Numpy
- numpy
- numpy 基本介绍
- Ndarray对象及其创建
- Numpy数组的基础索引
- numpy数组的合并与拆分(重要)
- numpy数组的矩阵运算
- Numpy数组的统计运算
- numpy中的arg运算
- numpy中的神奇索引和比较
- Matplotlib
numpy
numpy 基本介绍
numpy 大多数机器学习库都用了这个处理数据
list中不限制数据类型,numpy中的array限定数据类型,处理数据会更加高效
pyython的list列表只是将存储数据看成列表或多维数组
并没有将其看错向量或者矩阵以及相关的运算
numpy性能更好,代码更简洁
Ndarray对象及其创建
创建全是1的数组
创建形状相同的数组
指定数值生成数组
等差排列的数组
reshape改变数组形状
random以元组形式传入参数
前2个参数表示随机的范围
种子每次都不同,可以指定
有标准正态分布的随机数
生成具有高斯分布的随机数据,可以传入均值和方差 默认分别是0和1
具有均匀分布的随机数
Numpy数组的基础索引
numpy中一维数组可以看作向量,二维数组看作矩阵
-3 表示倒数第三个
::x, 表示隔数取值,x表示步长
::-1,表示倒着取值
切片和原数组绑定了关系,改变切片,原数组也会改变
避免前面的情况可以用copy方法
numpy数组的合并与拆分(重要)
合并需要维度一样
vstack 行合并
hstack列合并
axis=0表示在行维度 默认
=1 表示在列维度操作
numpy数组的矩阵运算
ceil向上取整
round 四舍六入 奇进偶不进
// 整除
% 取余
** 幂运算
- 不是真正矩阵乘法 只是对应相乘
- dot 才是
T 转置
trannspose也是转置
维度不同,numpy也能智能广播形式运算,但不推荐使用
容易引起混乱
矩阵求逆, 和原矩阵相乘为单位矩阵
求逆得是方阵
Numpy数组的统计运算
std标准差
var 方差
ptp最大值最小值的差
cumsum 累计和
diff 相连差
每行所有数相乘
numpy中的arg运算
arg找索引
sort不会改原数组
numpy中的神奇索引和比较
Matplotlib
矩阵绘图函数库
为什么明明散点,确实连接曲线
因为点密集
xlim 调整坐标取值范围
或者通过axis 效果一样
xlable定义 x轴 名字
lable 给线取名
但要看到图例 还得 调用legend
title给图表取名字
plot用于只有一个特征情况 x特征 y观测值
scatter 用于 xy 都是特征情况,通过散点图可以看到特征分布情况