python杂项记录——numpy/语法语句/sklearn/matplotlib/tkinter/keras

---

一、 numpy库

1.1 建立列表——np.array()

tips:

1. np.arrary(),用[]对列表初始化
2. 用嵌套的[]层数区分几维列表，每嵌套一对[]则增加一个新的维度，二维数组，三维张量

import numpy as np
array_1=np.array([1,2,3])#一维

array_2 = np.array([
        [1, 1,1],
        [1, 2,3]
    ])#二维
    
array_3 = np.array([
        [[1, 1,1],
        [1, 2,3]],
        [[2, 2,2],
        [1, 2,3]]
    ])#三维

1.2 读取数组长度——np.shape()

tips:

1. 数组变量名.shape无参：显示数组形状，如二维显示（行数，列数），其中行数是第一维度的长度
2. np.shape(数组变量名)：显示数组形状
3. 数组变量名.shape[i]：显示第i个维度的长度，维度不一致时，要加参数dtype=object，且不一致的维度没有长度

#接上1.1的程序段
print(array_1.shape);
print(array_1.shape[0]);#第一个维度是3
print("**************");
print(array_2.shape);
print(np.shape(array_2));
print(np.shape(array_2[0]));#读取子数组的形状
print(array_2.shape[0]);#读取维度的长度
print("**************");
print(array_3.shape);
print(array_3.shape[2]);#第3个维度是3

1.3 全零数组——np.zeros()

tips:

1. 返回一个给定形状和类型的用0填充的数组
2. 语法：

img=np.zeros(shape, dtype=float, order=‘C’)

参数名	参数值	含义
shape	( , , , )	给定数组形状
dtype	默认np.float64	数据类型，可选参数
order	c:行优先；f：列优先	优先，可选参数

1.4 数组乘法——np.multiply()、np.dot()和*

1.4.1 np.multiply()

数组和矩阵对应位置相乘，输出与相乘数组/矩阵的大小一致,example:8=2*4

1.4.2 np.dot()

tips:

1. 对于秩为1的数组，执行对应位置相乘，然后再相加,最终得到的是一个数字；
2. 对于秩不为1的二维数组，执行矩阵乘法运算；
3. 乘法运算：np.dot(A,B),用A的行乘以B对应的列再相加，example:7=11+32
   

1.4.3 星号*

对数组执行对应位置相乘
对矩阵执行矩阵乘法运算

1.5 矩阵求和——np.sum()

矩阵内所有元素求和

1.6 数组重组——np.reshape()

1. 语法：
   reshape(nx,ny): 将数据重组成nx行，ny列的数据。
   reshape(-1,ny): 将数据重组成ny列的数据，行数自动计算、自动调整。
   reshape(nx,-1): 将数据重组成nx行的数据，列数自动计算、自动调整。

2. 对于含自动计算的语法，注意要能够整除，保证新矩阵的规整性。
   

1.7 图像边缘填充——np.pad()

tips:

1. 目的/效果：为了避免因为卷积运算导致输出图像缩小和图像边缘信息丢失
2. 方法：在图像四周边缘填充0
3. 语法

img_1= np.pad(img_0, pad_width, mode, **kwargs)

参数名	参数值	效果
img_0		待填充的原图像/数组
pad_width		各维度的各个方向上想要填补的长度
mode		填充的方式
**kwargs		表示填充的值，与pad_width相对应，缺省填充0（?)
mode	‘constant’	连续填充相同的值，每个维度可以分别指定填充值
mode	'edge"	用边缘值填充
mode	‘linear_ramp’	用边缘递减的方式填充
mode	‘maximum’/‘minimum’/‘mean’/‘median’	最大值/最小值/均值/中位数填充
mode	‘reflect’/‘symmetric’	对称填充
mode	‘wrap’	用原数组后面的值填充前面，前面的值填充后面

---

二、 其他内容——语法、语句

2.1 整除——“//"

"//"表示整数除法，它可以返回商的整数部分，向下取整

2.2 if __ name __ == “__ main __”

tips:

1. 作用：程序入口

运行情况	效果
当.py文件被直接运行	if name == 'main’之下的代码块将被运行
当.py文件以模块形式被导入	if name == 'main’之下的代码块不被运行

2. 名词

变 量 名 称	含义
_ _ name _ _	用于表示当前模块的名字
_ _ main _ _	如果一个.py文件（模块）被直接运行时，其__name__值为__main__，即模块名为__main__

2.3 with as 语句

tips:

1. 语法格式：
   括号部分可以使用，也可以省略

with 表达式 [as target]：
    代码块

2. 用法：将表达式的结果保存到target变量中
3. 例子：文件a写入"hello,world!"

with open('D:\\a.txt','w') as f:
    f.write("hello,world!")

---

三、 机器学习模型——sklearn库

3.1 聚类

3.1.1 kmeams模型

tips:

1. 库

from sklearn.cluster import KMeans

2. 语法参数

KMeans(n_clusters= ,max_iter= ,n_init= ,init= ,algorithm= )

参数名	参数值	效果
n_clusters	数字	k值，分类的类别数
max_iter	数字	最大迭代数
n_init	默认是10	用不同的初始化质心运行算法的次数，一般不需要改
init	初始化的k个质心	初始值选择的方式
init	‘random’	随机
init	默认’k-means’
algorithm		算法区别
algorithm	‘auto’	根据数据值是否是稀疏
algorithm	‘full’	传统的K-Means算法
algorithm	‘elkan’	数据是稠密的

---

四、数据视图——matplotlib库

4.1 散点图——plt.scatter()

tips:

1. 用于生成散点图
2. 语法参数：

plt.sactter(x,y,size,c= ,marker= ,alpha= )

参数名	参数值	含义
x	数据	横轴数据
y	数据	纵轴数据
size	数字，默认20	散点的大小
c	‘b’=blue /‘c’=cyan/‘g’=green/‘k’=black/‘r’=red/‘w’=wirte/‘y’=yellow	色彩或颜色序列
marker	默认’o’	标记的样式
alpha	0-1之间	散点透明度

4.2 创建绘图区域/画布——plt.figure()

tips:

1. 作用：和plt.subplot()一起用，用于创建一个显示多图像的画布。
2. 语法参数：

plt.figure(num= ,figsize= ,dpi= ,facecolor= ,edgecolor= ，frameon= )

参数名	参数值	作用
num		图像编号或名称，数字为编号 ，字符串为名称，不指定调用figure时就会默认从1开始
figsize		指定figure的宽和高，单位为英寸
dpi		参数指定绘图对象的分辨率，即每英寸多少个像素
facecolor		背景颜色
edgecolor		边框颜色
frameon	‘y’/‘n’	是否显示边框

4.3 创建单个子图——plt.subplot()

tips:

1. subplot可以将figure划分为n个子图，但每条subplot命令只会创建一个子图 。使用for 循环绘制多个子图。
   example:两行三列
   

2. 语法参数：

plt.subplot(nrows,ncols,sharex,sharey)

参数名	参数值	含义
nrows	数字	将画布划分成 i 行
ncols	数字	将画布划分成 j 列
indx		对子图编号

4.4 图像刻度——plt.ticks()

tips:

1. plt.xticks() 是x 轴刻度，plt.yticks() 是y 轴刻度
2. plt.xticks([]) 是不显示x 轴的刻度； plt.yticks([]) 是不显示y 轴的刻度
3. plt.xticks(np.arange(3)) 就将生成的最后一个图的横坐标设置为只有0、1和2三个刻度
4. examplre:横轴无刻度，数轴四个刻度
   

4.5 刻度标题——plt.label()

tips:

1. plt.xlabel() 是x 轴标题，plt.ylabel() 是y 轴标题
2. 效果：
   

4.6 绘制网格——plt.grid()

tips:

1. 语法：

plt.grid()

2. 效果：
   

---

五、图形用户界面GUI——tkinter库

原帖：https://www.jianshu.com/p/91844c5bca78，仅作常用内容整理

5.1 窗体

tips:

1. 导入库：from tkinter import *
2. 初始化窗体:Tk()
3. 窗体标题：title(‘标题’)
4. 窗体大小：geometry('长x宽‘)
5. 在显示屏上显示窗体，窗体进入等待事件响应状态：mainloop()

from tkinter import *
root= Tk()
root.title('hello world')
root.geometry('240x240') # 这里的乘号不是 * ，而是小写英文字母 x
root.mainloop()

5.2 控件

5.2.1 控件共同属性

5.2.2 控件布局.像素坐标——place()

注：有pack()、grid()、place()三种，仅整理place()和pack()
tips：

1. 控件变量名.pace()用于设置该控件的位置信息
2. 根窗体左上角为(0,0),水平向右，垂直向下为正方向;x是水平方向，y是垂直方向。
3. 语法参数：相对数值(relative)和绝对数值只要有一类，能表明长宽和位置信息就可以

message_01.pace(x= ,y= ,relx= ,rely= ,height= ,width= ,relheight= ,relwidth= )

参数名	参数值	含义
x,y		起始位置的像素坐标
relx,rely	在0-1之间	起始位置，相对于窗体的宽高比例，相对的位置
height,width		控件本身的像素高度和像素宽度
relheight,relwidth	在0-1之间	控件本身相对于根窗体的高度和宽度

5.2.3 控件布局.简单最小——pack()

注：有pack()、grid()、place()三种，仅整理place()和pack()
tips：

1. 不加参数的.pack()：按布局语句的先后，以最小占用空间的方式自上而下地排列控件实例，并且保持控件本身的最小尺寸。
2. 加参数的.pack(fill=’ ‘,side’ ')：

参数名	参数值	含义
fill		填充
fill	‘X’	水平方向填充
fill	‘Y’	垂直方向填充
fill	‘BOTH’	二维伸展填充
side		本控件实例的布局相对于下一个控件实例的方位
side	‘TOP’/‘RIGHT’/‘LEFT’/‘RIGHT’/‘BOTTOM’

examples:

5.2.4 标签和消息——Label/Message

tips:

1. 功能：用于呈现文本信息
2. 区别：单行与多行
3. 动态更新文本方法：
   1）使用configure()
   先定义一个控件实例label_1，再通过调用以下函数修改文本信息。

label_1 = tk.Label(root,text='old',fg='blue',font=("黑体",80))
label_1.pack()
#当需要修改Lb内容时，调用以下语句
label_1.configure(text='new')

2）使用内部变量svar=tk.StringVar()
先定义一个内部变量svar，在初始化Label时赋值给Label的参数textvarible，再通过svar.set()修改svar，来修改Label内的文本内容

svar=tkinter.StringVar()
svar.get('old')
label_2= tk.Label(root,textvariable=svar,fg='blue',font=("黑体",80))
label_2.pack()
#当需要修改Lb内容时，调用以下语句
svar.set('new')   # 获取当前时间

example:

5.2.5 文本框——Text

区别：entry是接收单行文本输入的控件
tips:

1. 初始化：txt_1=Text(窗体变量名)
2. 函数：
   位置参数可取整数、浮点数或END(末尾)
   
3. example：

from tkinter import *
import time
import datetime

def gettime():
       s=str(datetime.datetime.now())+'\n'#读取时间
       txt.insert(END,s)#后缀增加
       root.after(1000,gettime)  # 每隔1s调用函数 gettime 自身获取时间

root=Tk()
root.geometry('320x240')
txt=Text(root)#在root窗口中生成txt文本
txt.pack()#文本框位置
gettime()
root.mainloop()

5.2.6 输入框——Entry

tips:

1. 初始化：ent_1=Entry(窗体变量名)
2. 函数：
   位置参数可取整数、浮点数或END(末尾)

函数	用途
get()	取值
delete(其实位置，终止位置）	删除

5.2.7 按钮框——Button

tips:

1. 主体初始化：

button_1=tk.Button(窗体名,text=' ',command=  )

参数名	参数值	含义
text		按钮内的文字
command		触发按钮需要执行的功能函数名

**
关于command:
1）直接调用函数：表达式为“command=函数名”，函数名后面不加括号，也不能传递参数。
2）调用参数：表达式为“command=lambda:函数名（参数列表）”，其中参数列表使用.get()的形式
3）examples:

from tkinter import *

def run1():
     a = float(inp1.get())
     b = float(inp2.get())
     s = '%0.2f+%0.2f=%0.2f\n' % (a, b, a + b)
     txt.insert(END, s)   # 追加显示运算结果
     inp1.delete(0, END)  # 清空输入
     inp2.delete(0, END)  # 清空输入

def run2(x, y):
     a = float(x)
     b = float(y)
     s = '%0.2f+%0.2f=%0.2f\n' % (a, b, a + b)
     txt.insert(END, s)   # 追加显示运算结果
     inp1.delete(0, END)  # 清空输入
     inp2.delete(0, END)  # 清空输入

# 方法-直接调用 run1()
btn1 = Button(root, text='方法一', command=run1)
btn1.place(relx=0.1, rely=0.4, relwidth=0.3, relheight=0.1)

# 方法二利用 lambda 传参数调用run2()
btn2 = Button(root, text='方法二', command=lambda: run2(inp1.get(), inp2.get()))
btn2.place(relx=0.6, rely=0.4, relwidth=0.3, relheight=0.1)

**

2. 修改按钮变量
   可用修改按钮上的文字、对按钮的状态重新赋值

 Button1.configure(text=' ', state=' ') 

参数名	参数值	含义
text		按钮内的文字
state	‘normal’/‘active’/disabled’	按钮功能状态

5.2.8 单选按钮——Radiobutton

tips:

1. 主体初始化：

rd1=Radiobutton(窗体变量名,text=' ',variable= ,value= ,command= )

参数名	参数值	含义
text		按钮内的文字
variable		给该组单选框按钮设置共同变量名，用于读取返回
value		给当前单个单选框按钮编码，设置返回数值
command		触发按钮需要执行的功能函数名

通过“variable中设置的变量名.get()”来获得被选中实列的value值
2. examples:

from tkinter import *
def Mysel():
      dic = {0:'甲',1:'乙',2:'丙'}
      s = "您选了" + dic.get(var.get()) + "项"
      lb.config(text = s)

root = Tk()
root.title('单选按钮')
lb = Label(root)
lb.pack()

var = IntVar()
rd1 = Radiobutton(root,text="甲",variable=var,value=0,command=Mysel)
rd1.pack()

rd2 = Radiobutton(root,text="乙",variable=var,value=1,command=Mysel)
rd2.pack()

rd3 = Radiobutton(root,text="丙",variable=var,value=2,command=Mysel)
rd3.pack()

root.mainloop()

5.2.9 文件选择对话框——tkinter.filedialog包

tips:

1. 功能：弹出文件选择对话框，让用户直观地选择一个或一组文件，以供进一步的文件操作。
2. 使用：可设置内部变量svar=tk.StringVar()用于保存地址，一般与button连用，设置一个"打开文件夹“的按钮，在command对应的函数中添加.askopenfilename

svar= tk.StringVar()#保存地址变量
filename = tk.filedialog.askopenfilename() #弹出文件选择对话框
svar.set(filename)#保存地址

---

六、神经网络模型——keras库

6.1 预处理：类别转换成one-hot编码——tf.keras.utils.to_categorical()

tips：

1. one-hot编码（独热编码/一位有效编码）：使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。
2. examples:对四位编码
   
3. 语法参数：

tf.keras.utils.to_categorical(
    y,
    num_classes=None
)

参数名	参数值	含义
y		待编码数据
num_classes		标签类别总数

4. 应用——对于数据预处理：标签转换+图像统一
   补充：数据类型转化函数——astype()
   example:

# 数据预处理
import tensorflow as tf
#将标签向量换成one-hot编码
num_classes = 10  
y_train = tf.keras.utils.to_categorical(y_train, num_classes)
y_test = tf.keras.utils.to_categorical(y_test, num_classes)
print(y_train.shape, 'ytrain')
# 图像数据统一并缩小
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255

6.2 Sequential模型

6.2.1 导入库并建立模型

在anaconda下的jupyter中安装tensorflow方法链接

from keras.models import Sequential
from keras.layers import Dense, Activation,Conv2D,MaxPooling2D,Flatten,Dropout
from tensorflow import optimizers
#建立模型
model = tf.keras.Sequential()

6.2.2 添加图层（layers)进入模型

**只记录常用的主要参数，参数表并不全**

1、二维卷积层Conv2D

tips:

1. 功能：动态地提取图像特征，由滤波器filters和激活函数构成。
2. 特点：局部连接（稀疏连接）和权值共享；
   1)局部连接：卷积层的节点仅仅和其前一层的部分节点相连接，只用来学习局部区域特征；
   2)权值共享： 卷积核上面的权重参数是空间共享的；
3. 语法参数：
   一般要设置的超参数包括卷积核大小、步长，激活函数类型，填充类型

model.add(Conv2D(kernel_size,strides=( , ),padding=' '))

参数名	参数值	含义
kernel_size	(x,y) or 数字	卷积核的大小，如果是方阵可以直接写成一个数
strides	(x,y)	控制卷积在x、y方向上的步长，,默认是卷积核尺寸
padding		边缘填充，默认是不填充
padding	‘same’	通过kernel_size 缩小了维度，但是四周会填充 0，保持原先的维度
padding	’valid’	存储不为 0 的有效信息

2、激活层Activation

tips:
1、功能：对一个层的输出施加激活函数。
2、语法参数：

model.add(Activation(activation=' '))

参数名	参数值	含义
activation		激活函数
activation	‘relu’	常用激活函数
activation	‘softmax’	常用激活函数
activation	‘Sigmoid’	常用激活函数
activation	‘Tanh’	常用激活函数

3、 最大池化层MaxPooling2D

tips:

1. 功能： 对提取到的特征信息进行降维。
2. 目的：
   1)使特征图变小，简化网络计算复杂度；
   2)特征压缩，提取主要特征，增加平移不变性，减少过拟合风险。
3. 语法参数：

model.add(MaxPooling2D(pool_size=(2, 2), strides=None, padding='valid'))

参数名	参数值	含义
pool_size	(x,y)，默认是（2，2）	池化核的尺寸
strides	(x,y)	控制在x、y方向上的步长,默认是池化核尺寸
padding		边缘填充，默认是不填充
padding	‘same’	通过kernel_size 缩小了维度，但是四周会填充 0，保持原先的维度
padding	’valid’	存储不为 0 的有效信息

4、 展平层Flatten

tips：

1. 功能：将输入层的数据压成一维的数据
2. 位置：卷积池化层和全连接层之间。因为全连接层只能接收一维数据，而卷积层可以处理二维数据
3. 语法参数：

model.add(Flatten())

5、 全连接层Dense

tips:

1. 功能：处理“压缩的图像信息”并输出结果
2. 位置：在经过数次卷积和池化之后，先对结果进行展平，再输入全连接层
3. 语法参数：

model.add(Dense(units=' ', activation=' ',input_shape=' '))

参数名	参数值	含义
units		指定该网络层中的神经元个数
activation		激活函数，默认None，如果不是 None，则会应用于输出
activation	‘relu’	常用激活函数
activation	‘softmax’	常用激活函数
activation	‘Sigmoid’	常用激活函数
activation	‘Tanh’	常用激活函数
input_shape		输入数据的形状，全连接层的第一层必须指明

6、 输出层Dropout

tips:

1. 功能：dropout正则化，以按照一定频率，随机地将输入的中的一些节点数值设置为0，可以防止过拟合
   2.没有需要学习的参数，只在训练过程中其作用
   3.语法参数：

model.add(Dropout(rate,seed=None))

参数名	参数值	含义
rate	0-1之间	每个元素以rate的概率丢弃，也就是变成了0，在训练和预测时都生效（？）
seed		随机种子

6.2.3 选择优化器和指定损失函数

model.compile(loss=' ', optimizer=' ', metrics=' ')

参数名	参数值	含义
loss		损失函数
loss	’mse’	均方差损失函数
loss	‘categorical_crossentropy’/'spare_categorical_crossentropy	多分类交叉熵损失函数（当使用one-hot编码时用前一个）
loss	’binary_crossentropy’	二分类交叉熵损失函数（与激活函数 Sigmoid 搭配使用）
optimizer		优化器
optimizer	‘sgd’	优化器
optimizer	‘adagrad’	优化器
optimizer	‘adadelta’	优化器
optimizer	‘adam’	优化器
metrics		训练模型时的评价指标
metrics	‘accuracy’
metrics	‘binary_accuracy’	二分类
metrics	‘categorical_accuracy’	多分类

6.2.4 训练模型

model.fit(x_train, y_train, batch_size= , epochs=10,shuffle= ,validation_data=(x_val, y_val))

参数名	参数值	含义
x_train, y_train		训练数据
batch_size	数字	批量大小
epochs	数字	迭代次数
shuffle	’true’/‘false’	每轮训练前是否打乱数据
validation_data	(测试集的输入特征，测试集的标签)	划分测试集数据，与validation_split二选一
validation_split	0-1之间的小数	划分测试集数据，与validation_data二选一，测试集于训练集的比例
validation_freq	默认为1	测试频率，每隔多少轮训练并使用测试集计算和输出一次评测指标
verbose		控制输出信息显示的方式
verbose	0	不在标准输出流输出
verbose	1	输出进度条记录
verbose	2	每个epoch输出一行记录

6.2.5 评估模型

score = model.evaluate(x_test，y_test，batch_size = 32)

6.2.6 使用模型

model.predict(x, batch_size, verbose)