# -*- coding:utf-8 -*- # import numpy as np #import numpy 和from numpy import *是不一样的 # # # import numpy,如果你使用numpy的属性都需要在前面加上numpy # # # # from numpy import * ,则不需要加入numpy # # # # 后者不建议使用,如果你下次引用和numpy里的函数一样的情况,就会出现命名冲突 # # 举个例子:将列表[1,2,3,4,5,6,7]生成numpy的数组[1 2 3 4 5 6 7] # # # # import numpy # # # # arr = numpy.array([1,2,3,4,5,6,7]) # # # # print(arr) # # # # from numpy import * # # # # arr = array([1,2,3,4,5,6,7]) # # # # print(arr) # # x=np.array([[0,0],[1,1],[2,2]]) #二维数组,从集合的角度看,数组是单聚体,必须用[]套起来 # inX = np.array([0,0]) # #print x[1][1] #二维数组的引用,输出结果是1 # # wide = x.shape[0] # #print wide #输出结果是3,注意shape不是np里的东西,shape表示集合里有多少个元素 # diffMat = np.tile(inX,(wide,1))-x #使用import有个好处是可以查看,直接用np.,这里的函数就出来了 # #print diffMat #输出[[0 0][-1 -1][-2 -2]] # # #tile是创造0数组的,(wide,1)是取最小的那个进行复制,1表示原数 # b=diffMat.sum(axis=1) #把二元数组里的数值相加,并生成一维数组 # #print b #输出 [0 -2 -4] # bb=np.array([1,23,4,32,23,-4,23]) #一维数组标配([]) # c=bb.argsort() #输出[2 1 0],输出的是从小到大的数据的位置 # #print c # labels = ['A','B','C','D','E','F','G'] # for i in range(7): # d=labels[c[i]] #把顺序复制到labels标签里 # #print d #输出F A C B E G D,使用pycharm不会自动打印结果,需要使用print # # import os # #def file2matrix(filename): #最好把自己要打开的文件放在当前pycha环境路径下 a = open('datingTestSet.txt') #python里面的前置空格很重要,要注意,不然容易出bug,特别是前面是for,下面向跳出的时候 arrayOLines = a.readlines() #这个readlines是获得了每行的数据,一般可以通过for/print打印出来 # print arrayOLines numberOfLines = len(arrayOLines) #获得文本有多少行 # print numberOfLines import numpy as np returnMat = np.zeros((numberOfLines,3)) #zeros的函数是(行,列) # print returnMat classLabelVector=[] for line in arrayOLines: line = line.strip() # strip是清理门户用的 # 声明:s为字符串,rm为要删除的字符序列 # s.strip(rm) # 删除s字符串中开头、结尾处,位于 # rm删除序列的字符 # s.lstrip(rm) # 删除s字符串中开头处,位于 # rm删除序列的字符 # s.rstrip(rm) # 删除s字符串中结尾处,位于 # rm删除序列的字符 # 注意: # 1. # 当rm为空时,默认删除空白符(包括 # '\n', '\r', '\t', ' ') # print line listFromLine = line.split('\t') #split是个好函数,split():拆分字符串。通过指定分隔符对字符串进行切片,并返回分割后的字符串列表(list) # print listFromLine returnMat[0,:] = listFromLine[0:3] # print returnMat # classLabelVector.append(int(listFromLine[-1])) #使用append之前要定义一个空的矩阵 # list.append(object) # 向列表中添加一个对象object # list.extend(sequence) # 把一个序列seq的内容添加到列表中 # music_media = ['compact disc', '8-track tape', 'long playing record'] # new_media = ['DVD Audio disc', 'Super Audio CD'] # music_media.append(new_media) # print music_media # >> > ['compact disc', '8-track tape', 'long playing record', ['DVD Audio disc', 'Super Audio CD']] # 使用append的时候,是将new_media看作一个对象,整体打包添加到music_media对象中。 from numpy import * def autoNorm(dataSet): minVals = dataSet.min(0) maxVals = dataSet.max(0) ranges = maxVals - minVals normDataSet = zeros(shape(dataSet)) #创建新的返回矩阵 m = dataSet.shape[0] #得到数据集的行数 shape方法用来得到矩阵或数组的维数 normDataSet = dataSet - tile(minVals,(m,1)) #tile:numpy中的函数。tile将原来的一个数组minVals,扩充成了m行1列的数组 normDataSet = normDataSet/tile(ranges,(m,1)) return normDataSet,ranges,minVals # # def autoNorm(dataSet): # # 将每列的最小值放在minVals中 # minVals = dataSet.min(0) # # 将每列的最大值放在maxVals中 # maxVals = dataSet.max(0) # # 计算可能的取值范围 # ranges = maxVals - minVals # # 创建新的返回矩阵 # normDataSet = zeros(shape(dataSet)) # # 得到数据集的行数 shape方法用来得到矩阵或数组的维数 # m = dataSet.shape[0] # # tile:numpy中的函数。tile将原来的一个数组minVals,扩充成了m行1列的数组 # # 矩阵中所有的值减去最小值 # normDataSet = dataSet - tile(minVals, (m, 1)) # # 矩阵中所有的值除以最大取值范围进行归一化 # normDataSet = normDataSet / tile(ranges, (m, 1)) # # 返回归一矩阵 取值范围 和最小值 # return normDataSet, ranges, minVals def datingClassTest(): hoRatio = 0.10