Python基本功1/20 2019.04.11

Python基本功1/20 2019.04.11

一、模型的保存及本地调用

1）、模型保存到本地

from sklearn.externals import joblib
model.fit(X, y)
model.fit(train_X,train_y)
joblib.dump(clf,"train_model.m")    #通过joblib的dump可以将模型保存到本地，下次可直接调用

2）、模型从本地调回

RL.model = joblib.load("train_model.m")

通过joblib的load方法，加载保存的模型。然后就可以在测试集上测试了。

RL.model .predit(test_X)      #此处test_X为特征集，用导入的模型做预测

注明：保存的模型就直接携带了模型的参数取值。

二、 lambda、map、apply等函数的区别

np.where()
lambda:
map()
apply()
NaN,None,Null的区别

需要提供关于apply()、applymap()、apply()使用的例子，明天提供

apply() 和applymap()是DataFrame数据类型的函数，map()是Series数据类型的函数。

apply()的操作对象DataFrame的一列或者一行数据， applymap()是element-wise的，作用于每个DataFrame的每个数据。 map()也是element-wise的，对Series中的每个数据调用一次函数。

总结是apply 用在dataframe上，用于对row或者column进行计算；
applymap 用于dataframe上，是元素级别的操作；
map（其实是python自带的）用于series上，是元素级别的操作。

三、loc()、iloc() 、ix() 三个函数的区别，需提供例子。明天搞懂

loc() # 通过行的索引来定位的；个人觉得通过行索引以及列索引的用法比较多。
iloc() # 通过行数来定位的； iloc() 索引的是第几行，或者第几列。通过行数、列数来定位，所以索引必须是数字。
ix() # 以上两种情况都可以。 ix()函数，pandas慢慢的比较少用了，主要提倡使用loc()、iloc()。
这三个函数理论上都可以用来索引你所要切片的任何行和列。

pandas.DataFrame.iloc

DataFrame.iloc

纯粹的基于整数位置的索引，用于按位置进行选择。
.iloc[]是基于主要的整数位置（从0到 length-1所述轴的），但也可以用布尔阵列使用。
允许的输入是：
*
一个整数，例如5。
*
整数列表或数组，例如。[4, 3, 0]
*
带有整数的切片对象，例如1:7。
*
一个布尔数组。
*
一个callable带有一个参数（调用Series，DataFrame或Panel）的函数，并返回索引的有效输出（上述之一）

pandas.DataFrame.loc

DataFrame.loc

纯粹的基于标签位置的索引器供标签选择。
.loc[] 主要是基于标签的，但也可以与布尔数组一起使用。
允许的输入是：
*
一个单一的标签，例如，5或’a’（这一点，5被解释为标签的索引的，并永远不会沿着索引的整数位置）。
*
标签的列表或数组，例如。[‘a’, ‘b’, ‘c’]
*
带有标签的切片对象，例如’a’:‘f’（注意，与通常的python切片相反，包括开始和停止）。
*
一个布尔数组。
*
一个callable带有一个参数（调用Series，DataFrame或Panel）的函数，并返回索引的有效输出（上述之一）

pandas.Series.ix

Series.ix

基于标签位置的索引器，整数位置回退。
.ix[]支持混合整数和基于标签的访问。它主要是基于标签的，但会回落到整数位置访问，除非对应的轴是整数类型。
.ix是最常见的索引，并将支持任何输入的.loc和.iloc。.ix也支持浮点标签方案。.ix在处理基于混合位置和标签的层次索引时非常有用。
但是，如果轴是基于整数的，则仅支持基于标签的访问而不支持位置访问。因此，在这种情况下，通常更好的是明确和使用.iloc或.loc。