python知识点汇总

最近写一些用python编程的作业，发现很多知识点都不记得了，在这里把作业中用到的知识点记录下来，方便之后查阅

numpy基本函数

numpy.random

• np.random.random
  • `np.random.random((1000, 20))
  • 上面这个就代表生成1000行 20列的浮点数，浮点数都是从0-1中随机。
• numpy.random.randn()
  • 返回标准正态分布
  • 标准正态分布又称为u分布，是以0为均值、以1为标准差的正态分布，记为N（0，1）
  • 如果没有参数——单个数
  • 根据参数返回相应的维数

np.random.randn(2,4)

result:
array([[ 0.27795239, -2.57882503,  0.3817649 ,  1.42367345],
       [-1.16724625, -0.22408299,  0.63006614, -0.41714538]])

• numpy.random.multivariate_normal()
  • 从多元正态分布中随机抽取样本的函数
  • multivariate_normal（_mean_，_cov_，_size=None_，_check_valid='warn'_，_tol=1e-8_)

数据集随机化

• rng.permutation

# 随机生成2000个训练集和1000个测试集  
rng = np.random.default_rng()  
data_shuffle = rng.permutation(data,axis=0)  
#print(data_shuffle)  
  
data_train = data_shuffle[0:2000,:]  
data_test = data_shuffle[2000:3000,:]

• np.random.shuffle
  • 函数shuffle与permutation都是对原来的数组进行重新洗牌（即随机打乱原来的元素顺序）；区别在于shuffle直接在原来的数组上进行操作，改变原来数组的顺序，无返回值。而permutation不直接在原来的数组上进行操作，而是返回一个新的打乱顺序的数组，并不改变原来的数组。

简单运算

• 点乘
  • A.dot(B)A是numpy的一个变量，所以可以直接用这个方法
  • np.dot(A，B)是numpy库里的一个函数
  • @指矩阵乘法，同np.dot()
• np.tile()
  • 在numpy中，np.tile（a,(2)）函数的作用就是将函数将函数沿着X轴扩大两倍。如果扩大倍数只有一个，默认为X轴
  • np.tile(a,(2,1))第一个参数为Y轴扩大倍数，第二个为X轴扩大倍数。本例中X轴扩大一倍便为不复制。
  • 也可以使用广播机制

z2 = W1.dot(patches) + np.tile(b1, (10000, 1)).transpose()
z1 = W1.dot(patches) + b1.reshape(196,1)

• A.sum(axis=0)
  • axis用来指明要进行的运算是沿着哪个轴执行的
  • 0是垂直的，列
  • 1是水平的，行
  • 不写的话，默认全部求和
• np.mean()
  • 可以写成a.mean(1)
  • axis = 0：压缩行，对各列求均值，返回1$\ast$n的矩阵
  • axis = 1: 压缩列，对各行求均值，返回m$\ast$ 1的矩阵
• np.cov(m, y=None, rowvar=True, bias=False, ddof=None, fweights=None,aweights=None)
  • m:一维或则二维的数组，默认情况下每一行代表一个变量（属性），每一列代表一个观测
• np.ceil()向下取整
• np.linalg.inv()矩阵的逆
• det_sigma2 = np.linalg.det(sigma2) 矩阵的行列式
• X, Y = np.meshgrid(t1, t2)生成t1行，t2列的网格点，X为横坐标，Y为列坐标
• x.ravel() 将x变为1维数组
• np.c_[] 将返回的间隔数值点配对
• 生成网格数据：

X, Y = np.meshgrid(t1, t2)  
d = np.c_[X.ravel(), Y.ravel()]

• np.diagonal(a, offset=0, axis1=0, axis2=1)取出对角线的元素值

取出特定行列的数

• 希望能取出数组中第三列特定索引的值

data1 = data_train[data_train[:,2]==0]
# 取出第三列等于0的部分

data_train[:,2]==0
# array([ True, False,  True, ..., False, False, False])

求数组每一维的长度

• 使用len(),第一维的长度：len(array)，第二维的长度len(array[0])
• 直接使用array.shape[],第一维的长度：array.shape[0]，第二维的长度array.shape[1]
• 三维以上数组，用shape

保存数组

• 保存数组文件

np.save("filename.npy",a) # 保存文件 
b = np.load("filename.npy") # 读取文件

numpy小tips

• 不确定矩阵维度时，要使用reshape来确保是想要的，时间复杂度是O(1)，调用成本极低
  • 用assert确保是我们想要的shape
• broadcasting
  • 广播机制
  • 如果两个数组一个维度的轴长度相同，其中一方的轴长度为1，则认为它们是广播兼容的
  • 广播会在缺失维度和轴长度为1的维度上进行
  • ValueError: operands could not be broadcast together with shapes (196,10000) (196,)
    • 注意shape，可以通过reshape来改正
• 一行写不完时

cost = np.sum((h - data) ** 2) / (2 * m) + \  
       (lambda_ / 2) * (np.sum(W1 ** 2) + np.sum(W2 ** 2)) + \  
       beta * np.sum(KL_divergence(rho, rho_hat))

matplotlib.pyplot.plot — Matplotlib 3.6.0 documentation

plt.plot(*sample1.T,‘.’,label = ‘sample 1’)
plt.plot(sample2.T,'',label = ‘sample 2’)

matplotlib

画出两类的散点图

# x是横坐标，y是纵坐标，t是标签，共两类，分为0和1
figure(1)
x = data[:, 0]  
y = data[:, 1]  
t = data[:, 2]  
plt.scatter(x, y, c=t)  
plt.show()

画方程

python作图之plt.contour详解_你大佬来啦的博客-CSDN博客_plt.contour

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-3, 3, 50)  # 生成连续数据
y = np.linspace(-3, 3, 50)  # 生成连续数据
X, Y = np.meshgrid(x, y)    
# 生成能够在坐标系中形成点阵的数组，这个可以去参考一下别的文章
# https://lixiaoqian.blog.csdn.net/article/details/81532855 这里讲的比较详细
Z = X**2 + Y**2     # 这里将高度设置为x^2+y^2，就能画一个圆形的等高线
C=plt.contour(x, y,Z,[2,5,8,10])  # 画等高线 # 使用plt.contour(X, Y,Z,[2,5,8,10])也是没问题的
plt.clabel(C, inline=True, fontsize=10)

![[Pasted image 20221107200035.png]]

1. 生成连续数据
2. 生成网格数据，就是我们的变量x和y
3. 写方程，写成Z = f(X,Y)
4. 生成等高线，当高度为0的时候即为我们的方程

画分界面

可视化技巧：分类问题中的决策面画法 (直观理解plt.contour的用法)_此人姓于名叫罩百灵的博客-CSDN博客_plt.contour

# 这里我稍微调整了下plt.contour中的参数，使得结果更好看一点
def plot_decision_boundary(model, x, y):
    x_min, x_max = x[:, 0].min() - 0.5, x[:, 0].max() + 0.5
    y_min, y_max = x[:, 1].min() - 0.5, x[:, 1].max() + 0.5
    h = 0.01
    # 绘制网格
    xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
    # 生成与网格上所有点对应的分类结果
    z = model(np.c_[xx.ravel(), yy.ravel()])
    z = z.reshape(xx.shape)
    # 绘制contour
    plt.contour(xx, yy, z, levels=[0.5], colors=['blue'])
    plt.scatter(x[:, 0], x[:, 1], c=y)