python基础知识 查漏补缺

0、改变工作路径
os包
第10条

1、函数中的参数是形参，如果调用是不写关键字，默认按顺序把参数放进去。如果写了关键字，可以调换。函数中如果有return，才能赋值 a＝func_（）
2、python 循环变量不需要加end，因为python代码前面的空格相当于循环体
3、条件分支，条件最好互斥。否则，那个条件先满足，执行那个条件，后面条件不满足
if condition1:
print(‘1’)
elif condition 2:
print(‘2’)
4、文档字符串 help（func_）可以打印文档说明的字符串’’‘注释’’’

Def func_（）:
	"'注释"'
	Pass

5、文件异常处理

#python异常处理
#使用try-except语句，加入try出现了异常，则执行except下面语句

try:
	print '1' 
except NameError:
	print '2'

NameError是异常类型，可以在python报错信息中找到’

6、 python 画图

7、numpy库

• np包计算远比python平台下math包计算速度快，多元回归使用numpy包最快，其他调用也可以，但是速度不够快。尤其是调参。
• 基于a对象进行函数计算得到的，需要加（）。而对象的属性不加括号（）。a.min()输出数值，a.min不加（）的时候，返回值是一个min函数，不是数值。
• numpy库中函数

a = np.array([1,2,3,4,5])
#a.dtype 查看数据类型
a.Tab键，产看常用函数
a.cumsum() #累计求和
a.prod()#累计乘积
a.min()
#输入矩阵
c = np.array([1,2],[3,4])
c.shape #查看形状
#linespace() 线性一维数组
#logspace() 非线性数组

• range(11)与np.arange(11),np.arange（）函数类似python arange()函数，两者的不同在于后者可以支持非整数的步长。range(0,10,1)/10计算下来的步长是非整数，可以转换得到 np.arange(0,1,0.1)
• np.tan([1,2,3,4])速度非常快，比np下面的math包快

#比较np包与python下的ufunc函数包
import numpy as mp
from time from time
#循环的简化写法
x = [i*0.01 for i in xrange(100000)]
start = time() #记录当前时间
for i,t in enumerate(x): #i，t取x数组的位置和数值，x是一个循环体，使用的是xrange，没有使用np.arange(100000)
 x[i]=math.sin(t)
print(time()-start)

x = [i*0.01 for i in xrange(100000)]
x = np.array(x) #将x转换为数组格式
start = time() #记录当前时间
np.sin(x) #不需要使用循环，np下面直接中向量的形式计算数值
print(time()-start)
print(np.sin(x))

8、y_train=train[‘SeriousDlqin2yrs’].astype(‘uint8’)
再深度学习中，数据量往往很大，所以在保障数据精度的同时还要考虑计算效率，虽然float64比float32有更高的精度，但一个在内存中占分别64和32个bits，也就是4bytes或8bytes.

具体来讲，float64占用的内存是float32的两倍，是float16的4倍；比如对于CIFAR10数据集，如果采用float64来表示，需要60000323238/1024**3=1.4G，光把数据集调入内存就需要1.4G；如果采用float32，只需要0.7G，如果采用float16，只需要0.35G左右；占用内存的多少，会对系统运行效率有严重影响；（因此数据集文件都是采用uint8来存在数据，保持文件最小）

9、ValueError: Unknown label type: ‘continuous’
未对数据进行处理，
会出现数据label错误，ValueError: Unknown label type: ‘continuous’
解决方法： 使用.astype(‘int’) 将label转换为int型
knn_class.fit(x_train, y_train.astype(‘int’))

10、