python杂记

python杂记

1.enumerate() 函数

enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标，一般用在 for 循环当中
语法
以下是 enumerate() 方法的语法:
enumerate(sequence, [start=0])

参数
sequence – 一个序列、迭代器或其他支持迭代对象。
start – 下标起始位置。
返回值
返回 enumerate(枚举) 对象。

实例
以下展示了使用 enumerate() 方法的实例：

>>>seasons = ['Spring', 'Summer', 'Fall', 'Winter']
>>> list(enumerate(seasons))
[(0, 'Spring'), (1, 'Summer'), (2, 'Fall'), (3, 'Winter')]
>>> list(enumerate(seasons, start=1))       # 下标从 1 开始
[(1, 'Spring'), (2, 'Summer'), (3, 'Fall'), (4, 'Winter')]

普通的 for 循环

>>>i = 0
>>> seq = ['one', 'two', 'three']
>>> for element in seq:
...     print i, seq[i]
...     i +=1
... 
0 one
1 two
2 three

for 循环使用 enumerate

```cpp
>>>seq = ['one', 'two', 'three']
>>> for i, element in enumerate(seq):
...     print i, element
... 
0 one
1 two
2 three

2.求导

求偏导数partial derivative
利用Sympy库

SymPy是一个符号计算的Python库。它的目标是成为一个全功能的计算机代数系统，同时保持代码简洁、易于理解和扩展。它完全由Python写成，不依赖于外部库。

SymPy支持符号计算、高精度计算、模式匹配、绘图、解方程、微积分、组合数学、离散数学、几何学、概率与统计、物理学等方面的功能。

程序代码

>>> from sympy import symbols, diff
>>> x, y = symbols('x y', real=True)
>>> diff( x**2 + y**3, y)
3*y**2
>>> diff( x**2 + y**3, y).subs({x:3, y:1})
3

先将所求变量（x，y）符号化。否则会提示为定义错误：NameError: name ‘y’ is not defined。之后利用diff函数求对应函数偏导数。
求出偏导数之后，若想求具体的值，可利用subs属性进行变量的替换，便可自动求出对应值。

3.一维数组变多维数组

python对数组进行形状变化的代码为 原数组.reshape(新行数，新列数）

首先生成一个一维的数组

import numpy as np
list1=[1,2,3,4,5,6]
array1=np.array(list1)
print(array1)

运行上面的代码得到下面这样的一维数组

然后对数组进行转化，转换成一列的代码如下

array2=array1.reshape（-1,1）
 
array2=array1.reshape（6,1）

这两行代码是等价的，第一行代码用-1代替了6。这两行代码得到的结果都如下

转换成2行3列的数组的代码为

array3=array1.reshape(2,3)

得到结果为

4.Python中求对数方法总结

Python中Math库和Python库都具备求对数的函数。

import numpy as np
import math

1. Numpy库

1.1 求以e、2、10为底的对数
函数 功能
np.log(x) 以e为底的对数(自然对数)
np.log10(x) 以10为底的对数
np.log2(x) 以2为底的对数
np.log1p(x) 等价于：np.log(x + 1)
备注：np.expm1(x) 等价于 np.exp(x) - 1，也是np.log1p(x)的逆运算。

1.2 求以任意数为底的对数
在Numpy中以任意数为底的对数需要用到换底公式：

例如：以3为底，5的对数

代码写出来为：

np.log(5)/np.log(3)

2. Math库

2.1 求以e、2、10为底的对数
与Numpy中的用法完全一样

函数 功能
math.log(x) 以e为底的对数(自然对数)
math.log10(x) 以10为底的对数
math.log2(x) 以2为底的对数
math.log1p(x) 等价于：math.log(x + 1)，用于数据平滑
备注：math.expm1(x) 等价于 math.exp(x) - 1，也是math.log1p(x)的逆运算。

2.2 求以任意数为底的对数
math.log(x, n)
其中n为底数

3. 区别
   为什么有了一个Math库中求对数的方法，还要在Numpy库中内置一模一样的函数？
   原因：
   在math库中，函数的输入x只能为单独一个数。

math.log10(100)
[out]: 2.0

如果输入为一个列表：

math.log10([10, 100])   # 会报错
TypeError: must be real number, not list

在Numpy库中，函数的输入x不仅可以为单独一个数，还可以是一个列表，一个Numpy数组。

np.log10([10, 100])
[out]:
array([1., 2.])
 
np.log10([[10, 100], [1000, 10000]])
[out]:
array([[1., 2.],[3., 4.]])

其结果为Numpy数组。也就是说Numpy中的函数不需要循环就可以实现每个元素的批量处理。

5.train_test_split

是交叉验证中常用的函数，功能是从样本中随机的按比例选取train data和test data，形式为：
X_train,X_test, y_train, y_test = cross_validation.train_test_split(train_data,train_target,test_size=0.4, random_state=0)

参数代表含义:
train_data：所要划分的样本特征集
train_target：所要划分的样本结果
test_size：样本占比，如果是整数的话就是样本的数量
random_state：是随机数的种子。

from sklearn import datasets
import numpy as np
from sklearn.cross_validation import train_test_split

iris = datasets.load_iris() # 加载Iris数据集。
X = iris.data[:, [2, 3]]
y = iris.target # 标签已经转换成0，1，2了
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0) # 为了看模型在没有见过数据集上的表现，随机拿出数据集中30%的部分做测试

# 为了追求机器学习和最优化算法的最佳性能，我们将特征缩放
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
sc.fit(X_train) # 估算每个特征的平均值和标准差
sc.mean_ # 查看特征的平均值，由于Iris我们只用了两个特征，结果是array([ 3.82857143,  1.22666667])
sc.scale_ # 查看特征的标准差，结果是array([ 1.79595918,  0.77769705])
X_train_std = sc.transform(X_train)
# 注意：这里我们要用同样的参数来标准化测试集，使得测试集和训练集之间有可比性
X_test_std = sc.transform(X_test)

# 训练感知机模型
from sklearn.linear_model import Perceptron
# n_iter：可以理解成梯度下降中迭代的次数
# eta0：可以理解成梯度下降中的学习率
# random_state：设置随机种子的，为了每次迭代都有相同的训练集顺序
ppn = Perceptron(n_iter=40, eta0=0.1, random_state=0)
ppn.fit(X_train_std, y_train)

# 分类测试集，这将返回一个测试结果的数组
y_pred = ppn.predict(X_test_std)
# 计算模型在测试集上的准确性
accuracy_score(y_test, y_pred)

6.赋空值

对于一般数据，可以直接为其赋值为None

7.读取DataFrame中的某一个元素

https://blog.csdn.net/weixin_41261833/article/details/104158011

8.python 生成特定间隔数列的方法

1.range(开始，结束，间隔)。

值得注意的是：生成数列最后一个数< 结束值。

返回结果类型：list，其中元素是integer类型。
2.numpy.linspace(开始，结束，个数(默认50))

返回结果类型：ndarray，其中元素是float类型

9.Python的 plot函数和绘图参数设置

http://www.mamicode.com/info-detail-2965818.html