Python 代码笔记

1、内置函数 lambda

用法一：类函数

格式如下，[]表示可选
[生成器 =] lambda 参数x : 函数体  [实参]
f = (lambda x: x=i)
print(f(1))     # 输出1，这时候类似函数调用

用法二：迭代

print map(lambda x: x.startswith('s'), cities['City name']) # 实参部分是一个列表
[False, False, False]

用法三：使用 Series.apply。像 Python 映射函数一样，Series.apply 将以参数形式接受 lambda 函数，而该函数会应用于每个值。

# 如果简单的对每个值直接直接的操作，如加减乘除和判断，可以只用一个内置函数方便的完成
if __name__ == '__main__':
    cities = pd.DataFrame()
    cities['City name'] = ['San', 'New York']
    cities['start with San'] = cities['City name'].apply(lambda name:name.startswith('San')
    print(cities)

# 输出 ：
    City name      start with San
0       San            True
1  New York           False

# 但是如果要进行分支等间接操作，最好通过lambda函数调用其他函数来完成，逻辑比较清楚
def sel_city(name):
    if name.startswith('San'):
        return 'Y'
    else:
        return 'N'

if __name__ == '__main__':
cities = pd.DataFrame()
    cities['City name'] = ['San', 'New York']
    # cities['start with San'] = cities['City name'].apply(lambda name: name.startswith('San'))
    cities['start with San'] = cities['City name'].apply(lambda name: sel_city(name))
    print(cities)

# 输出：
   City name     start with San
0       San              Y
1  New York              N

2、multiply， dot， *， matmul 和 cross 等各种乘法的区别

multiply 和 *： 对应位元素相乘， 和原来维度一致
cross： 外积， 结果是和原来的分向量都垂直

一维时（向量）：

dot 和 matmul ： 內积， 结果是数

a = np.ones([3])
b = np.ones([3])

print(a * b)
print(np.multiply(a, b))
print(np.dot(a, b))
print(np.matmul(a, b))
print(np.cross(a, b))

# 输出：
[ 1.  1.  1.]
[ 1.  1.  1.]
3.0
3.0
[ 0.  0.  0.]

二维时（矩阵）：

dot 和 matmul ： 都是矩阵乘法，如 [3,4] x [4,2] = [3,2]

超过二维时：

dot： it is a sum product over the last axis of a and the second-to-last of b，即第一个多维数a的最后一维和第二个多维数b的倒数第二维的乘积的和。也就是在最后两个维度执行矩阵乘法。并且其维度会叠加， 也就是利用了广播机制， 例如可以使用 np.dot(1, b)。

matmul ： 前面维度相同且不变，最后两个维度执行矩阵乘法。没有广播机制，不能执行np.dot(1, b)。

a = np.ones([2, 3, 4])
b = np.ones([2, 4, 5])

print("dot : ", np.dot(a, b).shape)
print(np.dot(a, b))
print("matmul : ", np.matmul(a, b).shape)
print(np.matmul(a, b))

# 输出：
dot :  (2, 3, 2, 5)
matmul :  (2, 3, 5)

# matmul 没有广播， 当后面两个维度之前的维度有不相同时，将出错。
a = np.ones([2, 3, 4])
b = np.ones([3, 4, 5])

print("dot : ", np.dot(a, b).shape)
print(np.dot(a, b))
print("matmul : ", np.matmul(a, b).shape)
print(np.matmul(a, b))

# 输出：
dot :  (2, 3, 3, 5)
ValueError: operands could not be broadcast together with remapped shapes [original->remapped]: (2,3,4)->(2,3,newaxis,4) (3,4,5)->(3,newaxis,5,4) 

总结：
也就是说，使用matmul时只要保持前面的维度不变，在执行

$$Y[...., n2] = X[...., n1] \cdot W$$ 时 只需要使得 W[…, n1, n2]且 … 中的数相同即可。
而dot会增加太多维度(如4D * 4D = (4+4-2)D = 6D)，不建议使用。为了使得matmul时前面的维度相同，可先使用reshape增加一个维度，然后使用 tf.tile() 在对应维度复制n次。

3、panda 数据处理

import pandas as pd

train_df = pd.read_csv('../input/train.csv')    # 读取文件
train_df.head()     # 显示前面部分信息
train_df.tail()     # 显示末尾部分信息
train_df.describe()     # 显示详细（统计）信息
train_df.info()     # 显示所有列名及其数据类型

显示特征属性和结果的相关性：

train_df[['Pclass','Survived']].groupby(['Pclass'],
as_index=False).mean().sort_values(by='Survived', ascending=False)

字符串替换

# 多个替换为一个
dataset['Title'] = dataset['Title'].replace(['Lady', 'Countess','Capt', 
'Col','Don', 'Dr', 'Major', 'Rev', 'Sir', 'Jonkheer', 'Dona'], 'Rare')

# 一一替换
dataset['Title'] = dataset['Title'].replace('Mlle', 'Miss')

# 或使用Map
title_mapping = {"Mr": 1, "Miss": 2, "Mrs": 3, "Master": 4, "Rare": 5}
dataset['Title'] = dataset['Title'].map(title_mapping)

删除和添加列

# 删除
train_df = train_df.drop(['Name', 'PassengerId'], axis=1)

# 添加, 将年龄分为5个级别，小数好像用 pd.qcut
train_df['AgeBand'] = pd.cut(train_df['Age'], 5)    

数据填充

# 统计 Pclass、Sex 在 Age 上的分布，作为预测的根据
for dataset in combine:
    for i in range(0, 2):
        for j in range(0, 3):
            # dropna() 不使用无效数据
            guess_df = dataset[(dataset['Sex']==i) & (dataset['Pclass']==j+1)]['Age'].dropna()

            # 随机填充
            # age_mean = guess_df.mean()
            # age_std = guess_df.std()
            # age_guess = rnd.uniform(age_mean - age_std, age_mean + age_std)

            age_guess = guess_df.median()
            guess_ages[i,j] = int( age_guess/0.5 + 0.5 ) * 0.5

    for i in range(0,2):
        for j in range(0,3):
            dataset.loc[(dataset.Age.isnull()) & (dataset.Sex == i) & (dataset.Pclass == j+1), 'Age'] = guess_ages[i, j]

    dataset['Age'] = dataset['Age'].astype(int)

train_df.head()

dropna 和 fillna 中 na 表示 not a number 缺失值

# 中位数填充，使用出现频率最高的数（中位数）补充,
test_df['Fare'].fillna(test_df['Fare'].dropna().median(), inplace=True)

4、seaborn、matplotlib绘图工具

seaborn 在 matplotlib 的基础上进一步封装，更便捷的建立图表

# row，col 表示设立图表的顺序
grid = sns.FacetGrid(train_df, col='Survived', row='Pclass', size=2.2, aspect=1.6)

# plt.hist 直方图， 'Age' 横坐标
grid.map(plt.hist, 'Age', alpha=0.5, bins=20)

grid.add_legend()

散点图：

g = sns.FacetGrid(train_df, col='Embarked', size=2.2, aspect=1.6)

# Pclass 横坐标，Survived 纵坐标， Sex 和 Embarked 构成点的坐标
g.map(sns.pointplot, 'Pclass', 'Survived', 'Sex', palette='deep')

grid.add_legend()

5、关于TensorFlow模块

• tf.nn：nn 是 neural network 缩写，包含了神经网络的相关方法。例如 tf.nn.conv2d 等 卷积（conv）、池化（pooling）、归一化、loss、分类、embedding（词嵌入）、Evaluation等操作。
• tf.layer：好像是在 tf.nn 建立网络模型方法上的封装，可以更方便的建立模型。tf.nn 可能更多在使用预训练模型时使用，其功能更全面。
• tf.contrib：一些contribute（类辅助性、更高级操作、新功能）的方法。例如统计方面和tf.contrib.training.train的使用。一些方法稳定后会移植到 tf.nn 等模块。

更多使用可以参看官方API文档：https://tensorflow.google.cn/api_guides/python/array_ops

Ending：数据分析步骤

工作步骤：

1. 问题定义
2. 获取训练和测试数据集
3. 数据处理，包括删除，填充，修正和新建。
4. 数据分析、显示，主要是图表
5. 建立模型并进行预测
6. 可视化结果进行分析
7. 选择最好的方案进行提交

举例：

根据目前初步的情况建立特征和分类结果的关联关系。

初步假设分类：
1. 女生（Sex=female）更可能存活
2. 小孩（Age<？）更可能存活
3. 上层阶级的乘客（Pclass=1）更可能存活

完善一些特征：
* 年龄（Age）很可能与是否存活有关，应该进行补充完善
* 上船的港口（Embarked）可能与存活有关，可以进行补充完善验证

修正一些特征：
* 船票编码（Ticket）可能和结果没有关系，应该可以去除这个特征
* 船舱（Cabin）由于数据丢失太严重，如果补充负面影响可能大于正面，应该去除
* PassengerId 和 Name 特征应该对训练没有作用

创建一些特征：
* 可以综合 Parch 、SibSp 两个特征建立一个亲友关系特征：Family
* 将年龄（Age）划分为各个阶段的新特征（连续到离散）
* 票价（Fare）划分为多个阶段的特征有利于分析
* Name 或许可以提取一些信息（如title头衔？）作为一个新的特征