笔记(机器学习)

1.
np.stack(arrays,axis)
x1 = np.arange(9).reshape((3, 3))
print('x1:\n', x1, '\n')
x2 = np.arange(10, 19, 1).reshape((3, 3))
print('x2:\n', x2, '\n')
y2 = np.stack((x1, x2), axis=0)
print('axis=0时stack后：\n:', y2)
输出结果：
x1:
 [[0 1 2]
 [3 4 5]
 [6 7 8]] 

x2:
 [[10 11 12]
 [13 14 15]
 [16 17 18]] 

axis=0时stack后：（每个矩阵）
: [[[ 0  1  2]
  [ 3  4  5]
  [ 6  7  8]]

 [[10 11 12]
  [13 14 15]
  [16 17 18]]]
axis=1时stack后：（每一行）
: [[[ 0  1  2]
  [10 11 12]]

 [[ 3  4  5]
  [13 14 15]]

 [[ 6  7  8]
  [16 17 18]]]
  axis=2时stack后：（每个元素）
: [[[ 0 10]
  [ 1 11]
  [ 2 12]]

 [[ 3 13]
  [ 4 14]
  [ 5 15]]

 [[ 6 16]
  [ 7 17]
  [ 8 18]]]


2.
np.random.seed(5)	#指点种子
x = np.empty((3, 3))     # np.empty()返回一个随机元素的矩阵，大小按照参数定义。
输出
[[0.00000000e+000 0.00000000e+000 0.00000000e+000]
 [0.00000000e+000 0.00000000e+000 9.15009576e-321]
 [8.25456363e-312 8.25456363e-312 8.25548621e-312]]



3.
np.eye(n，k)	#用于生成一个n维的正对角线全为1的数组,参数k可以调整对角线位置
np.diag(arrays，k)	#可以输出数组arrays的对角线元素,参数k可以调整对角线位置
np.tile()			#一个用于复制的函数
np.identity(k)		# 返回的是k行k列的主对角线为1，其余地方为0的数组

4.
c = np.array([1,2,3,4])

np.tile(c, 2) #将c复制两次 
array([1, 2, 3, 4, 1, 2, 3, 4])

np.tile(c,(4,1))#将c按4行一列方式（4，1）复制 
array([[1, 2, 3, 4],
       [1, 2, 3, 4],
       [1, 2, 3, 4],
       [1, 2, 3, 4]])

5.
from sklearn.metrics import accuracy_score
auc = accuracy_score(y, y_hat)
# 生成模型的auc值，y为实际值，y_hat为预测值

6.
# 转载至
(https://www.wandouip.com/t5i227883/)
np.mgrid[]
功能：返回多维结构，常见的如2D图形，3D图形的数组
a:b:c
c表示步长，为实数表示间隔；该为长度为[a,b),左开右闭
或：
a:b:cj
cj表示步长，为复数表示点数；该长度为[a,b]，左闭右闭 
np.mgrid[ 第1维，第2维 ，第3维 ， …] 

生成1D数组：
a=np.mgrid[-4:4:3j]	#在[-4,4]区间内取3个值
>>>array([-4.,  0.,  4.])

生成个2D矩阵：
mgrid[[1:3:3j, 4:5:2j]]		#生成的是3*2的矩阵
>>>
x：array([[1., 1.],
       [2., 2.],
       [3., 3.]])
y:array([[4., 5.],
       [4., 5.],
       [4., 5.]])
所以表示的结果是：
[[(1,4),(1,5)]
 [(2,4),(2,5)]
 [(3,4),(3,5)]
]
结果值先y向右扩展，再x向下扩展


7.
ndarray.flat
flat返回的是一个迭代器，可以用for访问数组每一个元素
n = np.arange(4).reshape(2,2)
for i in n.flat:
    print(i)
0
1
2
3
print(list(n.flat))
>>>[0, 1, 2, 3]

8.np.random.multivariate_normal()
用于根据实际情况生成一个多元正态分布矩阵

multivariate_normal(mean, cov, size=None, check_valid=None, tol=None)

mean：mean是多维分布的均值维度为1；
cov：协方差矩阵，注意：协方差矩阵必须是对称的且需为半正定矩阵
size：指定生成的正态分布矩阵的维度
check_valid：这个参数用于决定当cov即协方差矩阵不是半正定矩阵时程序的处理方式.
它一共有三个值：warn，raise以及ignore。

9.np.vstack((x1,x2))/np.hstack((x1,x2))

x1 = np.arange(9).reshape(3,3)
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
x2 = np.array(range(10,19)).reshape(3,3)
array([[10, 11, 12],
       [13, 14, 15],
       [16, 17, 18]])

np.vstack((x1,x2))	:按垂直方向（行顺序）堆叠数组构成一个新的数组
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [10, 11, 12],       


np.hstack((x1,x2))	:按水平方向（行顺序）堆叠数组构成一个新的数组
array([[ 0,  1,  2, 10, 11, 12],
       [ 3,  4,  5, 13, 14, 15],
       [ 6,  7,  8, 16, 17, 18]])