python svm 拟合后predict结果_Python数据分析、挖掘常用工具

Python语言：

简要概括一下Python语言在数据分析、挖掘场景中常用特性： 1、列表（可以被修改），元组（不可以被修改） 2、字典（<k,v>结构） 3、集合（同数学概念上的集合） 4、函数式编程（主要由lambda()、map()、reduce()、filter()构成）

Python数据分析常用库：

Python数据挖掘相关扩展库

NumPy

提供真正的数组，相比Python内置列表来说速度更快，NumPy也是Scipy、Matplotlib、Pandas等库的依赖库，内置函数处理数据速度是C语言级别的，因此使用中应尽量使用内置函数。 示例：NumPy基本操作

import numpy as np  # 一般以np为别名
​
a = np.array([2, 0, 1, 5])
print(a)
print(a[:3])
print(a.min())
a.sort()  # a被覆盖
print(a)
b = np.array([[1, 2, 3], [4, 5, 6]])
print(b*b)

输出：

[2 0 1 5]
[2 0 1]
0
[0 1 2 5]
[[ 1  4  9]
 [16 25 36]]

Scipy

NumPy和Scipy让Python有了MATLAB味道。Scipy依赖于NumPy，NumPy提供了多维数组功能，但只是一般的数组并不是矩阵。比如两个数组相乘时，只是对应元素相乘。Scipy提供了真正的矩阵，以及大量基于矩阵运算的对象与函数。

Scipy包含功能有最优化、线性代数、积分、插值、拟合、特殊函数、快速傅里叶变换、信号处理、图像处理、常微分方程求解等常用计算。 示例：Scipy求解非线性方程组和数值积分

# 求解方程组
from scipy.optimize import fsolve
​
def f(x):
    x1 = x[0]
    x2 = x[1]
    return [2 * x1 - x2 ** 2 - 1, x1 ** 2 - x2 - 2]
​
​
result = fsolve(f, [1, 1])
print(result)
​
# 积分
from scipy import integrate
​
def g(x):  # 定义被积函数
    return (1 - x ** 2) ** 0.5
​
pi_2, err = integrate.quad(g, -1, 1)  # 输出积分结果和误差
print(pi_2 * 2, err)

输出：

[ 1.91963957  1.68501606]
3.141592653589797 1.0002356720661965e-09

Matplotlib

Python中著名的绘图库，主要用于二维绘图，也可以进行简单的三维绘图。

示例：Matplotlib绘图基本操作

import matplotlib.pyplot as plt
import numpy as np
​
x = np.linspace(0, 10, 10000)  # 自变量x，10000为点的个数
y = np.sin(x) + 1  # 因变量y
z = np.cos(x ** 2) &#