Python交互式学习-Numpy（基本操作）

于 2024-08-16 15:10:49 发布
阅读量660 收藏 6
点赞数 21
文章标签： python 学习 numpy
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/2202_75519660/article/details/141257186
版权

目录

Numpy简介

Numpy安装：cmd：pip install numpy 

Numpy 和 Python List 的差别 

一、numpy维度

 代码示例讲解

总结

二、数据选择

 代码示例讲解

总结

三、基础运算

代码示例解析 

总结

四、数据形态

代码示例解析

总结 

Numpy简介

Numpy 这个名字（Number + Python）体现了它在数学计算，科学计算方面突出的贡献。

让我想要使用 Numpy 的场景：

  1. 需要批量处理数据的时候

  2. 机器学习，人工智能这些需要进行海量数据运算处理的地方

  3. 写游戏里面的物体运行逻辑时，经常涉及到矩阵、向量运算

  4. 机器人模拟环境，背后的环境反馈信息，全是靠批量数据算出来的

  5. 任何需要做统计的时候（爬虫爬完了信息后）

  6. 画图表之前，要对数据做一轮批量处理

  7. Blah blah

Numpy安装：cmd：pip install numpy 

当你安装好了，你就可以在自己的文件中写 Numpy 代码了。一般的流程是你先 import numpy。为了后续调用 numpy 更方便，我们通常在 import 完之后， 还给它一个缩写形式，as np。接下来你就能用 np.xxx 写 numpy 的代码了，在下面尝试一下吧。 

# my_numpy_test.py
import numpy as np

print(np.array([1, 2, 3]))

Numpy 和 Python List 的差别 

其实提到 Numpy，我建议你多做一些和 Python 原生 List 的对比， 因为它们从结构和形式上来说，是十分类似的。而且从一个你熟悉的 List 来类比学习 Numpy 也是一件简单的事情。

Numpy Array

在 Numpy 中，我们会一直使用到它的一种 Array 数据。

你只需要懂得如何 import numpy，并定义一个 array 就好了。

Numpy的核心优势：运算快。用专业的语言描述的话，Numpy 喜欢用电脑内存中连续的一块物理地址存储数据，因为都是连号的嘛，找到前后的号，不用跑很远， 非常迅速。而 Python 的 List 并不是连续存储的，它的数据是分散在不同的物理空间，在批量计算的时候，连号的肯定比不连号的算起来更快。因为找他们的时间更少了。

Numpy Array 存储的数据格式也有限制，尽量都是同一种数据格式，这样也有利于批量的数据计算。 所以只要是处理大规模数据的批量计算，Numpy 肯定会比 Python 的原生 List 要快。

import time

t0 = time.time()
# python list
l = list(range(100))
for _ in range(10000):
    for i in range(len(l)):
        l[i] += 1

t1 = time.time()
# numpy array
a = np.array(l)
for _ in range(10000):
    a += 1

print("Python list spend {:.3f}s".format(t1-t0))
print("Numpy array spend {:.3f}s".format(time.time()-t1))

运行结果如下 

 

一、numpy维度

 代码示例讲解

# ndim 是 NumPy 数组的一个属性，用于获取数组的维度数（即数组的阶数或维数）。
# 在 NumPy 中，每个数组（numpy.ndarray 对象）都有一个 ndim 属性，它返回一个整数，表示数组的维度数。
# 一维数组
# array1d = np.array([1, 2, 3, 4, 5])
# print(array1d.ndim)  # 输出: 1
# 二维数组
# array2d = np.array([[1, 2, 3], [4, 5, 6]])
# print(array2d.ndim)  # 输出: 2
# 三维数组
# array3d = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])

# 创建一维数据
cars = np.array([5, 10, 12, 6])
print("数据：", cars, "\n维度：", cars.ndim)

# 创建二维数据。
cars = np.array([
 [5, 10, 12, 6],
 [5.1, 8.2, 11, 6.3],
 [4.4, 9.1, 10, 6.6]
])
print("数据：\n", cars, "\n维度：", cars.ndim)

# 创建三维数据
cars = np.array([
[
    [5, 10, 12, 6],
    [5.1, 8.2, 11, 6.3],
    [4.4, 9.1, 10, 6.6]
],
[
    [6, 11, 13, 7],
    [6.1, 9.2, 12, 7.3],
    [5.4, 10.1, 11, 7.6]
],
])

print("总维度：", cars.ndim)
print("场地 1 数据：\n", cars[0], "\n场地 1 维度：", cars[0].ndim)
print("场地 2 数据：\n", cars[1], "\n场地 2 维度：", cars[1].ndim)

# 添加数据
# 一维
cars1 = np.array([5, 10, 12, 6])
cars2 = np.array([5.2, 4.2])
cars = np.concatenate([cars1, cars2])
print(cars)
# 二维
test1 = np.array([5, 10, 12, 6])
test2 = np.array([5.1, 8.2, 11, 6.3])

# 首先需要把它们都变成二维，下面这两种方法都可以加维度
test1 = np.expand_dims(test1, 0)
test2 = test2[np.newaxis, :]

print("test1加维度后 ", test1)
print("test2加维度后 ", test2)

# 然后再在第一个维度上叠加
all_tests = np.concatenate([test1, test2])
print("括展后\n", all_tests)

# 合并数据
print("第一维度叠加：\n", np.concatenate([all_tests, all_tests], axis=0))
print("第二维度叠加：\n", np.concatenate([all_tests, all_tests], axis=1))

a = np.array([
[1,2,3],
[4,5,6]
])
b = np.array([
[7,8],
[9,10]
])

print(np.concatenate([a,b], axis=1))  # 这个没问题
# print(np.concatenate([a,b], axis=0))  # 这个会报错

# 横向合并竖向合并
a = np.array([
[1,2],
[3,4]
])
b = np.array([
[5,6],
[7,8]
])
print("竖直合并\n", np.vstack([a, b]))
print("水平合并\n", np.hstack([a, b]))

# 观察形态
cars = np.array([
[5, 10, 12, 6],
[5.1, 8.2, 11, 6.3],
[4.4, 9.1, 10, 6.6]
])

# count = 0
# for i in range(len(cars)):
#   for j in range(len(cars[i])):
#        count += 1
# print("总共多少测试数据：", count)
print("总共多少测试数据：", cars.size)
# 行列数
print("第一个维度：", cars.shape[0])
print("第二个维度：", cars.shape[1])
print("所有维度：", cars.shape)

总结

数据是多样的，有时候会跨越很多个维度。所以理解维度，理解形态对于科学计算中，数据的理解，都是十分重要的。 

二、数据选择

 代码示例讲解

# 数据选择
# 单个选择
a = np.array([1, 2, 3])
print("a[0]:", a[0])
print("a[1]:", a[1])

print("a[[0,1]]:\n", a[[0,1]])
print("a[[1,1,0]]:\n", a[[1,1,0]])
# 多维
b = np.array([
[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12]
])
# 选第 2 行所有数
print("b[1]:\n", b[1])
# 选第 2 行，第 1 列的数
print("b[1,0]:\n", b[1, 0])
# 第一个拿的是数据位是 [1,2]
# 第二个拿的是 [0,3]
print("b[[1,0],[2,3]]:\n", b[[1, 0], [2, 3]])

#  切片划分
a = np.array([1, 2, 3])
print("a[0:2]：\n", a[0:2])
print("a[1:]：\n", a[1:])
print("a[-2:]：\n", a[-2:])
# 多维
b = np.array([
[1,2,3,4],
[5,6,7,8],
[9,10,11,12]
])

print("b[:2]:\n", b[:2])
print("b[:2, :3]:\n", b[:2, :3])
print("b[1:3, -2:]:\n", b[1:3, -2:])

# 条件筛选
# 上面选择一部分数据的方式比较没有选择性。什么叫有选择性呢？其实就是按照一定的筛选逻辑进行过滤，留下那些在数值上符合条件的数据。 而上面的方式，只能从位置上选择。举个例子你可能比较明白一些。
# 按位置选：请这队同学中，第 2 号到第 6 号的同学出列
# 按数条件：请这队同学中，身高高于 1.5 米的同学出列
# 两种方法不分好坏，区别在于你当前的使用场景。用合适的方法筛选数据就行。
a = np.array([
[1,2,3,4],
[5,6,7,8],
[9,10,11,12]
])
print(a[a> 7])
# 上面选取的是 a 数据中，大于 7 的数据。我们再拆开来看，a[a>7] 这里面究竟发生了什么。
condition = a > 7
print(condition)
print(a[condition])

# 条件筛选
# 上面选择一部分数据的方式比较没有选择性。什么叫有选择性呢？其实就是按照一定的筛选逻辑进行过滤，留下那些在数值上符合条件的数据。 而上面的方式，只能从位置上选择。举个例子你可能比较明白一些。
# 按位置选：请这队同学中，第 2 号到第 6 号的同学出列
# 按数条件：请这队同学中，身高高于 1.5 米的同学出列
# 两种方法不分好坏，区别在于你当前的使用场景。用合适的方法筛选数据就行
a = np.array([
[1,2,3,4],
[5,6,7,8],
[9,10,11,12]
])

print(a[a> 7])
# 上面选取的是 a 数据中，大于 7 的数据。拆开来看，a[a>7] 这里面是什么
condition = a > 7
print(condition)
print(a[condition])
# 既然 condition 是一种 True/False, 那么只要我们得到一个 True/False 数据，我都能做筛选。这才是它筛选的底层逻辑了
condition = (a > 7) & (a != 10)
print(a[condition])
# 除了这种直接用[]的形式，在 Numpy 中，还有一个专用的函数来做数据筛选
# 这种筛选更强大，它还能做筛选结果的替换工作。 它可已将满足条件的位置变成你设定的数字。下面满足条件的，都改成 -1，不满足的，都还是 a 里面的数字
condition = a > 7
print(np.where(condition, -1, a))
# 或者，不仅是满足条件的 condition，不满足条件的，也能变成你期望的数字
condition = a > 7
print(np.where(condition, -1, 2))
# 不光是数字，我还能让它和另外一个数据做条件上的整合
# 比如下面这样。如果满足 condition 要求，那么就会在对应的 True 位置放上 a 里的值
# 如果不满足 condition 要求，也就是在 condition 为 False 的地方放上 b 里对应位置的值。
condition = a > 7
b = -a - 1
print(np.where(condition, a, b))
# 所以 np.where() 函数真的十分强大，当我想要按条件选择、替换数据的时候，都是 np.where()

总结

数据虽然有格式，但是如果要把数据用起来，还是得学会挑选和筛选。而今天介绍的单个、分段、条件筛选，都是数据工程师必备的一项技能。也是后续数据分析和机器学习的基石。

三、基础运算

代码示例解析 

# 基础运算
# 加减乘除
a = np.array([150, 166, 183, 170])
print("a + 3:", a + 3)
print("a - 3:", a - 3)
print("a * 3:", a * 3)
print("a / 3:", a / 3)
# 矩阵点积
a = np.array([
[1, 2],
[3, 4]
])
b = np.array([
[5, 6],
[7, 8]
])

print(a.dot(b))
print(np.dot(a, b))
# 矩阵还有很多其他的计算，比如 np.outer() 矩阵外积
# np.inner() 矩阵内积 （和 np.dot() 的用法稍稍有些不同
# 可以理解成 np.dot(a, b）= np.inner(a, b.T), 把 b 做一次转置

#  数据统计分析
a = np.array([150, 166, 183, 170])
print("最大：", np.max(a))
print("最小：", a.min())
print(a.sum())
print("累乘：", a.prod())
print("总数：", a.size)
a = np.array([0, 1, 2, 3])
print("非零总数：", np.count_nonzero(a))
month_salary = [1.2, 20, 0.5, 0.3, 2.1]
print("平均工资：", np.mean(month_salary))
print("工资中位数：", np.median(month_salary))
# 在统计数据分布的时候，还有一个值也比较重要
# standard deviation 标准差，用来描述正态分布
# 这个在机器学习中，特别是深度神经网络中也非常重要，特别用于权重的生成原则
month_salary = [1.2, 20, 0.5, 0.3, 2.1]
print("标准差：", np.std(month_salary))

# 特殊运算
a = np.array([150, 166, 183, 170])
name = ["小米", "OPPO", "Huawei", "诺基亚"]
high_idx = np.argmax(a)
low_idx = np.argmin(a)
print("{} 最高".format(name[high_idx]))
print("{} 最矮".format(name[low_idx]))
a = np.array([150.1, 166.4, 183.7, 170.8])
print("ceil:", np.ceil(a))
print("floor:", np.floor(a))
a = np.array([150.1, 166.4, 183.7, 170.8])
print("clip:", a.clip(160, 180))       # 自由取值界限

总结

其实 Numpy 中做数据运算的功能，比我这里列举的要多很多，我只是列举了一些我在数据分析和人工智能算法中，经常会使用到的一些功能。 还有更多的功能，可以在他的官方网站查找哦。 

四、数据形态

  • 改变形态
    • array[np.newaxis, :]
    • array.reshape()
    • array.ravel(), array.flatten()
    • array.transpose()
  • 合并
    • np.column_stack(), np.row_stack()
    • np.vstack(), np.hstack(), np.stack()
    • np.concatenate()
  • 拆解
    • np.vsplit(), np.hsplit(), np.split()

代码示例解析

# 数据形态
a = np.array([1,2,3,4,5,6])
a_2d = a[np.newaxis, :]
print(a.shape, a_2d.shape)
a = np.array([1,2,3,4,5,6])
a_none = a[:, None]
a_expand = np.expand_dims(a, axis=1)
print(a_none.shape, a_expand.shape)
a_squeeze = np.squeeze(a_expand)
a_squeeze_axis = a_expand.squeeze(axis=1)
print(a_squeeze.shape)
print(a_squeeze_axis.shape)
# 上述方法都是添加维度的方式，但是，在机器学习中，我们还有一个更常见的操作
# 是要改变 shape。维度的添加减少，只能添加减少一个维度，数据结构是不变的。
# 但是 np.reshape() 可以改变数据结构。 举个例子，a[None, :] 之后，a.shape 会在第一个维度上多一个 1
# 而 a.reshape([2,3]) 则可以更加自定义的将维度内的个数进行修改。 从而达到改变维度及尺寸
a = np.array([1,2,3,4,5,6])
a1 = a.reshape([2, 3])
a2 = a.reshape([3,1,2])
print("a1 shape:", a1.shape)
print(a1)
print("a2 shape:", a2.shape)
print(a2)
# 其实还有更多的改变形态的方法，比如让数据变直、展平 的 np.ravel(), np.flatten()，这两个比较特殊， 我会在 对速度有洁癖 这节的时候详细说明。
# 而在矩阵运算的时候，也有一种形态的转化，叫做矩阵转置，np.transpose(), 在机器学习中也用得很多
a = np.array([1,2,3,4,5,6]).reshape([2, 3])
aT1 = a.T
aT2 = np.transpose(a)
print(aT1)
print(aT2)
# 合并
# 一般来说，在数据分析统计，机器学习中的数据，都是以二维来存储的。
# 行是数据样本（第一维度），列是特征（第二维度）。 所以我们可以组合特征和组合样本。
# 比如将列column合并，特征 a 的数据和特征 b 的数据合并。
feature_a = np.array([1,2,3,4,5,6])
feature_b = np.array([11,22,33,44,55,66])
c_stack = np.column_stack([feature_a, feature_b])
print(c_stack)
# 一条条的数据 sample 合并
sample_a = np.array([0, 1.1])
sample_b = np.array([1, 2.2])
c_stack = np.row_stack([sample_a, sample_b])
print(c_stack)
# 上面的两种方法 np.column_stack() 和 np.row_stack() 和后面的 np.vstack()、np.hstack() 相比，
# 有些特殊之处，我们先看看使用 vstack 和 hstack 的案例，再说说不同处吧
feature_a = np.array([1,2,3,4,5,6])[:, None]
feature_b = np.array([11,22,33,44,55,66])[:, None]
c_stack = np.hstack([feature_a, feature_b])
print(c_stack)

sample_a = np.array([0, 1.1])[None, :]
sample_b = np.array([1, 2.2])[None, :]
c_stack = np.vstack([sample_a, sample_b])
print(c_stack)
# 用 column_stack 和 row_stack() 的时候，Numpy 自动帮你处理的维度信息，而用 vstack 和 hstack 的时候，你需要先确保维度信息是正确的，然后再合并。
# 有时候，你想要用统一的方法来处理各种不同情况的合并，np.concatenate() 是我最喜欢的方法，管它什么 vstack hstack 甚至是在更高维度上要合并， 我们都可以用 concatenate() 一个功能实现
a = np.array([
[1,2],
[3,4]
])
b = np.array([
[5,6],
[7,8]
])

print(np.concatenate([a, b], axis=0))
print(np.concatenate([a, b], axis=1))
# 拆解
a = np.array(
[[ 1, 11, 2, 22],
 [ 3, 33, 4, 44],
 [ 5, 55, 6, 66],
 [ 7, 77, 8, 88]]
)
print(np.vsplit(a, indices_or_sections=2))  # 分成两段
print(np.vsplit(a, indices_or_sections=[2,3]))  # 分片成 [:2]，[2:3], [3:]
# np.vsplit 是拿着刀沿着横向切分，那么 np.hsplit 就是沿纵向切分
# np.split() 能选择要切分的维度来自定义切分
a = np.array(
[[ 1, 11, 2, 22],
 [ 3, 33, 4, 44],
 [ 5, 55, 6, 66],
 [ 7, 77, 8, 88]]
)
print(np.split(a, indices_or_sections=2, axis=0))  # 分成两段
print(np.split(a, indices_or_sections=[2,3], axis=1))  # 在第二维度，分片成 [:2]，[2:3]，[3:]

1
a = np.array(
a = np.array(
[[ 1, 11, 2, 22],
 [ 3, 33, 4, 44],
 [ 5, 55, 6, 66],
 [ 7, 77, 8, 88]]
)
print(np.split(a, indices_or_sections=2, axis=0))  # 分成两段
print(np.split(a, indices_or_sections=[2,3], axis=1))  # 在第二维度，分片成 [:2]，[2:3]，[3:]

总结 

形态变化和合并拆解都是十分有用的功能，我们介绍了很多种实用的方法来完成这些事， 而懂了这些之后，数据分析和机器学习才算是真正迈入入圈的第一步。

岁岁lan
关注
  • 21
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
python numpy安装步骤-NumPy基础与安装
q6q6q的专栏
10-28 6241
1. NumpyNumpy是一个很重要、使用很多的科学计算包。在Python领域里有很多的与科学计算相关的包都或多或少地都使用到了Numpy这个模块包，例如著名的大数据包pandas就是基于numpy的，tensorflow的正常使用和安装也得首先安装numpy，由此可见学习numpy、学好numpy、深入理解numpy对学习大数据、深度学习、人工智能AI都是很重要的。基础必须牢靠，才能学大数据、...
Python 科学计算学习一：NumPy-快速处理数据（1）
Yangchenju的博客
07-28 1329
0. 绪言 1.1 ndarray对象 1.2 创建 1.3 存取元素 1.4 多维数组 0. 绪言 学习前先介绍在 Python 中什么是命令行模式和 Python 交互模式 命令行模式 在Windows开始菜单选择“命令提示符”，就进入到命令行模式，它的提示符类似c:/> Python 交互模式 在命令行模式下敲命令python，就看到类似如下的一堆文...
Python交互式Shell－－Jupyter Notebook
明日世界
09-14 3914
Table of Contents 安装 新建notebook Header和 Markdown 单元格操作 Markdown 单元格高级用法 导出功能 Matplotlib 集成 非本地内核 结语 Jupyter Notebook（此前被称为 IPython notebook）是一个交互式笔记本，支持运行 40 多种编程语言。在本文中，我们将介绍 Jupyter notebo...
python安装numpy
Python老吕的博客
06-21 1422
从Python 3.4开始，pip就已经被包含在Python安装包中，所以如果你的Python版本是3.4或更高，那么pip应该已经安装好了。conda是一个开源的包管理系统和环境管理系统，它可以用于安装多个版本的软件包及其依赖，并能够在不同的环境中管理这些包。：如果安装过程中遇到依赖问题，可以尝试先安装numpy的依赖库，然后再安装numpy。此外，如果你的Mac上安装了多个Python版本，确保你使用的是正确版本的pip或conda来安装numpy，以避免版本冲突或安装到错误的位置。
python交互式怎么保存_如何保存一个Python交互式会话？
weixin_29807507的博客
03-02 1991
如果您喜欢使用交互式会话， IPython非常有用。 例如你的用例有%save magic命令 ，你只需input%save my_useful_session 10-20 23将input行10到20和23保存到my_useful_session.py (为了解决这个问题，每一行都以其前缀数)。此外，该文件指出：此函数使用与％history相同的语法input范围，然后将行保存为您指定的文件名。...
数据科学常用Python库介绍--Numpy、Scipy、Pandas、Matplotlib、Plotly、SciKit-Learn等
haoji007的博客
04-19 3107
核心库 1.Numpy Numpy（代表Numerical Python）是最基础的包，整个科学计算库的集合是基于它建立的。它提供了python中大量有用的功能：n维数组和矩阵操作。该库提供了在NumPy数组类型上进行数学运算的矢量化功能，从而改善性能，加快了执行速度。 2.Scipy SciPy是一个工程和科学的软件库。SciPy库与SciPy Stack是不同的，它只是SciPy St...
python交互式怎么保存_如何保存Python交互式会话？
weixin_39793813的博客
12-04 1085
我发现自己经常使用Python的解释器来处理数据库，文件等 - 基本上是大量的半结构化数据的手动格式化。 我没有像我希望的那样经常保存和清理有用的位。 有没有办法将我的输入保存到shell(数据库连接，变量赋值，少量循环和逻辑位) - 交互式会话的一些历史记录？ 如果我使用类似script东西，我会得到太多的噪音。 我真的不需要腌制所有对象 - 但如果有一个解决方案可以做到这一点，那就没关系。 理...
c++调用python和numpy混合编程
qq_35215756的博客
05-30 760
在现代软件开发中，跨语言编程和混合编程的需求日益增长。C++作为一种高效、强大的编程语言，广泛应用于底层开发、游戏引擎、高性能计算等领域。而Python则因其简洁的语法、丰富的库和易于学习的特性，在数据科学、机器学习、Web开发等领域占据重要地位。NumPy是Python中一个用于数值计算的库，提供了大量的数学函数以及多维数组和矩阵运算的功能，是数据科学领域的核心工具之一。
Python第三方扩展库NumPy
cnds123的专栏
01-26 1176
Python第三方扩展库NumPy
2-NumPy下载与安装
最新发布
qwy715229258163的博客
06-26 950
NumPy 是 Python 的第三方扩展包，但它并没有包含在 Python 标准库中，因此您需要单独安装它。本节介绍如何在不同的操作系统上安装 NumPy。
python学习笔记-机器学习库numpy
08-19
总结，Numpy是Python机器学习的基础，其高效的数组操作和丰富的数学函数为机器学习提供了强大支持。通过熟练掌握Numpy，可以更有效地进行数据处理和模型构建，提高机器学习项目的效率和准确性。在实际项目中，结合...
03-python-numpy-简介-基础-数组-数组类型
02-09
文件“03.03-numpy-数组.ipynb”可能涵盖了创建、访问和操作NumPy数组的基本方法。这包括使用numpy.array()函数创建数组，使用索引和切片访问数组元素，以及使用数组方法（如reshape、transpose、concatenate等）...
Numpy练习：Python-Numpy
02-17
在Python编程环境中，Numpy是一个不可或缺的库，尤其对于数据处理和科学计算而言。...在"Numpy-Exercises-master"这个压缩包中，可能包含了更多的练习题目和示例，供你进一步学习和掌握Numpy的精髓。
Python --numpy,pandas,matplotlib等学习笔记.zip
02-21
通过Matplotlib，你可以创建交互式窗口来实时查看数据，也可以生成高质量的静态图像。Matplotlib的`pyplot`子模块提供了类似MATLAB的接口，而`Figure`和`Axes`对象则允许更加灵活的布局控制。此外，Matplotlib还有...
北理-Python数据分析与展示-Numpy、Matplotlib、Pandas作业 1+1
08-14
Matplotlib是Python中最常用的绘图库，它可以生成各种静态、动态、交互式的图表。Matplotlib的pyplot子模块提供了一种类似MATLAB的接口，用于创建各种2D和3D图形，如折线图、散点图、直方图、饼图等。在“Matplotlib...
Python数据科学速查表 - Numpy 基础.7z
05-27
Seaborn和Bokeh是用于数据可视化的库，Scikit-Learn则包含各种机器学习算法，Jupyter Notebook则是交互式开发环境，便于数据分析和展示。这些库共同构成了Python数据科学的基石，使得数据科学家能够高效地进行数据...
Scikit Learn_ 在python中机器学习 - yyliu1
08-04
在这个博客中，作者介绍了如何使用Scikit Learn进行基本的机器学习操作，如加载数据、分类和降维。 首先，文章提到了几个必要的Python库，包括Numpy、Scipy、IPython、matplotlib以及Scikit Learn本身。这些库在...
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
安装Python时，推荐使用Anaconda，因为它预装了大量科学计算和机器学习所需的库，如numpy、scikit-learn和matplotlib，同时提供了iPython Notebook这一交互式学习环境。 【机器学习入门】 在具备了Python基础之后...
Python-bokeh用Python进行交互式web绘图
08-11
Python Bokeh 是一个强大的数据可视化库，它专为构建交互式的Web图形而设计。Bokeh的目标是使开发者能够利用现代Web浏览器的高性能JavaScript库，如D3.js，来展示大量数据，同时保持Python的易用性和灵活性。这个库...
评论 3
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
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