Numpy组队学习（下）--2

最新推荐文章于 2022-09-17 17:11:56 发布
最新推荐文章于 2022-09-17 17:11:56 发布
阅读量62 收藏
点赞数
分类专栏： 笔记 文章标签： python numpy
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_41577592/article/details/110116408
版权

Numpy组队学习（下）--随机抽样

知识点

随机抽样

离散型随机变量

  • 二项分布binom.pmf(k) = choose(n, k) pk (1-p)(n-k)
numpy.random.binomial(n, p, size=None)
  • 泊松分布poisson.pmf(k) = exp(-lam) lam*k / k!
numpy.random.poisson(lam=1.0, size=None)
  • 超几何分布
numpy.random.hypergeometric(ngood, nbad, nsample, size=None)

连续型随机变量

  • 均匀分布
numpy.random.uniform(low=0.0, high=1.0, size=None)
  • 正态分布
numpy.random.randn(d0, d1, ..., dn)
  • 指数分布
numpy.random.exponential(scale=1.0, size=None)

其它随机函数

  • 随机从序列中获取元素
numpy.random.choice(a, size=None, replace=True, p=None)
  • 对数据集进行洗牌操作
numpy.random.shuffle(x)

参考datawhale

cold_ember
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
numpy练习（2）
朝时的博客
04-25 579
06_向量.py from numpy import * import numpy as np # （1）数组(行向量) # 创建及基本运算； x1 = np.array([1, 2, 3, 4, 5]) x2 = np.array([5, 4, 3, 2, 1]) print("x1:", x1, "\nx2:", x2) print("x1 * 5 + 2 =:", x1 * 5 + 2...
Numpy学习-(2)
weixin_42666632的博客
04-12 90
我学习numpy过程的记录 1. 切片和索引 （1） 两种切片方式示例： (2) 多维数组： import numpy as np a = np.array([[1,2,3],[3,4,5],[4,5,6]]) print(a) # 从某个索引处开始切割 print('从数组索引 a[1:] 处开始切割') print(a[1:]) print (a[...,1]) # 第2列元素 p...
Numpy组队学习下 - 统计相关
patricstarcool的博客
11-27 126
统计相关 次序统计 计算最小值 numpy.amin(a[, axis=None, out=None, keepdims=np._NoValue, initial=np._NoValue, where=np._NoValue])Return the minimum of an array or minimum along an axis. 【例】计算最小值 import numpy as np x = np.array([[11, 12, 13, 14, 15], [16,
Numpy组队学习下-随机抽样
patricstarcool的博客
11-24 143
随机抽样 numpy.random 模块对 Python 内置的 random 进行了补充，增加了一些用于高效生成多种概率分布的样本值的函数，如正态分布、泊松分布等。 numpy.random.seed(seed=None) Seed the generator. seed()用于指定随机数生成时所用算法开始的整数值，如果使用相同的seed()值，则每次生成的随机数都相同，如果不设置这个值，则系统根据时间来自己选择这个值，此时每次生成的随机数因时间差异而不同。 在对数据进行预处理时，经常加入新的操作或改变
DataWale_numpy组队学习下-输入和输出
Demonwolfe的博客
11-23 178
DataWale_numpy组队学习下-输入和输出numpy 二进制文件文本文件 #numpy输入输出 平常对于数据的输入输出用pandas多一些，这一次接触numpy的输入输出另有收获。 numpy 二进制文件 numpy可以用于保存为二进制的文件，在平常的工作中，在进行深度学习模型训练的过程中，我有使用过numpy保存相应的中间数据，但是当时只用到了save()。通过本部分的学习了解到了可以使用save(), savez()保存不同的数据。 save() , 多用于保存单个数组，保存的格式为.npy i
[组队学习---机器学习]逻辑回归
qq_35154293的博客
08-19 178
这里写自定义目录标题逻辑回归问题新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 逻辑回归 逻辑回归模型其实是一个分类器，主要用于二分类问题。对于二分类问题，现在需要一个函数输出0或1来代表两个类，即单位阶跃函数，但是它在从
【Task02】Numpy组队学习—随机抽样
Dylan的博客
11-25 720
【Task01】Numpy组队学习—随机抽样 随机抽样 numpy.random 模块对 Python 内置的 random 进行了补充，增加了一些用于高效生成多种概率分布的样本值的函数，如正态分布、泊松分布等。 numpy.random.seed(seed=None) Seed the generator. seed()用于指定随机数生成时所用算法开始的整数值，如果使用相同的seed()值，则每次生成的随机数都相同，如果不设置这个值，则系统根据时间来自己选择这个值，此时每次生成的随机数因时间差异而不同。
组队学习-pandas数据处理与分析-第2章
luoji29的博客
08-23 493
练一练请将上面代码中的index=False删除或设定index=True，对比结果有何差异。在上面的df中，如果data字典中'col_0'键对应的不是列表，而是1个索引与df中索引相同的Series，此时会发生什么？如果它的索引和df的索引不一致，又会发生什么？df['col_0']和df[['col_0']]二者得到的结果类型有什么区别？给定一个DataFrame，请构造其转置且不得使用“.T”。
组队学习-动手学数据分析-第二章第2、3节
luoji29的博客
09-17 127
写入代码 df [ 'Age2' ] = pd . cut(df [ 'Age' ] , [ 0 , 5 , 15 , 30 , 50 , 80 ]) chrs = df . groupby('Age2') [ 'Survived' ] . sum() chrsAge2(0, 5] 44(5, 15] 39# 写入代码 chrs . idxmax()
DataWhale 9月组队学习-动手学数据分析 task2_学习记录
weixin_46960109的博客
09-20 285
数据清洗及特征处理 通常原数据都是不干净的，可能存在异常值，缺失值以及其他问题。所以一般进行数据分析之前都需要先对数据进行清洗。 读个文件先 #加载所需的库 import numpy as np import pandas as pd #加载数据train.csv df = pd.read_csv('train.csv') 缺失值观察与处理 缺失值，可能是人为失误或者机器失误造成部分数据值的空缺，如果不对这些空缺的地方进行操作，极大可能会影响我们后续分析或建模得到的结果。 首先是观察缺失值，观察缺失值的
基于图神经网络的图表征学习方法
weixin_41577592的博客
07-05 917
@TOC基于图神经网络的图表征学习方法 以图同构网络(Graph Isomorphism Network, GIN)为例学习基于图神经网络的图表征学习。图表征学习要求根据节点属性、边和边的属性（如果有的话）生成一个向量作为图的表征，基于图表征我们可以做图的预测。 #基于图同构网络（GIN）的图表征网络的实现 计算得到节点表征； 对图上各个节点的表征做图池化（Graph Pooling），或称为图读出（Graph Readout），得到图的表征（Graph Representation）。 ##基于图同
CV实践--语义分割3
weixin_41577592的博客
02-26 637
语义分割模型发展FCNFCN原理及结构训练过程SegNetUnetDeepLabRefineNetPSPNet基于全卷积的 GAN 语义分割模型 FCN FCN原理及结构 FCN 首先将一幅 RGB 图像输入到卷积神经网络后，经过多次卷积以及池化过程得到一系列的特征图，然后利用反卷积层对最后一个卷积层得到的特征图进行上采样，使得上采样后特征图与原图像的大小一样，从而实现对特征图上的每个像素值进行预测的同时保留其在原图像中的空间位置信息，最后对上采样特征图进行逐像素分类，逐个像素计算 softmax 分类损
消息传递图神经网络
weixin_41577592的博客
06-19 402
@[TOC]（消息传递图神经网络） 消息传递范式 最右图为消息传递范式 Pytorch Geometric(PyG)中的MessagePassing基类 它封装了“消息传递”的运行流程。通过继承MessagePassing基类，可以方便地构造消息传递图神经网络。 MessagePassing子类实例 GCNConv的数学定义为 xi(k)=∑j∈N(i)∪{i}1deg⁡(i)⋅deg⁡(j)⋅(Θ⋅xj(k−1)), \mathbf{x}_i^{(k)} = \sum_{j \in \mathcal
图神经网络——简单图论与环境配置与PyG库
weixin_41577592的博客
06-16 401
@TOC #图结构数据 ##图的表示 定义一（图）：一个图被记为G={V,E}\mathcal{G}=\{\mathcal{V}, \mathcal{E}\}G={V,E}，其中 V={v1,…,vN}\mathcal{V}=\left\{v_{1}, \ldots, v_{N}\right\}V={v1​,…,vN​}是数量为N=∣V∣N=|\mathcal{V}|N=∣V∣ 的结点的集合， E={e1,…,eM}\mathcal{E}=\left\{e_{1}, \ldots, e_{M}\righ
CV实践--语义分割4
weixin_41577592的博客
03-01 336
评价函数与损失函数TP TN FP FN评价指标Dice 评价指标IOU评价指标BCE 损失函数Focal LossLovász-Softmax TP TN FP FN TP(真正例 true positive) TN(真反例 true negative) FP(假正例 false positive) FN(假反例 false negative) Precision=TPTP+FPPrecision = \frac{TP}{TP+FP}Precision=TP+FPTP​ Recall=TPTP+FN
基于图神经网络的节点表征学习
weixin_41577592的博客
06-23 329
基于图神经网络的节点表征学习Cora数据集介绍MLP和GCN, GAT节点表征学习能力对比准备工作MLP在图节点分类任务中的应用GCN在图节点分类任务中的应用GAT在图节点分类任务中应用结果对比分析 本节中，我们将学习实现多层图神经网络的方法，以及训练图神经网络产生高质量节点表征并实现高准确性节点分类的一般过程。 我们的任务是根据节点的属性(可以是类别型、也可以是数值型)、边的信息、边的属性（如果有的话）、已知的节点预测标签，对未知标签的节点做预测。 Cora数据集介绍 Cora数据集由许多机器学习领
西瓜书第五章拾遗
weixin_41577592的博客
07-25 317
西瓜书第五章拾遗神经网络的神经元模型![在这里插入图片描述](https://img-blog.csdnimg.cn/538de29d4cca4a3c835f3187a9d2fcc0.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTU3NzU5Mg==,size_16,color_FFFFFF,t_70)感知机与多层网络误差逆
集成学习案例一 （幸福感预测）
weixin_41577592的博客
05-18 314
@TOC幸福感预测 #背景介绍 比赛的数据使用的是官方的《中国综合社会调查CGSS）》文件中的调查结果中的数据，其共包含有139个维度的特征，包括个体变量（性别、年龄、地域、职业、健康、婚姻与政治面貌等等）、家庭变量（父母、配偶、子女、家庭资本等等）、社会态度（公平、信用、公共服务）等特征。 #数据信息 赛题要求使用以上 139 维的特征，使用 8000 余组数据进行对于个人幸福感的预测（预测值为1，2，3，4，5，其中1代表幸福感最低，5代表幸福感最高）。 #评价指标 最终的评价指标为均方误差MSE，即：
西瓜书第四章拾遗
weixin_41577592的博客
07-22 284
西瓜书第四章拾遗决策树基本流程划分选择信息增益增益率基尼系数剪枝处理预剪枝连续与缺失值连续值处理 决策树基本流程 划分选择 信息增益 增益率 基尼系数 剪枝处理 预剪枝 预剪枝：是指在决策树生成过程中，对每个结点在划分前先进行估计，若当前结点的划分不能带来决策树泛化性能提升， 停止划分并将当前结点标记为叶结点。 后剪枝：是先从训练集生成一棵完整的决策树，然后自底向上地对非叶结点进行考察，若将该结点对应的子树替换为叶结点能带来决策树泛化性能提升，则将该子树替换为叶结点。 连续与缺失值 连续值处理 由
numpy 安装报错metadata-generation-failed
最新发布
08-15
2. 使用其他源安装：尝试使用其他源来安装`numpy`，例如使用清华大学开源软件镜像站提供的源。你可以使用以下命令来设置清华源： ``` pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy ``` 这...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值