PYTHON学习总结

1. Numpy几乎是Python 生态系统的数值计算的基石，例如Scipy，Pandas，Scikit-learn，Keras等出色的包都基于Numpy。其ndarray（N-dimensional array）比python的list性能优越，在数值计算，机器学习，人工智能，神经网络等领域广泛应用。

详细介绍：

什么是Numpy的ndarray - 一杯明月 - 博客园首先，Numpy的核心是ndarray。 然后，ndarray本质是数组，其不同于一般的数组，或者Python 的list的地方在于它可以有N 维（dimentions），也可简单理解为数组里面嵌套数https://www.cnblogs.com/yibeimingyue/p/13762874.html

numpy.reshape(a, newshape, order='C')简单来说就是不改变数据内容的情况下改变数据的行列大小，行*列 始终等于元素总个数。其中常见用法为传入 -1参数，解释如下：

a.reshape(-1, 1) ====>转变为一列的数组

a.reshape(1, -1) ====>转变为一行的数组

np.reshape(bd, (71, 60, 1))===>将bd转变为一个3维数组，共71个元素，每个元素由60行1列组成。

a.reshape(10, 11) 等同于 a.reshape((10, 11))

参考：numpy中reshape方法详解_zhanggonglalala的博客-CSDN博客_np.reshape函数（转载请注明出处）今天讲一下np.reshape()方法。官方给出的链接https://docs.scipy.org/doc/numpy/reference/generated/numpy.reshape.html，因为是英文所以很多人不好看，这里给出详细解释。这个方法是在不改变数据内容的情况下，改变一个数组的格式，参数及返回值解释如下：一、参数解释首先给出官方的英文解释，当然后续...https://blog.csdn.net/zhanggonglalala/article/details/79356653

a = np.array([[0,1,2,3],[4,5,6,7],[8,9,10,11]])
print(a)
print(a[0:3, 1:4])

#输出结果：
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[[ 1  2  3]
 [ 5  6  7]
 [ 9 10 11]]

a[0:3, 1:4]  解释：此表达式表示取a的[0,3)行、[1,4)列。

2.  MinMaxScaler数据归一化，常用方法：

 MinMaxScaler(feature_range=(0, 1))==>参数feature_range控制数据压缩到[0,1]，常用的的计算方式为 x' = (x - min(x)) / (max(x) - min(x))，也可以定义自己的计算公式。

详细解释：

数据预处理：数据归一化MinMaxScaler_mb5fed71eeb026e的技术博客_51CTO博客_minmaxscaler函数用法minmaxscaler函数用法,数据预处理：数据归一化MinMaxScaler，  机器学习算法实践中，我们往往有着将不同规格的数据转换到同一规格，或将不同分布的数据转换到某个特定分布的需求，这种需求统称为将数据“无量纲化”。在以梯度和矩阵为核心的算法中，譬如逻辑回归，支持向量机，神经网络，无量纲化可以加快求解速度；在距离类模型，譬如K近邻，KMeans聚类中，无量纲化可以帮我们提升模型精度，避免某一个取值范围特别大的特征对距离计算造成影响。一个特例是决策树和树的集成算法们，https://blog.51cto.com/u_15072918/2580389

 3.