Python机器学习入门小试

---

---

一、Jupyter Notebook介绍、安装及使用教程

参考：Jupyter Notebook介绍、安装及使用教程

涉及到需要官网下载太慢的文件我都会放在这个阿里云链接里：
以下是安装流程。

Anaconda安装成功：

Jupyter Notebook安装成功：

二、 10道numpy练习

引入库：

# ! pip install numpy
# ! pip install pandas
# ! pip install matplotlib

import numpy as np
import pandas as pd
from pandas import Series,DataFrame
import matplotlib.pyplot as plt
 
%matplotlib inline

【例3.1】建立一个一维ndarray数组。
import numpy as np
a = np.array([1,2,3])
print(a)

【例3.2】创建二维数组。
import numpy as np
a = np.array([[1,2], [3,4]])
print(a)

【例3.3】使用ndmin参数设置数组的最小维度。
import numpy as np
a = np.array([1,2,3,4,5], ndmin=2)
print(a)

【例3.4】使用dtype 参数设置为数组类型为复数。
import numpy as np
a = np.array([1,2,3], dtype = np.complex)
print(a)

【例3.5】调整数组大小。
import numpy as np
a = np.array([[1,2,3],[4,5,6]])
a.shape = (3,2)
print (a)

【例3.6】调整数组大小。
import numpy as np
a = np.array([[1,2,3],[4,5,6]])
b = a.reshape(3,2)
print (b)

【例3.7】创建一个长度为10的一维全为0的ndarray对象，然后让第5个元素等于1
s1 = np.zeros(shape=10)
s1
【例3.8】给定一个4维矩阵，如何得到最后两维的和？
n11 = np.random.randint(0,100,size=(2,3,3,3))
n11
n11.sum(axis=(2,3))
n11.sum(axis=(-1,-2))

【例3.9】给定数组[1, 2, 3, 4, 5]，如何得到在这个数组的每个元素之间插入3个0后的新数组？
nd1 = np.arange(1,6)
nd2 = np.zeros(shape=17, dtype=int)
nd2[::4] = nd1
nd2
n12 = np.array([1,2,3,4,5]).reshape(5,1)
n12
n12_1 = np.zeros((5,3))
n12_1
n12 = np.concatenate([n12,n12_1],axis=1)
n12
n12.reshape(-1)

【例3.10】给定一个二维矩阵，如何交换其中两行的元素？
n13 = np.random.randint(0,100,size=(3,3))
n13
n13[[1,0,2]]

三、pandas

Pandas 是 Python 语言的一个扩展程序库，用于数据分析。
Pandas 是一个开放源码、BSD 许可的库，提供高性能、易于使用的数据结构和数据分析工具。
Pandas 名字衍生自术语 “panel data”（面板数据）和 “Python data analysis”（Python 数据分析）。
Pandas 一个强大的分析结构化数据的工具集，基础是 Numpy（提供高性能的矩阵运算）。
Pandas 可以从各种文件格式比如 CSV、JSON、SQL、Microsoft Excel 导入数据。
Pandas 可以对各种数据进行运算操作，比如归并、再成形、选择，还有数据清洗和数据加工特征。
Pandas 广泛应用在学术、金融、统计学等各个数据分析领域。
数据结构
Series 是一种类似于一维数组的对象，它由一组数据（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。

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）。DataFrame 既有行索引也有列索引，它可以被看做由 Series 组成的字典（共同用一个索引）。

1. 创建

# 导入Pandas库
import pandas as pd

# 构建Series，其中index和name是可选项
series = pd.Series([1,2,"da"],index=["a","b","c"],name="ss")
series 

2. 切片、修改

# 切片
series[:2]

# 索引
series["a"]

# 修改值
series["a"] = 6
series[1] = 88
series

3. 其他属性

# Series的属性：dtype, index, values, name
series.dtype
series.index
series.values
series.name

示例
创建一个DataFrame(df)，用data做数据，labels做行索引

import pandas as pd

import numpy as np
data = {'animal': ['cat', 'cat', 'snake', 'dog', 'dog', 'cat', 'snake', 'cat', 'dog', 'dog'],
      'age': [2.5, 3, 0.5, np.nan, 5, 2, 4.5, np.nan, 7, 3],
      'visits': [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],
      'priority': ['yes', 'yes', 'no', 'yes', 'no', 'no', 'no', 'yes', 'no', 'no']}
labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']

1.显示有关此df及其数据的基本信息的摘要

df.describe()
# 或
df.info()

2. 查看此df的前三行数据

df.head(3)

3. 选择df中列标签为animal和age的数据

df.loc[:, ['animal', 'age']]

4. 选择行为[3, 4, 8]，且列为[‘animal’, ‘age’]中的数据

df.iloc[[3, 4, 8]].loc[:, ['animal', 'age']]
# 或
df.loc[df.index[[3, 4, 8]], ['animal', 'age']]

5. 选择age为缺失值的行

df[df['age'].isnull()]

四、matplotlib

Matplotlib 是 Python 的绘图库。 它可与 NumPy 一起使用，提供了一种有效的 MatLab 开源替代方案，也可以和图形工具包一起使用。和Pandas、Numpy并成为数据科学三兄弟（我自己想的）。

1.导入matplotlib库简写为plt

import matplotlib.pyplot as plt

1. 在一张图里绘制sin,cos的图形，并展示图例

x = np.linspace(0, 10, 1000)
fig, ax = plt.subplots()

ax.plot(x, np.sin(x), label='sin')
ax.plot(x, np.cos(x), '--', label='cos')
ax.legend();

2. 调整图例在左上角展示，且不显示边框

ax.legend(loc='upper left', frameon=False);
fig

3. 在一个1010的画布中，(0.65,0.65)的位置创建一个0.20.2的子图

ax1 = plt.axes()
ax2 = plt.axes([0.65, 0.65, 0.2, 0.2])

4. 在2个子图中，显示sin(x)和cos(x)的图像

fig = plt.figure()
ax1 = fig.add_axes([0.1, 0.5, 0.8, 0.4], ylim=(-1.2, 1.2))
ax2 = fig.add_axes([0.1, 0.1, 0.8, 0.4], ylim=(-1.2, 1.2))

x = np.linspace(0, 10)
ax1.plot(np.sin(x));
ax2.plot(np.cos(x));

5. 绘制一组三维点

ax = plt.axes(projection='3d')
zdata = 15 * np.random.random(100)
xdata = np.sin(zdata) + 0.1 * np.random.randn(100)
ydata = np.cos(zdata) + 0.1 * np.random.randn(100)
ax.scatter3D(xdata, ydata, zdata, c=zdata, cmap='Greens');

---

总结

通过本次机器学习小试，我深刻体会到了python的强大与便捷。从安装上来说，安装可以通过Anaconda一键安装，从编程上来说，比ros操作要少敲4很多命令行，代码编写可以马上运行得到结果。代码结构不需要很完整，随编随跑，还有很多强大的包引入。通过本次实操，我逐渐萌生了很多新奇的想法，比如写一个爬虫，从各大网页上获取数据并分析。这将会为工作和学习带来极大极大的便利。

---