列出对象的所有属性和方法。

14. 实例方法，类方法，静态方法，类变量和实例变量

解析：

[1]实例方法：类的实例能够使用的方法。

[2]类方法：将类本身作为对象进行操作的方法。类方法使用@class method装饰器定义，其第一个参数是类，约定写为cls。类和实例都可以调用类方法。

[3]静态方法：静态方法位于类定义的命名空间中。使用装饰器@static method定义静态方法。类和实例都可以调用静态方法。

[4]类变量和实例变量：类变量定义在类的定义之后，实例变量则是以self.开头，实例也能够访问类变量。

说明：实例方法的第一个参数默认为self，代指实例。self不是一个关键字，而是约定的写法。__init__()是生成实例时默认调用的实例方法。

15. Python应用场景

解析：学习Python也有一段时间了，越发感觉Python功能的强大。用Python做过的事情，如下所示：

[1]数据分析：NumPy，Pandas，Matplotlib，SciPy，Seaborn，PySpark等。

[2]数据挖掘和机器学习：Scikit-Learn，PyMC3，Mayavi，NetworkX等。

[3]自然语言处理：NLTK，Jieba，Gensim（Word2Vec，Doc2Vec）等。

[4]数字图像处理和计算机视觉：cv2，PIL等。

[5]计算机图像学：PyOpenGL等。

[6]深度学习：Caffe，TensorFlow，Theano等。

[7]C++与Python互操作：boost.python，Python/C API等。

[8]异构计算：PyCUDA，PyOpenCL，cgen [3]等。

[9]并行计算：mpi4py，threading，multiprocessing，cython（支持OpenMP）等。 

[10]图像界面：PyQt，TkInter等。

[11]网络爬虫：Scrapy，Requests，Beautiful Soup，urllib2，creepy，selenium，etl，database[redis，mysql，mongodb]等。

[12]网站开发：django，Django REST framework，Flask，web.py等。

[13]微信开发[公众号，微信小程序]：wechatpy等。

[14]网络安全：ctypes，PyEMU，IDAPython，sqlmap，DNSRecon，patator，XSSer，HULK，SSLyze等。

说明：Python可以做人工智能和高性能计算，也可以做服务器、移动端和桌面应用开发。总之，用Python去做任何你想做的事情吧，只有想不到，没有做不到。

16. 包管理器conda

解析：

[1]conda list：查看Anaconda包含的库。

[2]conda install <pkg name>：该命令用于安装应用包，比如conda install numpy。

[3]conda update <pkg name>：该命令用于升级应用包，比如conda update numpy。

17. 使用交互式标注

解析：

from PIL import Image
from pylab import *

im = array(Image.open('a.jpg'))
imshow(im)
print 'Please click 1 point'
x = ginput(1)
print 'you clicked: ',x
show()

18. YAML文件格式

解析：YAML文件格式是YAML[YAML Aint Markup Language]编写的文件格式，YAML是一种直观的能够被电脑识别的数据序列化格式，并且容易被人类阅读，容易和脚本语言交互，可以被支持YAML库的不同的编程语言程序导入。比如C/C++，Python，C#等。

19. Python中的enumerate

解析：enumerate()遍历序列中的元素以及它们的下标。 

（1）for i, j in enumerate(('a', 'b', 'c'))
（2）for i, j in enumerate([1, 2, 3])
（3）for i, j in enumerate({'a':1, 'b':2})
（4）for i, j in enumerate('abc')

20. pip install -U / ----upgrade

解析：如果没有安装该软件，那么安装该软件；如果已经安装该软件，那么升级该软件为最新版本。

21. scipy.signal.convolve

解析：scipy.signal.convolve：Convolve two N-dimensional arrays.

>>> from scipy import signal
>>> sig = np.repeat([0., 1., 0.], 100)
>>> win = signal.hann(50)
>>> filtered = signal.convolve(sig, win, mode='same') / sum(win)
>>>
>>> import matplotlib.pyplot as plt
>>> fig, (ax_orig, ax_win, ax_filt) = plt.subplots(3, 1, sharex=True)
>>> ax_orig.plot(sig)
>>> ax_orig.set_title('Original pulse')
>>> ax_orig.margins(0, 0.1)
>>> ax_win.plot(win)
>>> ax_win.set_title('Filter impulse response')
>>> ax_win.margins(0, 0.1)
>>> ax_filt.plot(filtered)
>>> ax_filt.set_title('Filtered signal')
>>> ax_filt.margins(0, 0.1)
>>> fig.tight_layout()
>>> fig.show()

22. numpy.convolve 

解析：numpy.convolve：Returns the discrete, linear convolution of two one-dimensional sequences. 

>>> np.convolve([1, 2, 3], [0, 1, 0.5])

array([ 0. ,  1. ,  2.5,  4. ,  1.5])

说明：full模式：(N+M-1)

>>> np.convolve([1, 2, 3], [0, 1, 0.5])

array([ 0. ,  1. ,  2.5,  4. ,  1.5])

说明：same模式：max(M,N)

>>> np.convolve([1,2,3],[0,1,0.5], 'valid')

array([ 2.5])

说明：valid模式：max(M,N)-min(M,N)+1

23. Python使用pdb库进行调试 

解析：pdb是Python自带的一个包，为Python程序提供了一种交互的源代码调试功能，主要特性包括设置断点、单步调试、进入函数调试、查看当前代码、查看栈片段、动态改变变量的值等。pdb提供一些常用调试命令，如下所示：

[1]break或b设置断点：设置断点。

[2]continue或c：继续执行程序。

[3]list或l：查看当前行的代码段。

[4]step或s：进入函数。

[5]return或r：执行代码直到从当前函数返回。

[6]exit或q：中止并退出。

[7]next或n：执行下一行。

[8]pp：打印变量的值。

[9]help：帮助。

说明：import pdb; pdb.set_trace()

参考文献：

[1] numpy.meshgrid：numpy.meshgrid — NumPy v1.22 Manual

[2] 渗透测试人员的Python工具箱：http://sanwen8.cn/p/190y8nx.html

[3] Welcome to cgen’s documentation：cgen 2020.2 documentation

NLP工程化
关注
专栏目录
np.column_stack()数组与列表list的区别
Jack_kun的博客
09-22 1万+
关于np.column_stack()里面1维数组使用[1维数据]之后的区别 import numpy as np # np.array((1,2,3),(11,22,33)) a=[1,2,3];b=[11,22,33];np.column_stack((a,b)) a=[[1,2,3],[10,20,30]];b=[[11,22,33],[110,220,330]];np.column_sta...
初学python语法基础
weixin_44003896的博客
08-16 1176
自用学习，整理一下python的基本语法（开发工具pycharm， python版本3.6，运行环境win10）因为之前也写过c,java等别的语言，所以记录的不会很细致。参考内容：菜鸟教程 python3教程。
numpy矩阵旋转rot90
豆芽菜
06-19 1773
numpy提供了直角旋转函数rot90用于矩阵旋转，支持2维及更高维度矩阵。
Python数据分析（超详细版）
最新发布
m0_62283350的博客
06-22 3174
DataFrame 是一个表格型的数据结构，它含有一组有序的列，每列可以是不同的值类型（数值、字符串、布尔型值）。如果DataFrame具有MultiIndex（分层），则级别数必须与右侧DataFrame中的连接键数匹配。NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。使用中括号取单个索引（此时返回的是元素类型），或者中括号里一个列表取多个索引（此时返回的是一个Series类型）。
继承与多态之虚函数
WPP BLOG
09-26 310
1.什么是纯虚函数、为什么要有纯虚函数？ 2.虚函数表放在哪里？ 虚函数表是在编译过程中生成的，一个类只要有虚函数，或者是从基类继承来了虚函数， 那么它就会有一个虚函数表生成，虚函数表运行时放在.rodata 段，只能读，不能写，和常量 字符串是放在同一段的，它的生命期是整个应用程序的生命周期。 扩展博客： C++纯虚函数 C++虚函数、vfptr、vbptr ...
Python numpy函数hstack() vstack() stack() dstack() vsplit() concatenate()
Yan456jie的专栏
06-30 1636
原文地址 http://blog.csdn.net/garfielder007/article/details/51378296 感觉numpy.hstack()和numpy.column_stack()函数略有相似，numpy.vstack()与numpy.row_stack()函数也是挺像的。 stackoverflow上也有类似的讨论，在这里numpy vstack
Python机器学习实践指南.zip_python_python 教程_python 机器学习_python机器学习_机器学习
07-15
python编程资料，实用，可自行学习.除此之外还可学习机器学习算法。
python机器学习教程-从零开始掌握Python机器学习：十四步教程.pdf
06-12
【Python机器学习基础】 Python作为机器学习的首选语言，因其简洁的语法和强大的库支持而备受推崇。在开始机器学习之旅之前，首先需要掌握Python的基础编程技能。这包括理解变量、数据类型、控制结构（如if-else，...
Python数据挖掘与机器学习开发实战的常见试题与参考答案.pdf
06-20
机器学习是一门理论性和实践性都比较强的技术学科。为了帮助大家对这些知识点进行梳理和理解,以便能够更好地应对招聘单位所出的机器学习方面的面试题,笔者准备了些这方面的试题,希望能够对大家有所帮助。
python机器学习入门实战小结
01-27
本文来自jianshu，本文使用机器学习入门经典例子泰坦尼克号乘客生存预测来实际操作，将对应的算法应用在给出的数据集上进行预测的详细过程。随着人工智能的兴起，越来越多的机器学习爱好者加入了学习的行列，但是...
矩阵的旋转和翻转——Python
weixin_39506322的博客
06-04 1万+
矩阵的生成，调用numpy库： import numpy as np a = np.array([x for x in range(16)]) b = a.reshape(4,2,2) 输出: 矩阵翻转函数： np.flip() 根据指定轴进行矩阵翻转 np.flipud() 上下翻转 np.fliplr() 左右翻转 注：np.flip(matrix，1) =np...
numpy中二维数组r,r[0:5]和r[0,5]的区别
yyf_blog
09-05 2218
numpy中二维数组r,r[0:5]和r[0,5]的区别: 定义二维数组r: r=[[1,2,3,4,5,6,7,8,9,0]] r=np.array(r) r 输出结果： array([[1, 2, 3, 4, 5, 6, 7, 8, 9, 0]]) r[0:5]: 含义：r[0:5]#r是二维数组，表示从第0行到第4行进行切片操作 r[0:5]#r是二维数组，表示从第0行...
python数组
学而不思则罔 思而不学则殆
07-03 412
python数组写法: arr = [0] print (arr) 结果[0] arr = [0]*3 print (arr) 结果[0,0,0] python数组迭代压缩 >>>a = [1,2,3] >>> b = [4,5,6] >>> c = [4,5,6,7,8] >>> zipped = zip(a,b...
Python数据分析之numpy数组全解析
weixin_30851409的博客
08-26 2661
1 什么是numpy numpy是一个在Python中做科学计算的基础库，重在数值计算，也是大部分Python科学计算库的基础库，多用于大型、多维数据上执行数值计算。 在NumPy 中，最重要的对象是称为 ndarray 的N维数组类型，它是描述相同类型的元素集合，numpy所有功能几乎都以ndarray为核心展开。ndarray 中的每个元素都是数据类型对象(dtype)的对象。n...
np.rot90（）用法
weixin_44682222的博客
09-12 1万+
np.flipud(img)#将矩阵上下翻转，输入图像的话，翻转后生成新的图像 np.rot90(img)#将矩阵img逆时针旋转90° np.flipud(np.rot90(img))#旋转90°后在上下翻转 #将矩阵A逆时针旋转（90×k）°以后返回B，k取负数时表示顺时针旋转。 np.rot90(img,k=2) ...
python numpy使用
gilbert-zhyin
03-20 1万+
安装：sudo apt-get install python-numpy 使用：import numpy as np 1.建立矩阵 a1=np.array([1,2,3],dtype=int)   #建立一个一维数组，数据类型是int。也可以不指定数据类型，使用默认。几乎所有的数组建立函数都可以指定数据类型，即dtype的取值。 a2=np.array([[1,2,3],[
从Python爬虫小白进阶数据分析大神，必看的10本书
weixin_42142987的博客
03-15 9969
导读：吾日三省吾身，过年胖了吗？情人节过了吗？发际线还好吗？别想这么多啦，程序员和数据科学家的世界里，只有Python值得你费脑子！今天为大家准备了10本数据分析相关好书，助你早日成为Python大神！ 1 《Python高级数据分析》 作者：萨扬·穆霍帕迪亚 推荐语：本书包含数据分析实例，涵盖了从基础统计学到ETL、深度学习和物联网的广泛领域，给出了产业分析项目各个技术方面的概念。 ...
Python股市数据分析教程——学会它，或可以实现半“智能”炒股 (Part 1)
12-20 2216
本文由北邮@爱可可-爱生活 老师推荐，阿里云云栖社区组织翻译。 以下为译文 本篇文章是"Python股市数据分析"两部曲中的第一部分（第二部分的文章在这里），内容基于我在犹他州立大学MATH 3900 (Data Mining)课程上的一次讲座。在这些文章中，我将介绍一些关于金融数据分析的基础知识，例如，使用pandas获取雅虎财经上的数据，股票数据可视化，移动均线，开发一种均线交
python数据分析：分类分析（classification analysis）
热门推荐
泛泛之素
11-29 4万+
何为分类分析 在机器学习和统计中，分类是基于包含其类别成员资格已知的观察（或实例）的训练数据集来识别新观察所属的一组类别（子群体）中的哪一个的问题。例如，将给定的电子邮件分配给“垃圾邮件”或“非垃圾邮件”类，并根据观察到的患者特征（性别，血压，某些症状的存在或不存在等）为给定患者分配诊断。 。分类是模式识别的一个例子。 在机器学习的术语中，[1]分类被认为是监督学习的一个实例，即学习可以获得正确识...
Python与机器学习入门指南
入门Python机器学习，首先需要安装Python解释器，通常推荐使用Anaconda或Miniconda这样的环境管理器。然后，通过conda或pip命令安装必要的库。创建虚拟环境可以避免不同项目间的依赖冲突。最后，选择合适的IDE，如...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

NLP工程化

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值