【机器学习】基础库的学习
一、numpy基础
- 常使用的方法
import numpy as np
print(np.__version__)
numpy常定义的方法,通过version来查看其版本号
- python list的特点
创建列表简单,在列表中可以不是数,列表中的元素可以是对应的字符串!虽然相对灵活,但是效率就会低下,在运行时判断是什么类型
L = [i for i in range(10)]
print(L)
print(L[5])
L[5] = "Machine Learning"
print(L[5])
print(L)
二、numpy.方法的学习
- np.array
1)在机器学习中的array中只是只是看成数,不能是别的类型,所以在学习时候局限!(这个与python中不同)
arr = array.array([i for i in range(10)])
print(arr)
arr[5] = "Machine Learning"
print(arr[5])
2)当查看np.array的数值的时候我们可以得到是int类型,所以当我们赋值成浮点数的时候会产生自动的截位。
注意:在定义的时候如果有浮点数,那么该类型就是浮点型,如果是整型那么就是整数!
nparr = np.array([i for i in range(10)])
print(nparr)
nparr[5] = 3.14
print(nparr[5])
在numpy中有很多内置的函数,为我们提供了特殊的数组!
- np.zeros
Z = np.zeros(10)
print(Z)
Z = np.zeros(10,dtype=int)
print(Z)
我们在结果中可以看出都是0.,所以默认产生的都是浮点数,这样如果我们想要的到int类型的矩阵时候,只需要在第二个参数中表达就好了。
上面是生成的是一维矩阵,想要生成二位的就需要将第一个参数补充完整。
Z = np.zeros(shape=(3,5),dtype=int)
print(Z)
这样就可以生成一个三行五列的矩阵。
- np.ones()创建一个全都是1的矩阵