深度学习常用python库学习笔记
常用的4个库
numpy是Python科学计算库的基础。包含了强大的N维数组对象和向量运算。
pandas是建立在numpy基础上的高效数据分析处理库，是Python的重要数据分析库。
Matplotlib是一个主要用于绘制二维图形的Python库。用途：绘图、可视化
PIL库是一个具有强大图像处理能力的第三方库。用途：图像处理
一、Numpy库
1、数组的创建
（1）np.array()
import numpy as np
array1 = np.array([[1,2,3],[4,5,6]])
（2）np.zeros()
生成指定shape全0数组
zeroarray = np.zeros((2,3))
print(aeroarray)
[[0. 0. 0.]
[0. 0. 0.]]
（3）np.ones()
生成指定shape的全1数组
onearray = np.ones((3,4))
print(onearray)
[[1. 1. 1. 1.]
[1. 1. 1. 1.]
[1. 1. 1. 1.]]
（4）np.empty()
创建的数组初始内容是随机的
（5）np.arange()
生成的是一个数组
array = np.arange(10,31,5)
print(array)
[10 15 20 25 30]
（6）np.random.normal()
#给定均值/标准差/维度的正态分布
np.random.normal(1.75, 0.1, (2, 3))
array([[1.79250628, 1.83204225, 1.71973433],
[1.58555017, 1.66339554, 1.70447666]])
2、数组的计算
（1）np.dot(arr1,arr2)
矩阵乘法
arr3 = np.array([[1,2,3],[4,5,6]])
arr4 = np.ones([3,2],dtype=np.int64)
print(arr3)
print(arr4)
print(np.dot(arr3,arr4))
[[1 2 3]
[4 5 6]]
[[1 1]
[1 1]
[1 1]]
[[ 6 6]
[15 15]]
（2）矩阵的其它计算
import numpy as np
arr3 = np.array([[1,2,3],[4,5,6]])
print(arr3)
print(np.sum(arr3,axis=1)) #axis=1,每一行求和 axie=0,每一列求和
print(np.max(arr3))
print(np.min(arr3))
print(np.mean(arr3))
print(np.argmax(arr3))
print(np.argmin(arr3))
运行结果
[[1 2 3]
[4 5 6]]
[ 6 15]
6
1
3.5
5
0
(3)矩阵转置
arr3_tran = arr3.transpose()
print(arr3_tran)
print(arr3.flatten())
运行结果
[[1 4]
[2 5]
[3 6]]
[1 2 3 4 5 6]
（4）基本数组统计方法
| 方法 | 说明 |
|---|---|
| sum | 对数组中全部或某轴向的元素求和。零长度的数组的sum为0 |
| mean | 算术平均数。零长度的数组的mean为NaN |
| std,var | 分别为标准差和方差，自由度可调（默认为n） |
| min,max | 最小值，最大值 |
| argmin, argmax | 最小和最大元素的索引 |
| cumsum | 所有元素的累加 |
| cumprod | 所有元素的累积 |
（5）numpy.linalg函数
3、数组的索引与切片
arr5 = np.arange(0,6).reshape([2,3])
print(arr5)
print(arr5[1])
print(arr5[1][2])
print(arr5[1,2])
print(arr5[1,:])
print(arr5[:,1])
print(arr5[1,0:2])
运行结果：
[[0 1 2]
[3 4 5]]
[3 4 5]
5
5
[3 4 5]
[1 4]
[3 4]
二、Pandas库
pandas是python第三方库，提供高性能易用数据类型和分析工具。
pandas基于numpy实现，常与numpy和matplotlib一同使用。
更多学习：Pandas中文网
Pandas 核心数据结构如下图：
1、Series
Series是一种类似于一维数组的对象，它由一维数组（各种numpy数据类型）以及一组与之相关的数据标签（即索引）组成。
可理解为带标签的一维数组，可存储整数、浮点数、字符串、Python 对象等类型的数据。
（1）将列表转化为Series
import pandas as pd
import numpy as np
s = pd.Series(['a','b','c','d','e'])
print(s)
运行结果
0 a
1 b
2 c
3 d
4 e
dtype: object
（2）Ser设置索引
Seris中可以使用index设置索引列表。
与字典不同的是，Seris允许索引重复。
s = pd.Series(['a','b','c','d','e'],index=[100,200,100,400,500])
print(s)
结果
100 a
200 b
100 c
400 d
500 e
dtype: object
（3）Series 可以用字典实例化
d = {'b': 1, 'a': 0, 'c': 2}
pd.Series(d)
运行结果：
b 1
a 0
c 2
dtype: int64
（4）可以通过Series的values和index属性获取其数组表示形式和索引对象
print(s)
print(s.values)
print(s.index)
100 a
200 b
100 c
400 d
500 e
dtype: object
['a' 'b' 'c' 'd' 'e']
Int64Index([100, 200, 100, 400, 500], dtype='int64')
（5）可以通过索引选取Series中的单个或一组值
print(s[100])
print(s[[400, 500]])
得到结果：
100 a
100 c
dtype: object
400 d
500 e
dtype: object
（6）Series中最重要的一个功能是：它会在算术运算中自动对齐不同索引的数据
Series 和多维数组的主要区别在于， Series 之间的操作会自动基于标签对齐数据。因此，不用顾及执行计算操作的 Series 是否有相同的标签。
obj1 = pd.Series({"Ohio": 35000, "Oregon": 16000, "Texas": 71000, "Utah": 5000})
print(obj1)
obj2 = pd.Series({"California": np.nan, "Ohio": 35000, "Oregon": 16000, "Texas": 71000})
print(obj2)
print(obj1 + obj2)
结果如下：
Ohio 35000
Oregon 16000
Texas 71000
Utah 5000
dtype: int64
California NaN
Ohio 35000.0
Oregon 16000.0
Texas 71000.0
dtype: float64
California NaN
Ohio 70000.0
Oregon 32000.0
Texas 142000.0
Utah NaN
dtype: float64
（7）切片操作
s = pd.Series(np.array([1,2,3,4,5]), index=['a', 'b', 'c', 'd', 'e'])
print(s[1:])
print(s[:-1])
print(s[1:] + s[:-1])
b 2
c 3
d 4
e 5
dtype: int64
a 1
b 2
c 3
d 4
dtype: int64
a NaN
b 4.0
c 6.0
d 8.0
e NaN
dtype: float64
（8）Series对象本身及其索引都有一个name属性，该属性跟pandas其他的关键功能关系非常密切.
import pandas as pd
import numpy as np
obj1 = pd.Series({'California':np.nan,'Ohio':35000,'Oregon':16000,'Texas':71000})
print(obj1)
obj1.name = 'population'
obj1.index.name = 'state'
print(obj1)
California NaN
Ohio 35000.0
Oregon 16000.0
Texas 71000.0
dtype: float64
state
California NaN
Ohio 35000.0
Oregon 16000.0
Texas 71000.0
Name: population, dtype: float64
2、DataFrame
DataFrame是一个表格型的数据结构，类似于Excel或sql表
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、布尔值等）
DataFrame既有行索引也有列索引，它可以被看做由Series组成的字典（共用同一个索引）
（1）用多维数组字典、列表字典生成 DataFrame
import pandas as pd
data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'], 'year': [2000, 2001, 2002, 2001, 2002], 'pop': [1.5, 1.7, 3.6, 2.4, 2.9]}
frame = pd.DataFrame(data)
print(frame)
state year pop
0 Ohio 2000 1.5
1 Ohio 2001 1.7
2 Ohio 2002 3.6
3 Nevada 2001 2.4
4 Nevada 2002 2.9
（2）使用columns参数设置列顺序
#如果指定了列顺序，则DataFrame的列就会按照指定顺序进行排列
frame1 = pd.DataFrame(data, columns=['year', 'state', 'pop'])
print(frame1)
结果：
year state pop
0 2000 Ohio 1.5
1 2001 Ohio 1.7
2 2002 Ohio 3.6
3 2001 Nevada 2.4
4 2002 Nevada 2.9
跟原Series一样，如果传入的列在数据中找不到，就会产生NAN值
data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'], 'year': [2000, 2001, 2002, 2001, 2002], 'pop': [1.5, 1.7, 3.6, 2.4, 2.9]}
frame2 = pd.DataFrame(data, columns=['year', 'state', 'pop', 'debt'], index=['one', 'two', 'three', 'four', 'five'])
print(frame2)
year state pop debt
one 2000 Ohio 1.5 NaN
two 2001 Ohio 1.7 NaN
three 2002 Ohio 3.6 NaN
four 2001 Nevada 2.4 NaN
five 2002 Nevada 2.9 NaN
（3）用 Series 字典或字典生成 DataFrame
d = {'one': pd.Series([1., 2., 3.], index=['a', 'b', 'c']),
'two': pd.Series([1., 2., 3., 4.], index=['a', 'b', 'c', 'd'])}
print(pd.DataFrame(d))
one two
a 1.0 1.0
b 2.0 2.0
c 3.0 3.0
d NaN 4.0
（4）获取DataFrame的列为Series
#通过类似字典标记的方式或属性的方式，可以将DataFrame的列获取为一个Series,返回的Series拥有原DataFrame相同的索引
frame2 = pd.DataFrame(data, columns=['year', 'state', 'pop', 'debt'], index=['one', 'two', 'three', 'four', 'five'])
print(frame2['state'])
one Ohio
two Ohio
three Ohio
four Nevada
five Nevada
Name: state, dtype: object
（5）列可以通过赋值的方式进行修改
frame2['debt'] = 16.5
print(frame2)
year state pop debt
one 2000 Ohio 1.5 16.5
two 2001 Ohio 1.7 16.5
three 2002 Ohio 3.6 16.5
four 2001 Nevada 2.4 16.5
five 2002 Nevada 2.9 16.5
PIL库
PIL库是一个具有强大图像处理能力的第三方库。
图像的组成：由RGB三原色组成,RGB图像中，一种彩色由R、G、B三原色按照比例混合而成。0-255区分不同亮度的颜色。
图像的数组表示：图像是一个由像素组成的矩阵，每个元素是一个RGB值。
Image 是 PIL 库中代表一个图像的类（对象）
from PIL import Image
import matplotlib.pyplot as plt
#读取图片
img = Image.open(r'E:\CS\深度学习\T.jpg')
plt.imshow(img)
plt.show()
#获得图像的模式
img_mode = img.mode
print(img_mode)
#获取图像宽度和高度
width,height = img.size
print(width,height)
#图片旋转
img_rotate = img.rotate(45)
plt.imshow(img_rotate)
plt.show()
#图片裁剪
img_crop = img.crop((677,0,1823,1273))
plt.imshow(img_crop)
plt.show()
#图片放缩
img_resize = img.resize((int(width*0.6),int(height*0.6)),Image.ANTIALIAS)
plt.imshow(img_resize)
plt.show()
#图片左右翻转
img_lr = img.transpose(Image.FLIP_LEFT_RIGHT)
plt.imshow(img_lr)
plt.show()
#图片上下镜像
img_bt = img_lr.transpose(Image.FLIP_TOP_BOTTOM)
plt.imshow(img_bt)
plt.show()
Matplotlib库
Matplotlib库由各种可视化类构成，内部结构复杂。
matplotlib.pylot是绘制各类可视化图形的命令字库。
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-1,1,50) #等差数列
y1 = 2*x + 1
y2 = x**2
#传入x,y1通过plot()绘制折线图
plt.figure()
plt.plot(x,y1)
#创建新窗口绘制第二幅图形
plt.figure(figsize=(7,5))
plt.plot(x,y2)
#显示图形
plt.show()
运行得到：
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-1,1,50)
y1 = x*2 + 1
y2 = x**2
plt.figure(figsize = (7,5))#生成绘制窗口
plt.plot(x,y1,color='red',linewidth=1)#绘制第一条曲线并设置颜色线宽
plt.plot(x,y2,color='blue',linewidth=5)#绘制第二条曲线并设置颜色线宽
#设置坐标标签和字号
plt.xlabel('x',fontsize=20)
plt.ylabel('y',fontsize=20)
#显示图像
plt.show()
运行得到：
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-1,1,50)
y1 = x*2 + 1
y2 = x**2
#绘制曲线
a1, = plt.plot(x,y1,color='red',linewidth=1)
a2, = plt.plot(x,y2,color='blue',linewidth=5)
#设置图例
plt.legend(handles=[a1,a2],labels=['aa','bb'],loc='best')
#设置x,y坐标标签
plt.xlabel('x')
plt.ylabel('y')
#设置显示范围
plt.xlim((0,1)) #x轴只截取一段进行显示
plt.ylim((0,1)) #y轴只截取一段进行显示
#显示图形
plt.show()
运行得到：
import numpy as np
import matplotlib.pyplot as plt
dots1 =np.random.rand(50)
dots2 =np.random.rand(50)
#绘制散点图
plt.scatter(dots1,dots2,c='red',alpha=0.5) #c表示颜色，alpha表示透明度
plt.show()
import matplotlib.pyplot as plt
import numpy as np
x = np.arange(10)
y = 2**x+10
plt.bar(x,y,facecolor='#9999ff',edgecolor='white')
plt.show()
x = np.arange(10)
y = 2**x+10
plt.bar(x,y,facecolor='#9999ff',edgecolor='white')
for ax,ay in zip(x,y):
plt.text(ax,ay,'%.1f' % ay,ha='center',va='bottom')
plt.show(
说明
还在学习中会不断修改，如有错误欢迎指正
扫一扫
621
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
