【人工智能与机器学习第1次作业】---Python环境配置与数据处理

@aln

已于 2023-03-10 18:30:50 修改

阅读量566

点赞数 1

文章标签： python 机器学习人工智能

于 2023-03-10 18:25:32 首次发布

本文链接：https://blog.csdn.net/weixin_52166467/article/details/129432645

版权

本文提供了numpy库的基础练习，包括矩阵操作、数组计算性能比较以及矩阵变换。同时，介绍了pandas库中Series的创建和操作，如添加、修改数据。还涉及matplotlib库的图形绘制，如直线图、三角函数图和饼状图。最后简述了图灵测试的概念，它是衡量机器智能的一个标准。

摘要由CSDN通过智能技术生成

numpy的基础练习

给定一个二维矩阵，如何交换其中两行的元素？

①代码：

n1=np.random.randint(0,1000,size=(7,8))
n1
n1[[1,0,2,3,4,5,6]]

②运行：
在这里插入图片描述

创建一个100000000长度的随机数组，使用两种方法对其求三次方，并比较所用时间
①代码：

n2=np.random.random(size=100000000)
n2
n2=np.random.randint(0,100000000,(5))
n2
%timeit np.power(n2,3)
%timeit n2**3
n2_2=np.dot(n2,n2)
%timeit np.dot(n2_2,n2)

②运行：
在这里插入图片描述

创建一个长度为10的随机数组并将最大值替换为0
①代码：

nd=np.random.randint(0,10,size=10)
display(nd)
index_max=nd.argmax()
nd[index_max]
all_index_max=np.argwhere(nd==nd[index_max]).reshape(-1)
all_index_max
nd[all_index_max]=-100
nd

②运行：
在这里插入图片描述

创建一个每一行都是从0到10的11*11矩阵
①代码：

s=[0,1,2,3,4,5,6,7,8,9,10]
nd=np.array(s*11)
nd.reshape(11,11)
n4=np.arange(0,11,1)
n4 
n4_1=np.arange(0,121).reshape(11,11)
n4_1
n4_1[0:11]=n4
n4_1

②运行：
在这里插入图片描述

创建一个10*10的ndarray对象，且矩阵边界全为1，里面全为0

①代码：

nd=np.zeros(shape=(10,10),dtype=np.int8)
nd[[0,9]]=1
nd[:,[0,9]]=1
nd
a1=np.ones((10,10))
a1
a1[1:-1,1:-1]=0
a1

②运行：
在这里插入图片描述

给定一个4维矩阵，如何得到最后两维的和？
①代码：

n5=np.random.randint(0,100,size=(2,3,3,3))
n5
n5.sum(axis=(2,3))
n5.sum(axis=(-1,-2))

②运行：

在这里插入图片描述

创建一个53随机矩阵和一个32随机矩阵，求矩阵积

①代码：

n6_1=np.random.randint(0,100,size=(5,3))
n6_1
n6_2=np.random.randint(0,100,(3,2))
n6_2
np.dot(n6_1,n6_2)

②运行：
在这里插入图片描述

打印出以下函数（要求使用np.zeros创建8*8的矩阵）：
[[0 1 0 1 0 1 0 1]
[1 0 1 0 1 0 1 0]
[0 1 0 1 0 1 0 1]
[1 0 1 0 1 0 1 0]
[0 1 0 1 0 1 0 1]
[1 0 1 0 1 0 1 0]
[0 1 0 1 0 1 0 1]
[1 0 1 0 1 0 1 0]]

①代码：

nd=np.ones(shape=(8,8),dtype=int)
nd[::2,::2]=0
nd[1::2,1::2]=0
nd
n8=np.zeros(shape=(8,8))
n8
n8[1::2,::2]=1
n8[::2,1::2]=1
n8

②运行：
在这里插入图片描述

创建一个元素为从10到49的ndarray对象

①代码：

np.random.randint(10,50,size=10)
np.linspace(10,49,10)
a=np.arange(10,50)
a

②运行：
在这里插入图片描述

教材一二章基础例题练习

输出

代码：

print("Run the code in this cell")

结果：
在这里插入图片描述

Markdown

代码：

# This one
## This two
### This there

结果：
在这里插入图片描述

语言综合实例

代码：

import random
def fib_loop(n):
    listNum = []
    a, b = 0, 1
    for i in range(n):
        a, b = b, a + b
        listNum.append(a)
    return listNum
listPlan = ['英雄联盟', 'lol', '穿越火线', 'cf', ' 反恐精英', 'csgo', '地下城与勇士', 'dnf']
listNum = fib_loop(6)
varIdx = random.randint(0, 5)
varRandom = listNum[varIdx]
print('今日计划：', listPlan[varRandom])

结果：
（程序首先定义了fib_loop函数,用来生成斐波那契数列,并在主程序中调用了fib_loop函数,生成的斐波那契数列为[1,1,2,3,5,8]。程序通过包含random模块,并使用random.randint(0,5)函数生成了0~5的随机整数。然后将此随机数作为下标读取对应位置的斐波那契数,再使用该斐波那契数作为listPlan 数组的下标,得到推荐事件。可以看出,每次推荐的事件均为“学习”。）
在这里插入图片描述

数值类型不可改变

代码：

i = 3
print(id(i))
i += 1
print(id(i))

结果：
（Python的数字类型包括int，float，bool和complex复数类型。当指定一个值时，就创建了一个Number类型的对象）
在这里插入图片描述

字符串的访问

代码：

str = 'Picture'
print(str[1:3])
print(str[-3:-1])
print(str[3:-1])
print(str[-6:7])
print(str[2:])
print(str * 2)
print(str + "TEST")

结果：
在这里插入图片描述

列表的访问

代码：

list = ['a', 56, 1.13, 'HelloWorld', [7, 8, 9]]
print(list)
print(list[4])
print(list[-2:5])
print(list[2:])

结果：
（正序访问的时候，索引值从0开始，截取从头下标到尾下标减1位置的元素；如果是逆序访问，则-1是末尾位置。）
在这里插入图片描述

列表的遍历

代码：

lis=['瞎子','李青','盲僧','小学僧','Lee Sin']
# 直接遍历
print(lis)
# 按索引遍历
for i in enumerate(lis):
    print(i)
# 下标遍历
    for i in range(len(lis)):
    print(lis[i])

结果：
在这里插入图片描述

字典的访问

代码：

dict = {'Name': 'Mary', 'Age': 7, 'Class': 'First'}
print(dict)
print("Name: ", dict['Name'])
print("Age: ", dict['Age'])

部分：
在这里插入图片描述

集合成员检测

代码：

var = {'LiLei', 'HanHua', 'HanMeiMei', 'ZhangSan', 'Lisi'}
result='LiLei' in var 
print(result)
result='LiLei'   not in var 
print(result)

部分：
在这里插入图片描述

使用readline()函数逐行读取文件

with open('data.txt') as f:
line1 = f.readline()
line2 = f.readline()
print(line1)
print(line2)
print(line1.strip())
print(line2.strip())
print(line1.split())

numpy、pandas、matplotlib三个库的例题练习

一，numpy库的例题

用np.where()函数实现数据筛选

import numpy as np
num=np.random.normal(0,1,(3,4))
print(num)
num[num<0.5]=0
print(num)
print(np.where(num>0.5,1,0))

结果：
在这里插入图片描述

使用嵌套for循环对nadarray数组进行迭代遍历

代码：

import numpy as np
a= np.arange(0,60,5)
a=a.reshape(3,4)
for xline in a:
    for yitem in xline:
        print(yitem,end='')

结果：
在这里插入图片描述

创建二维ndarray的切片

代码：

import numpy as np
arr=np.arange(24).reshape(4,6)
print('arr=\n',arr)
arr1=arr[1:,:3]
print('B =\n',arr1)

结果：
在这里插入图片描述
二，pandas库的例题

为一个地理位置数据创建Series对象

代码：

import pandas as pd
#使用列表创建，索引值为默认值
print('--------列表创建Series---------')
s1 = pd.Series([1,1,1,1,1])
print(s1)
print('--------字典创建Series---------')
s2 = pd.Series({'Longitude':39,'Latitude':116,'Tamperature':23})
print('Frist value in s2:',s2['Longtitude'])
print('--------用序列作Series索引---------')
#使用range()函数生成的迭代序列设置索引值
s3 = pd.Series([3.4,0.8,2.1,0.3,1.5],range(5,10))
print('Frist value in s3:',s3[5])

结果：
在这里插入图片描述

对上面创建的s2，将温度增加2度，设置城市为北京

代码：

s2["city"]="beijing"
s2['Temperature']+=2
s2

结果：
在这里插入图片描述

为s2添加一项湿度数据

代码：

stiny = pd.Series({'humidity':84})
s4=s2.append(stiny)
print('------------原Series:-------------\n',s2)
print('------------新Series:-------------\n',s4)

结果：
在这里插入图片描述

创建DataFrame对象

代码：

import pandas as pd
dict1 = {'col1':[1,2,5,7],'col2':['a','b','c','d']}
df = pd.DataFrame(dict1)
df

结果：

在这里插入图片描述
三，matplotlib库的例题

绘制简单直线

代码：

import matplotlib.pyplot as plt
import numpy as np
a=np.arange(10)
plt.xlabel('x')
plt.ylabel('y')
plt.plot(a,a*1.5,a,a*2.5,a,a*3.5,a,a*4.5)
plt.legend(['1.5x','2.5x','3.5x','4.5x'])
plt.title('simple lines')
plt.show()

结果：

在这里插入图片描述

三角函数

代码：

# np.linespace()
x=np.linspace(-np.pi,np.pi,256,endpoint=True)
# 对 x 进行 cos 计算
C=np.cos(x)
# 对 x 进行 sin 计算
S=np.sin(x)
# 绘制折线图
plt.plot(x,C)
plt.plot(x,S)
plt.show()

结果：
在这里插入图片描述

在子画布上画图

代码：

import matplotlib.pyplot as plt
import numpy as np
#在子画布上画三个图表
flt = plt.figure()
ax1 = flt.add_subplot(2,2,1)
x = np.arange(-1,1,0.01)
plt.plot(x,np.sin(x))
ax2 = flt.add_subplot(2,2,2)
plt.plot(x,np.cos(x))
ax3 = flt.add_subplot(2,2,3)
plt.plot(x,np.tan(x))

结果：

在这里插入图片描述

绘制series数据

代码：

#绘制series数据
import matplotlib.pyplot as plt 
import pandas as pd
plt.xlabel("x")
plt.ylabel("y")
pd.Series([1.1,3.2,4.5,9.5,4.2,3.5,6.4,7.4,6.5,1.0,2.3]).plot(kind="line",style="--")
plt.show()

结果：

在这里插入图片描述

饼状图

代码：

# 饼图
def youxi():
    """
    youxi
    """
    # 生成测试数据
    sizes = [15, 30, 45, 10]
    labels = ["cf", "lol", "dnf", "csgo"]
    colors = ["yellowgreen", "gold", "red", "lightcoral"]
 
    # 设置标题
    plt.title("youxi")
 
    # 设置突出参数
    explode = [0, 0.05, 0, 0]
 
    # 画饼状图
    patches, l_text, p_text = plt.pie(sizes, explode=explode, labels=labels, colors=colors, autopct="%1.1f%%", shadow=True, startangle=90)
 
    plt.axis("equal")
 
    # 图形显示
    plt.show()
    return
if __name__ == "__main__":
# 运行
    youxi()