python sklearn seaborn tensorflow

1.np.expand_dims(np.linspace(0.0, 10.0, num=100), axis=1)

#linspace()可以生成元素为50的等间隔数列。而前两个参数分别是数列的开头与结尾。如果写入第三个参数，可以制定数列的元素个数。

 

#expand_dims(input,axis)指定在第一维处为输入张量添加维数；

2.np.random.uniform(1.0, 1.5, size=(100, 1))与np.random.normal(0.0, 3.5, size=(100, 1)

#random.uniform()返回一个均匀分布的采样结果，左闭右开区间[low, high)。返回数组的shape与size相同

#torch.normal(means, std, out=None)返回一个张量，包含从给定参数means=1.0,std=1.5的离散正态分布中抽取随机数；

官网给例子——torch.normal(means=torch.arange(1, 11), std=torch.arange(1, 0, -0.1)) 

1.5104#是从均值为1，标准差为1的正态分布中随机生成的

1.6955#是从均值为2，标准差为0.9的正态分布中随机生成的

3.pd.DataFrame(np.concatenate([T, X], axis=1), columns=['t', 'x'])

#numpy.concatenate((a1,a2,…), axis=0)函数，能够一次完成多个数组的拼接。其中a1,a2,…是数组类型的参数,分为三种情况：

情况一：对于一维数组拼接，axis的值不影响最后的结果

情况二： axis=0为按列拼接，也是默认情况：

a=np.array([[1,2,3],[4,5,6]])
b=np.array([[11,21,31],[7,8,9]])
np.concatenate((a,b),axis=0)
array([[ 1, 2, 3],
[ 4, 5, 6],
[11, 21, 31],
[ 7, 8, 9]])
原文链接：https://blog.csdn.net/qq_40689236/article/details/106849775

情况三：axis=1或者-1为按行拼接：

np.concatenate((a,b),axis=1) #axis=1表示对应行的数组进行拼接
array([[ 1, 2, 3, 11, 21, 31],
[ 4, 5, 6, 7, 8, 9]])

#columns=['t', 'x'] DataFrame.columns属性返回给定Dataframe的列标签。猜测，在这里应该是指给横纵坐标标记为‘t'，‘x’

#Pandas DataFrame带有标签轴(行和列)的二维大小可变的，可能是异构的表格数据结构。算术运算在行和列标签上对齐。可以将其视为Series对象的dict-like容器。这是 Pandas 的主要数据结构;

4.lr = LinearRegression()
    lr.fit(T, X)

sklearn数据预处理中fit()Method calculates the parameters μ and σ and saves them as internal objects.返回一个History的对象，其History.history属性记录了损失函数和其他指标的数值随epoch变化的情况，如果有验证集的话，也包含了验证集的这些指标变化情况;

5.lr.coef_[0][0], lr.intercept_[0])

#g(x) = w1x1 + w2x2 + w3x3 + w4x4 + w0

coef_为w1到w4

intercept_为w0;

6.>>>print('test{0:.3f}'.format (3.1415962789))
test3.142

7.sns.lmplot(data=df, x='t', y='x', height=8)

#sns.lmplot()是绘制回归图的，它的参数很多，在这里“data”是指3.的“DataFrame”数据，“x”和“y”是横纵坐标，他俩的值来自“DataFrame”数据中的行‘t’和列'x'

二维数据的线性回归

 # Create the dataset of the 100 sample points
    T = np.expand_dims(np.linspace(0.0, 10.0, num=100), axis=1)
    X = (T * np.random.uniform(1.0, 1.5, size=(100, 1))) + np.random.normal(0.0, 3.5, size=(100, 1))
    df = pd.DataFrame(np.concatenate([T, X], axis=1), columns=['t', 'x'])

 # Perform the linear regression
    lr = LinearRegression()
    lr.fit(T, X)

  # Print the equation
    print('x(t) = {0:.3f}t + {1:.3f}'.format(lr.coef_[0][0], lr.intercept_[0]))