banxiaCSDN的博客

转载自：https://blog.csdn.net/gatieme/article/details/61416645matplotlib下, 一个 Figure 对象可以包含多个子图(Axes), 可以使用 subplot() 快速绘制, 其调用形式如下 :subplot(numRows, numCols, plotNum)图表的整个绘图区域被分成 numRows 行和 numCols 列然后按照从左到右，从上到下的顺序对每个子区域进行编号，左上的子区域的编号为1plotNum 参

plt.xticks([0,1],[1,2],rotation=0)[0,1]代表x坐标轴的0和1位置，[2,3]代表0,1位置的显示lable，rotation代表lable显示的旋转角度。官方给出的例子是：xticks( arange(5), (‘Tom’, ‘Dick’, ‘Harry’, ‘Sally’, ‘Sue’) )用’Tom’, ‘Dick’, ‘Harry’, ‘Sally’, 'Sue’作为[0,1,2,3,4]位置显示的label。转载自：https://blog.csdn.

https://blog.csdn.net/du_shuang/article/details/84139716

pd.read_csv(filepath_or_buffer, sep=’, ‘, delimiter=None, header=’infer’, names=None, index_col=None, usecols=None, squeeze=False, prefix=None, mangle_dupe_cols=True, dtype=None, engine=None, converters=None, true_values=None, false_values=None, skipiniti.

导入包import pandas as pd创建.csv文件id,shuju,label1,3,one2,7,two5,7,three6,8,four3,5,fiveheader属性#不加上header后第一行会成为表头a = pd.read_csv("../data/head.csv")print(a)#加上header后第一行就不会成为表头了a = pd.read_csv("../data/head.csv",header=None)print(a)names

https://blog.csdn.net/qiu931110/article/details/68130199

train_test_split()函数是用来随机划分样本数据为训练集和测试集的，当然也可以人为的切片划分。优点：随机客观的划分数据，减少人为因素完整模板：train_X,test_X,train_y,test_y = train_test_split(train_data,train_target,test_size=0.3,random_state=5)参数解释：train_data：待划分样本数据train_target：待划分样本数据的结果（标签）test_size：测试数据占样本数据

pandas中fillna()方法，能够使用指定的方法填充NA/NaN值。https://blog.csdn.net/qq_17753903/article/details/89892631

from sklearn.model_selection import train_test_splitX_train,X_test,Y_train,Y_test = train_test_split(X,Y,test_size=0.3,random_state=0)这里的random_state就是为了保证程序每次运行都分割一样的训练集和测试集。否则，同样的算法模型在不同的训练集和测试集上的效果不一样。...

https://blog.csdn.net/qq_28618765/article/details/78083895并且当设置为np.reshape（（-1，1））时，就表示将原本来的数据转换为行数由列数确定，列数为1的矩阵

import matplotlib.pyplot as pltplt.rcParams["font.sans-serif"]=["SimHei"] # 图标中支持中文plt.rcParams["axes.unicode_minus"]=False # 图表中支持负号plt.title("随机梯度下降")plt.xlabel("数量")plt.ylabel("损失值")plt.plot(range(len(test_y)),pred_y,"g-",alpha=0.5) # 设置左上方的图标plt

https://blog.csdn.net/tymatlab/article/details/79009618

np.ones(len(X), 1)创建一个行数为len（X）列数为1的矩阵np.hstack((X, index))将矩阵X与index横向拼接

1、A.mean(0)计算每一列的平均值A = np.array([[1, 2, 3], [3, 3, 6], [4, 6, 8], [4, 7, 7]])mu1 = A.mean(0)print(mu1)输出是2、A.mean(1)计算每一行的平均值A = np.array([[1, 2, 3], [3, 3, 6], [4, 6, 8], [4, 7, 7]])mu1 = A.mean(1)print(mu1)输出是3、np.mean(A)计算整体的平均值A = np