python学习笔记

python作为一种潮流，开源的内容无比强大，因此记录学习的点滴。
＃中文“全角”输入，显示空格

11/9/2019

1. numpy.asarray 列表变矩阵
   numpy.asarray(a, dtype=None, order=None)

	>>> a = [1, 2]
	>>> np.asarray(a)
	array([1, 2])

2. numpy.around 取整，保留有效数字
   numpy.around(a, decimals=0, out=None)

	>>> np.around([0.37, 1.64])
	array([0.,  2.])
	>>> np.around([0.37, 1.64], decimals=1)
	array([0.4,  1.6])
	>>> np.around([.5, 1.5, 2.5, 3.5, 4.5]) # rounds to nearest even value
	array([0.,  2.,  2.,  4.,  4.])
	>>> np.around([1,2,3,11], decimals=1) # ndarray of ints is returned
	array([ 1,  2,  3, 11])
	>>> np.around([1,2,3,11], decimals=-1)
	array([ 0,  0,  0, 10])

3. ndarray VS matrix
   ndarray可以是1维，2维，多维；matrix是2维。
   mat_a＊mat_b, mat_a＊＊2, 矩阵乘
   arr_a＊arr_b, arr_a＊＊2, 元素乘
   参见说明
4. scipy.sparse.csc_matrix(arg1, shape=None, dtype=None, copy=False)
   矩阵稀疏化

>>> row = np.array([0, 2, 2, 0, 1, 2])
>>> col = np.array([0, 0, 1, 2, 2, 1])
>>> data = np.array([1, 2, 3, 4, 5, 6])
>>> csc_matrix((data, (row, col)), shape=(3, 3)).toarray()
array([[1, 0, 4],
       [0, 0, 5],
       [2, 9, 0]])

csc_matrix((data, (row, col)), shape=(3, 3)).todense()

11/11/2019

1. range()

for i in range(10): 
    print(i, end =" ")

0 1 2 3 4 5 6 7 8 9

for i in range(1, 20): 
    print(i, end =" ") 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

for i in range(0, 30, 3): 
    print(i, end = " ") 

0 3 6 9 12 15 18 21 24 27
Points to remember about Python range() function :

• range() function only works with the integers i.e. whole numbers.
• All argument must be integers. User can not pass a string or float number or any other type in a start, stop and step argument of a range().
• All three arguments can be positive or negative.
• The step value must not be zero. If a step is zero python raises a ValueError exception.
• range() is a type in Python

11/13/2019

1. sklearn.cluster.KMeans
   举个例子：
   （常用：kmeans =KMeans(参数).fit(待聚类矩阵)，kmeans.labels_，kmeans.predict(新数据)）

>>> from sklearn.cluster import KMeans
>>> import numpy as np
>>> X = np.array([[1, 2], [1, 4], [1, 0],
...               [10, 2], [10, 4], [10, 0]])
>>> kmeans = KMeans(n_clusters=2, random_state=0).fit(X)
>>> kmeans.labels_
array([1, 1, 1, 0, 0, 0], dtype=int32)
>>> kmeans.predict([[0, 0], [12, 3]])
array([1, 0], dtype=int32)
>>> kmeans.cluster_centers_
array([[10.,  2.],
       [ 1.,  2.]])

2. scipy.signal.stft 和 scipy.signal.istft
   f, t, Zxx =scipy.signal.stft(x,
   　　　　　　　　　　　fs=1.0,
   　　　　　　　　　　　window=‘hann’,
   　　　　　　　　　　　nperseg=256,
   　　　　　　　　　　　noverlap=None,
   　　　　　　　　　　　nfft=None,
   　　　　　　　　　　　detrend=False,
   　　　　　　　　　　　return_onesided=True,
   　　　　　　　　　　　boundary=‘zeros’,
   　　　　　　　　　　　padded=True,
   　　　　　　　　　　　axis=-1)　
   _, xrec =scipy.signal.istft(Zxx,
   　　　　　　　　　　　fs=1.0,
   　　　　　　　　　　　window=‘hann’,
   　　　　　　　　　　　nperseg=None,
   　　　　　　　　　　　noverlap=None,
   　　　　　　　　　　　nfft=None,
   　　　　　　　　　　　input_onesided=True,
   　　　　　　　　　　　boundary=True,
   　　　　　　　　　　　time_axis=-1,
   　　　　　　　　　　　freq_axis=-2)

11/14/2019

1. 实例变量

import sys, os
sys.path.append(os.pardir)
import numpy as np
from common.functions import softmax, cross_entropy_error
from common.gradient import numerical_gradient
class simpleNet:
	def __init__(self):
		self.W = np.random.randn(2,3) # 用高斯分布进行初始化，实例变量
	def predict(self, x):　　#方法
		return np.dot(x, self.W)
	def loss(self, x, t):　　#方法
		z = self.predict(x)
		y = softmax(z)
		loss = cross_entropy_error(y, t)
		return loss

simpleNet 类只有一个实例变量，即形状为 2×3的权重参数。
它有两个方法，一个是用于预测的 predict(x)，另一个是用于求损失函数值的loss(x,t)。
２．lambda 表示法

def f(W):
　　return net.loss(x, t)

等效于

f = lambda w: net.loss(x, t)

3/5/2020

1. from collections import OrderedDict
   有序词典，记住录入顺序
   链接: https://www.geeksforgeeks.org/ordereddict-in-python/.

3/10/2020

1. batch_mask = np.random.choice(60000, 100)
   batch_mask =
   [2321
   16513
   53483
   17967
   51094
   56652
   53591
   54286
   ]
   从 0~60000-1中随机抽出100个数