sklearn之svm-葡萄酒質量預測(2)
繼續讀取csv基礎
true_values : list, default None
認爲爲True的值html
false_values : list, default None
認爲爲False的值python
skipinitialspace : boolean, default False
在分隔符以後跳過空格。數組
skiprows : list-like or integer or callable, default None
要跳過的行號(0索引)或文件開頭要跳過的行數(int)。
若是可調用，可調用函數將根據行索引進行計算，若是要跳過該行，則返回True，不然返回False。一個有效的可調用參數的例子是lambda x: x in [0, 2]。
skipfooter : int, default 0
文件底部要跳過的行數(engine= ' c '不支持)
nrows : int, default None
要讀取的文件行數。用於讀取大文件
na_values : scalar, str, list-like, or dict, default None
要識別爲NA/NaN的其餘字符串。若是傳遞了dict，每一個列的特定NA值。他的默認值是NaN: ‘’, ‘#N/A’, ‘#N/A N/A’, ‘#NA’, ‘-1.#IND’, ‘-1.#QNAN’, ‘-NaN’, ‘-nan’, ‘1.#IND’, ‘1.#QNAN’, ‘N/A’, ‘NA’, ‘NULL’, ‘NaN’, ‘n/a’, ‘nan’, ‘null’.
keep_default_na : bool, default True
解析數據時是否包含默認的NaN值。根據是否傳入na_values，行爲以下:
•若是keep_default_na爲真，而且指定了na_values，則na_valuesisappendeddefault NaN值用於解析。
•若是keep_default_na爲真，而且沒有指定na_values，那麼解析時只使用默認的NaN值。
•若是keep_default_na爲假，而且指定了na_values，那麼解析時只使用通過特殊處理的NaN值。
•Ifkeep_default_naisFalse，和na_valuesnot指定，沒有字符串被解析爲NaN。
注意，若是na_filter做爲False傳入，那麼keep_default_na和na_values參數將被忽略。
na_filter : boolean, default True
檢測缺失的值標記(空字符串和na_values的值)。在沒有任何NAs的數據中，傳遞na_filter=False能夠提升讀取大文件的性能數據結構
na_filter : boolean, default True
檢測缺失的值標記(空字符串和na_values的值)。在沒有任何NAs的數據中，傳遞na_filter=False能夠提升讀取大文件的性能
verbose : boolean, default False
表示放置在非數字列中的NA值的數量
skip_blank_lines : boolean, default True
若是爲真，跳過空白行，而不是解釋爲NaN值
parse_dates : boolean or list of ints or names or list of lists or dict, default Falseapp
• boolean. 若是 True -> try 嘗試解析索引。
• lint或name列表。例如，若是[1,2,3]->嘗試將列1,2,3分別解析爲單獨的日期列。
• 列表的列表（list of lists）。例如，If[[1,3]] ->合併列1和列3並解析爲單個日期列。
• dict。例如{' foo ':[1,3]} ->解析列1,3做爲日期和調用結果' foo '。
更多參數見
https://pandas.pydata.org/pandas-docs/stable/generated/pandas.read_csv.html
返回的結果
DataFrame or TextParser框架
class pandas.DataFrame(data=None, index=None, columns=None, dtype=None, copy=False)
二維尺寸可變的、多是異構的表格數據結構，具備帶標籤的座標軸(行和列)。算術操做在行和列標籤上對齊。能夠認爲是系列對象的相似於dict的容器。主要的pandas數據結構。dom
參數:
data :
numpy ndarray(結構化或同構)、dict或DataFrameide
Dict能夠包含系列、數組、常量或類列表對象函數
在版本0.23.0中更改:若是數據是一個dict，則爲Python 3.6和更高版本維護參數順序。性能
index : Index or array-like
用於生成框架的索引。若是輸入數據中沒有索引信息，而且沒有提供索引，那麼是默認範圍索引
columns : Index or array-like
用於生成框架的列標籤。若是沒有提供列標籤，是否默認爲RangeIndex(0,1,2，…，n)
dtype : dtype, default None
強制數據類型。只容許一個dtype。若是沒有,推斷出
copy : boolean, default False
從輸入複製數據。隻影響DataFrame / 2d ndarray輸入
import pandas as pd
d = {'col1': [1, 2], 'col2': [3, 4]}
df = pd.DataFrame(data=d)
print df
print df.dtypes
col1 col2
0 1 3
1 2 4
col1 int64
col2 int64
dtype: object
import pandas as pd import numpy as np df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)),columns=['a', 'b', 'c', 'd', 'e']) print df2 a b c d e 0 3 5 0 2 0 1 7 6 2 7 3 2 6 1 6 1 2 3 5 7 8 0 2 4 9 7 9 9 6 df2["e"] 0 0 1 3 2 2 3 2 4 6 Name: e, dtype: int64
屬性：
T 轉置索引和列。
at 訪問行/列標籤對的單個值。
axes 返回一個表示DataFrame軸的列表。
blocks (DEPRECATED) 內部屬性，as_blocks()的屬性同義詞
columns DataFrame的列標籤。
dtypes 返回DataFrame中的dtype。
empty 指示DataFrame是否爲空。
ftypes 返回DataFrame中的ftypes(顯示稀疏/稠密和dtype)。
iat 按整數位置訪問行/列對的單個值。
iloc 純粹基於整數位置的基於位置的選擇索引。
index DataFrame的索引(行標籤)。
ix 主要基於標籤位置的索引器，具備整數位置回退功能。
loc 經過標籤或布爾數組訪問一組行和列。
ndim 返回一個表示軸/數組維數的int數。
shape 返回一個表示DataFrame的維數的元組。
size 返回一個表示該對象中元素數量的int數。
style 屬性返回一個Styler對象，該對象包含用於構建DataFrame的樣式HTML表示的方法。
values 返回DataFrame的Numpy表示。
Categorical Data
這是pandas分類數據類型的介紹，包括與R因子的簡短比較。
分類是與統計中的分類變量相對應的pandas數據類型。分類變量具備有限的、一般是固定的可能值(類別;例如性別、社會階層、血型、國籍、觀察時間或李克特量表評分。
與統計分類變量相反，分類數據可能有一個順序(例如「很是贊成」vs「贊成」或者「第一次觀察」vs「第二次觀察」)，可是數值運算(加法、除法、…)是不可能的。
分類數據的全部值都在categories或np.nan中。順序是由類別的順序定義的，而不是由值的詞法順序定義的。在內部，數據結構由一個categories數組和一個整數代碼數組組成，該數組指向categories數組中的實際值。
分類數據類型在如下狀況下很是有用:
一個字符串變量，僅由幾個不一樣的值組成。將這樣的字符串變量轉換爲直言變量將節省一些內存
變量的詞法順序與邏輯順序(「1」、「2」、「3」)不同。經過轉換到類別並指定類別的順序，sort和min/max將使用邏輯順序而不是詞彙順序
做爲對其餘Python庫的一個信號，這個列應該被看成一個分類變量(例如，使用合適的統計方法或繪圖類型)。
DataFrame中的category Series 或列能夠經過幾種方式建立:
在構建一個Series時，經過指定dtype="category":
s = pd.Series(["a","b","c","a"], dtype="category") s s Out[2]: 0 a 1 b 2 c 3 a dtype: category Categories (3, object): [a, b, c]
經過將現有的系列或列轉換爲類別dtype:
df = pd.DataFrame({"A":["a","b","c","a"]})
df["B"] = df["A"].astype('category')
df
A B
0 a a
1 b b
2 c c
3 a a
經過使用特殊的函數，例如cut()，它將數據分組到離散的容器中。請參閱文檔中的平鋪示例。
df = pd.DataFrame({'value': np.random.randint(0, 100, 20)})
labels = ["{0} - {1}".format(i, i + 9) for i in range(0, 100, 10)]
df['group'] = pd.cut(df.value, range(0, 105, 10), right=False, labels=labels)
df.head(10)
value group
0 7 0 - 9
1 17 10 - 19
2 97 90 - 99
3 62 60 - 69
4 3 0 - 9
5 76 70 - 79
6 50 50 - 59
7 61 60 - 69
8 8 0 - 9
9 45 40 - 49
更多見
https://pandas.pydata.org/pandas-docs/stable/categorical.html?highlight=categories
pandas.DataFrame.values
返回DataFrame的Numpy表示。
只有DataFrame中的值會返回，ax標籤會被刪除。
返回:
numpy.ndarray
DataFrame的值。
pandas.DataFrame.index
檢索索引標籤
pandas.DataFrame.columns
檢索列名
import pandas as pd
x="name,age,result\n'zhangsang',32,1\n'lisi',29,2\n'wangwu',30,1"
df=pd.read_csv(StringIO.StringIO(x))
print df
print df.index
print df.columns
name age result
0 'zhangsang' 32 1
1 'lisi' 29 2
2 'wangwu' 30 1
RangeIndex(start=0, stop=3, step=1)
Index([u'name', u'age', u'result'], dtype='object')
dtype將是一個較低的公共類型(隱式向上轉換);也就是說，若是dtype(甚至是數字類型)是混合，就會選擇容納全部類型的dtype。若是您沒有處理這些塊，請當心使用。
例如，若是dtype是float16和float32，那麼dtype將向上轉換爲float32。若是dtype爲int32和uint8，則dtype將被向上轉換爲int32。經過numpy.find_common_type()轉換，混合int64和uint64將產生float64 dtype。
df = pd.DataFrame({'age': [ 3, 29],
'height': [94, 170],
'weight': [31, 115]}
)
print df
print df.dtypes
print df.values
age height weight
0 3 94 31
1 29 170 115
age int64
height int64
weight int64
dtype: object
[[ 3 94 31]
[ 29 170 115]]
下面的代碼提取特徵列和結果列
import pandas as pd
x="name,age,result\n'zhangsang',32,1\n'lisi',29,2\n'wangwu',30,1"
df=pd.read_csv(StringIO.StringIO(x))
data=df.values
print df
print data
dataColName=df.columns
print dataColName[-1]
print dataColName[:len(dataColName)-1]
name age result
0 'zhangsang' 32 1
1 'lisi' 29 2
2 'wangwu' 30 1
[["'zhangsang'" 32 1]
["'lisi'" 29 2]
["'wangwu'" 30 1]]
result
Index([u'name', u'age'], dtype='object')
import pandas as pd
x="name,age,result\n'zhangsang',32,1\n'lisi',29,2\n'wangwu',30,1"
df=pd.read_csv(StringIO.StringIO(x))
print df
print
data=df.values
dataColName=df.columns
ftColName=dataColName[-1]
rsColName=list(dataColName[:len(dataColName)-1])
print df[ftColName].values
print df[rsColName].values
name age result
0 'zhangsang' 32 1
1 'lisi' 29 2
2 'wangwu' 30 1
[1 2 1]
[["'zhangsang'" 32]
["'lisi'" 29]
["'wangwu'" 30]]
讀取葡萄酒質量樣本數據
import pandas as pd
df=pd.read_csv("winequality-white-test.csv",sep=";")
print df
print
data=df.values
dataColName=df.columns
rsColName=dataColName[-1]
ftColName=list(dataColName[:len(dataColName)-1])
print df[rsColName].values
print '===='
print df[ftColName].values
fixedacidity volatileacidity citricacid residualsugar chlorides \
0 6.8 0.220 0.24 4.90 0.092
1 6.0 0.190 0.26 12.40 0.048
2 7.0 0.470 0.07 1.10 0.035
3 6.6 0.380 0.15 4.60 0.044
4 7.2 0.240 0.27 1.40 0.038
5 6.2 0.350 0.03 1.20 0.064
6 6.4 0.260 0.24 6.40 0.040
7 6.7 0.250 0.13 1.20 0.041
8 6.7 0.230 0.31 2.10 0.046
9 7.4 0.240 0.29 10.10 0.050
10 6.2 0.270 0.43 7.80 0.056
11 6.8 0.300 0.23 4.60 0.061
12 6.0 0.270 0.28 4.80 0.063
13 8.6 0.230 0.46 1.00 0.054
14 6.7 0.230 0.31 2.10 0.046
15 7.4 0.240 0.29 10.10 0.050
16 7.1 0.180 0.36 1.40 0.043
17 7.0 0.320 0.34 1.30 0.042
18 7.4 0.180 0.30 8.80 0.064
19 6.7 0.540 0.28 5.40 0.060
20 6.8 0.220 0.31 1.40 0.053
21 7.1 0.200 0.34 16.00 0.050
22 7.1 0.340 0.20 6.10 0.063
23 7.3 0.220 0.30 8.20 0.047
24 7.1 0.430 0.61 11.80 0.045
25 7.1 0.440 0.62 11.80 0.044
26 7.2 0.390 0.63 11.00 0.044
27 6.8 0.250 0.31 13.30 0.050
28 7.1 0.430 0.61 11.80 0.045
29 7.1 0.440 0.62 11.80 0.044
30 7.2 0.390 0.63 11.00 0.044
31 6.1 0.270 0.43 7.50 0.049
32 6.9 0.240 0.33 1.70 0.035
33 6.9 0.210 0.33 1.80 0.034
34 7.5 0.170 0.32 1.70 0.040
35 7.1 0.260 0.29 12.40 0.044
36 6.0 0.340 0.66 15.90 0.046
37 8.6 0.265 0.36 1.20 0.034
38 9.8 0.360 0.46 10.50 0.038
39 6.0 0.340 0.66 15.90 0.046
40 7.4 0.250 0.37 13.50 0.060
41 7.1 0.120 0.32 9.60 0.054
42 6.0 0.210 0.24 12.10 0.050
43 7.5 0.305 0.40 18.90 0.059
44 7.4 0.250 0.37 13.50 0.060
45 7.3 0.130 0.32 14.40 0.051
46 7.1 0.120 0.32 9.60 0.054
47 7.1 0.230 0.35 16.50 0.040
48 7.1 0.230 0.35 16.50 0.040
49 6.9 0.330 0.28 1.30 0.051
50 6.5 0.170 0.54 8.50 0.082
51 7.2 0.270 0.46 18.75 0.052
52 7.2 0.310 0.50 13.30 0.056
53 6.7 0.410 0.34 9.20 0.049
54 6.7 0.410 0.34 9.20 0.049
55 5.5 0.485 0.00 1.50 0.065
freesulfurdioxide totalsulfurdioxide density pH sulphates alcohol \
0 30.0 123.0 0.9951 3.03 0.46 8.6
1 50.0 147.0 0.9972 3.30 0.36 8.9
2 17.0 151.0 0.9910 3.02 0.34 10.5
3 25.0 78.0 0.9931 3.11 0.38 10.2
4 31.0 122.0 0.9927 3.15 0.46 10.3
5 29.0 120.0 0.9934 3.22 0.54 9.1
6 27.0 124.0 0.9903 3.22 0.49 12.6
7 81.0 174.0 0.9920 3.14 0.42 9.8
8 30.0 96.0 0.9926 3.33 0.64 10.7
9 21.0 105.0 0.9962 3.13 0.35 9.5
10 48.0 244.0 0.9956 3.10 0.51 9.0
11 50.5 238.5 0.9958 3.32 0.60 9.5
12 31.0 201.0 0.9964 3.69 0.71 10.0
13 9.0 72.0 0.9941 2.95 0.49 9.1
14 30.0 96.0 0.9926 3.33 0.64 10.7
15 21.0 105.0 0.9962 3.13 0.35 9.5
16 31.0 87.0 0.9898 3.26 0.37 12.7
17 20.0 69.0 0.9912 3.31 0.65 12.0
18 26.0 103.0 0.9961 2.94 0.56 9.3
19 21.0 105.0 0.9949 3.27 0.37 9.0
20 34.0 114.0 0.9929 3.39 0.77 10.6
21 51.0 166.0 0.9985 3.21 0.60 9.2
22 47.0 164.0 0.9946 3.17 0.42 10.0
23 42.0 207.0 0.9966 3.33 0.46 9.5
24 54.0 155.0 0.9974 3.11 0.45 8.7
25 52.0 152.0 0.9975 3.12 0.46 8.7
26 55.0 156.0 0.9974 3.09 0.44 8.7
27 69.0 202.0 0.9972 3.22 0.48 9.7
28 54.0 155.0 0.9974 3.11 0.45 8.7
29 52.0 152.0 0.9975 3.12 0.46 8.7
30 55.0 156.0 0.9974 3.09 0.44 8.7
31 65.0 243.0 0.9957 3.12 0.47 9.0
32 47.0 136.0 0.9900 3.26 0.40 12.6
33 48.0 136.0 0.9899 3.25 0.41 12.6
34 51.0 148.0 0.9916 3.21 0.44 11.5
35 62.0 240.0 0.9969 3.04 0.42 9.2
36 26.0 164.0 0.9979 3.14 0.50 8.8
37 15.0 80.0 0.9913 2.95 0.36 11.4
38 4.0 83.0 0.9956 2.89 0.30 10.1
39 26.0 164.0 0.9979 3.14 0.50 8.8
40 52.0 192.0 0.9975 3.00 0.44 9.1
41 64.0 162.0 0.9962 3.40 0.41 9.4
42 55.0 164.0 0.9970 3.34 0.39 9.4
43 44.0 170.0 1.0000 2.99 0.46 9.0
44 52.0 192.0 0.9975 3.00 0.44 9.1
45 34.0 109.0 0.9974 3.20 0.35 9.2
46 64.0 162.0 0.9962 3.40 0.41 9.4
47 60.0 171.0 0.9990 3.16 0.59 9.1
48 60.0 171.0 0.9990 3.16 0.59 9.1
49 37.0 187.0 0.9927 3.27 0.60 10.3
50 64.0 163.0 0.9959 2.89 0.39 8.8
51 45.0 255.0 1.0000 3.04 0.52 8.9
52 68.0 195.0 0.9982 3.01 0.47 9.2
53 29.0 150.0 0.9968 3.22 0.51 9.1
54 29.0 150.0 0.9968 3.22 0.51 9.1
55 8.0 103.0 0.9940 3.63 0.40 9.7
quality
0 6
1 6
2 5
3 6
4 6
5 5
6 7
7 5
8 8
9 5
10 6
11 5
12 5
13 6
14 8
15 5
16 7
17 7
18 5
19 5
20 6
21 6
22 5
23 6
24 5
25 6
26 6
27 6
28 5
29 6
30 6
31 5
32 7
33 7
34 7
35 6
36 6
37 7
38 4
39 6
40 5
41 5
42 5
43 5
44 5
45 6
46 5
47 6
48 6
49 5
50 6
51 5
52 5
53 5
54 5
55 4
[6 6 5 6 6 5 7 5 8 5 6 5 5 6 8 5 7 7 5 5 6 6 5 6 5 6 6 6 5 6 6 5 7 7 7 6 6
7 4 6 5 5 5 5 5 6 5 6 6 5 6 5 5 5 5 4]
====
[[6.800e+00 2.200e-01 2.400e-01 4.900e+00 9.200e-02 3.000e+01 1.230e+02
9.951e-01 3.030e+00 4.600e-01 8.600e+00]
[6.000e+00 1.900e-01 2.600e-01 1.240e+01 4.800e-02 5.000e+01 1.470e+02
9.972e-01 3.300e+00 3.600e-01 8.900e+00]
[7.000e+00 4.700e-01 7.000e-02 1.100e+00 3.500e-02 1.700e+01 1.510e+02
9.910e-01 3.020e+00 3.400e-01 1.050e+01]
[6.600e+00 3.800e-01 1.500e-01 4.600e+00 4.400e-02 2.500e+01 7.800e+01
9.931e-01 3.110e+00 3.800e-01 1.020e+01]
[7.200e+00 2.400e-01 2.700e-01 1.400e+00 3.800e-02 3.100e+01 1.220e+02
9.927e-01 3.150e+00 4.600e-01 1.030e+01]
[6.200e+00 3.500e-01 3.000e-02 1.200e+00 6.400e-02 2.900e+01 1.200e+02
9.934e-01 3.220e+00 5.400e-01 9.100e+00]
[6.400e+00 2.600e-01 2.400e-01 6.400e+00 4.000e-02 2.700e+01 1.240e+02
9.903e-01 3.220e+00 4.900e-01 1.260e+01]
[6.700e+00 2.500e-01 1.300e-01 1.200e+00 4.100e-02 8.100e+01 1.740e+02
9.920e-01 3.140e+00 4.200e-01 9.800e+00]
[6.700e+00 2.300e-01 3.100e-01 2.100e+00 4.600e-02 3.000e+01 9.600e+01
9.926e-01 3.330e+00 6.400e-01 1.070e+01]
[7.400e+00 2.400e-01 2.900e-01 1.010e+01 5.000e-02 2.100e+01 1.050e+02
9.962e-01 3.130e+00 3.500e-01 9.500e+00]
[6.200e+00 2.700e-01 4.300e-01 7.800e+00 5.600e-02 4.800e+01 2.440e+02
9.956e-01 3.100e+00 5.100e-01 9.000e+00]
[6.800e+00 3.000e-01 2.300e-01 4.600e+00 6.100e-02 5.050e+01 2.385e+02
9.958e-01 3.320e+00 6.000e-01 9.500e+00]
[6.000e+00 2.700e-01 2.800e-01 4.800e+00 6.300e-02 3.100e+01 2.010e+02
9.964e-01 3.690e+00 7.100e-01 1.000e+01]
[8.600e+00 2.300e-01 4.600e-01 1.000e+00 5.400e-02 9.000e+00 7.200e+01
9.941e-01 2.950e+00 4.900e-01 9.100e+00]
[6.700e+00 2.300e-01 3.100e-01 2.100e+00 4.600e-02 3.000e+01 9.600e+01
9.926e-01 3.330e+00 6.400e-01 1.070e+01]
[7.400e+00 2.400e-01 2.900e-01 1.010e+01 5.000e-02 2.100e+01 1.050e+02
9.962e-01 3.130e+00 3.500e-01 9.500e+00]
[7.100e+00 1.800e-01 3.600e-01 1.400e+00 4.300e-02 3.100e+01 8.700e+01
9.898e-01 3.260e+00 3.700e-01 1.270e+01]
[7.000e+00 3.200e-01 3.400e-01 1.300e+00 4.200e-02 2.000e+01 6.900e+01
9.912e-01 3.310e+00 6.500e-01 1.200e+01]
[7.400e+00 1.800e-01 3.000e-01 8.800e+00 6.400e-02 2.600e+01 1.030e+02
9.961e-01 2.940e+00 5.600e-01 9.300e+00]
[6.700e+00 5.400e-01 2.800e-01 5.400e+00 6.000e-02 2.100e+01 1.050e+02
9.949e-01 3.270e+00 3.700e-01 9.000e+00]
[6.800e+00 2.200e-01 3.100e-01 1.400e+00 5.300e-02 3.400e+01 1.140e+02
9.929e-01 3.390e+00 7.700e-01 1.060e+01]
[7.100e+00 2.000e-01 3.400e-01 1.600e+01 5.000e-02 5.100e+01 1.660e+02
9.985e-01 3.210e+00 6.000e-01 9.200e+00]
[7.100e+00 3.400e-01 2.000e-01 6.100e+00 6.300e-02 4.700e+01 1.640e+02
9.946e-01 3.170e+00 4.200e-01 1.000e+01]
[7.300e+00 2.200e-01 3.000e-01 8.200e+00 4.700e-02 4.200e+01 2.070e+02
9.966e-01 3.330e+00 4.600e-01 9.500e+00]
[7.100e+00 4.300e-01 6.100e-01 1.180e+01 4.500e-02 5.400e+01 1.550e+02
9.974e-01 3.110e+00 4.500e-01 8.700e+00]
[7.100e+00 4.400e-01 6.200e-01 1.180e+01 4.400e-02 5.200e+01 1.520e+02
9.975e-01 3.120e+00 4.600e-01 8.700e+00]
[7.200e+00 3.900e-01 6.300e-01 1.100e+01 4.400e-02 5.500e+01 1.560e+02
9.974e-01 3.090e+00 4.400e-01 8.700e+00]
[6.800e+00 2.500e-01 3.100e-01 1.330e+01 5.000e-02 6.900e+01 2.020e+02
9.972e-01 3.220e+00 4.800e-01 9.700e+00]
[7.100e+00 4.300e-01 6.100e-01 1.180e+01 4.500e-02 5.400e+01 1.550e+02
9.974e-01 3.110e+00 4.500e-01 8.700e+00]
[7.100e+00 4.400e-01 6.200e-01 1.180e+01 4.400e-02 5.200e+01 1.520e+02
9.975e-01 3.120e+00 4.600e-01 8.700e+00]
[7.200e+00 3.900e-01 6.300e-01 1.100e+01 4.400e-02 5.500e+01 1.560e+02
9.974e-01 3.090e+00 4.400e-01 8.700e+00]
[6.100e+00 2.700e-01 4.300e-01 7.500e+00 4.900e-02 6.500e+01 2.430e+02
9.957e-01 3.120e+00 4.700e-01 9.000e+00]
[6.900e+00 2.400e-01 3.300e-01 1.700e+00 3.500e-02 4.700e+01 1.360e+02
9.900e-01 3.260e+00 4.000e-01 1.260e+01]
[6.900e+00 2.100e-01 3.300e-01 1.800e+00 3.400e-02 4.800e+01 1.360e+02
9.899e-01 3.250e+00 4.100e-01 1.260e+01]
[7.500e+00 1.700e-01 3.200e-01 1.700e+00 4.000e-02 5.100e+01 1.480e+02
9.916e-01 3.210e+00 4.400e-01 1.150e+01]
[7.100e+00 2.600e-01 2.900e-01 1.240e+01 4.400e-02 6.200e+01 2.400e+02
9.969e-01 3.040e+00 4.200e-01 9.200e+00]
[6.000e+00 3.400e-01 6.600e-01 1.590e+01 4.600e-02 2.600e+01 1.640e+02
9.979e-01 3.140e+00 5.000e-01 8.800e+00]
[8.600e+00 2.650e-01 3.600e-01 1.200e+00 3.400e-02 1.500e+01 8.000e+01
9.913e-01 2.950e+00 3.600e-01 1.140e+01]
[9.800e+00 3.600e-01 4.600e-01 1.050e+01 3.800e-02 4.000e+00 8.300e+01
9.956e-01 2.890e+00 3.000e-01 1.010e+01]
[6.000e+00 3.400e-01 6.600e-01 1.590e+01 4.600e-02 2.600e+01 1.640e+02
9.979e-01 3.140e+00 5.000e-01 8.800e+00]
[7.400e+00 2.500e-01 3.700e-01 1.350e+01 6.000e-02 5.200e+01 1.920e+02
9.975e-01 3.000e+00 4.400e-01 9.100e+00]
[7.100e+00 1.200e-01 3.200e-01 9.600e+00 5.400e-02 6.400e+01 1.620e+02
9.962e-01 3.400e+00 4.100e-01 9.400e+00]
[6.000e+00 2.100e-01 2.400e-01 1.210e+01 5.000e-02 5.500e+01 1.640e+02
9.970e-01 3.340e+00 3.900e-01 9.400e+00]
[7.500e+00 3.050e-01 4.000e-01 1.890e+01 5.900e-02 4.400e+01 1.700e+02
1.000e+00 2.990e+00 4.600e-01 9.000e+00]
[7.400e+00 2.500e-01 3.700e-01 1.350e+01 6.000e-02 5.200e+01 1.920e+02
9.975e-01 3.000e+00 4.400e-01 9.100e+00]
[7.300e+00 1.300e-01 3.200e-01 1.440e+01 5.100e-02 3.400e+01 1.090e+02
9.974e-01 3.200e+00 3.500e-01 9.200e+00]
[7.100e+00 1.200e-01 3.200e-01 9.600e+00 5.400e-02 6.400e+01 1.620e+02
9.962e-01 3.400e+00 4.100e-01 9.400e+00]
[7.100e+00 2.300e-01 3.500e-01 1.650e+01 4.000e-02 6.000e+01 1.710e+02
9.990e-01 3.160e+00 5.900e-01 9.100e+00]
[7.100e+00 2.300e-01 3.500e-01 1.650e+01 4.000e-02 6.000e+01 1.710e+02
9.990e-01 3.160e+00 5.900e-01 9.100e+00]
[6.900e+00 3.300e-01 2.800e-01 1.300e+00 5.100e-02 3.700e+01 1.870e+02
9.927e-01 3.270e+00 6.000e-01 1.030e+01]
[6.500e+00 1.700e-01 5.400e-01 8.500e+00 8.200e-02 6.400e+01 1.630e+02
9.959e-01 2.890e+00 3.900e-01 8.800e+00]
[7.200e+00 2.700e-01 4.600e-01 1.875e+01 5.200e-02 4.500e+01 2.550e+02
1.000e+00 3.040e+00 5.200e-01 8.900e+00]
[7.200e+00 3.100e-01 5.000e-01 1.330e+01 5.600e-02 6.800e+01 1.950e+02
9.982e-01 3.010e+00 4.700e-01 9.200e+00]
[6.700e+00 4.100e-01 3.400e-01 9.200e+00 4.900e-02 2.900e+01 1.500e+02
9.968e-01 3.220e+00 5.100e-01 9.100e+00]
[6.700e+00 4.100e-01 3.400e-01 9.200e+00 4.900e-02 2.900e+01 1.500e+02
9.968e-01 3.220e+00 5.100e-01 9.100e+00]
[5.500e+00 4.850e-01 0.000e+00 1.500e+00 6.500e-02 8.000e+00 1.030e+02
9.940e-01 3.630e+00 4.000e-01 9.700e+00]]
pandas.DataFrame.values
返回DataFrame的Numpy表示。
只有DataFrame中的值會返回，ax標籤會被刪除。
返回:
numpy.ndarray
DataFrame的值。
pandas.DataFrame.index
檢索索引標籤
pandas.DataFrame.columns
檢索列名
import pandas as pd
x="name,age,result\n'zhangsang',32,1\n'lisi',29,2\n'wangwu',30,1"
df=pd.read_csv(StringIO.StringIO(x))
print df
print df.index
print df.columns
name age result
0 'zhangsang' 32 1
1 'lisi' 29 2
2 'wangwu' 30 1
RangeIndex(start=0, stop=3, step=1)
Index([u'name', u'age', u'result'], dtype='object')
dtype將是一個較低的公共類型(隱式向上轉換);也就是說，若是dtype(甚至是數字類型)是混合，就會選擇容納全部類型的dtype。若是您沒有處理這些塊，請當心使用。
例如，若是dtype是float16和float32，那麼dtype將向上轉換爲float32。若是dtype爲int32和uint8，則dtype將被向上轉換爲int32。經過numpy.find_common_type()轉換，混合int64和uint64將產生float64 dtype。
df = pd.DataFrame({'age': [ 3, 29],
'height': [94, 170],
'weight': [31, 115]}
)
print df
print df.dtypes
print df.values
age height weight
0 3 94 31
1 29 170 115
age int64
height int64
weight int64
dtype: object
[[ 3 94 31]
[ 29 170 115]]
下面的代碼提取特徵列和結果列
import pandas as pd
x="name,age,result\n'zhangsang',32,1\n'lisi',29,2\n'wangwu',30,1"
df=pd.read_csv(StringIO.StringIO(x))
data=df.values
print df
print data
dataColName=df.columns
print dataColName[-1]
print dataColName[:len(dataColName)-1]
name age result
0 'zhangsang' 32 1
1 'lisi' 29 2
2 'wangwu' 30 1
[["'zhangsang'" 32 1]
["'lisi'" 29 2]
["'wangwu'" 30 1]]
result
Index([u'name', u'age'], dtype='object')
import pandas as pd
x="name,age,result\n'zhangsang',32,1\n'lisi',29,2\n'wangwu',30,1"
df=pd.read_csv(StringIO.StringIO(x))
print df
print
data=df.values
dataColName=df.columns
ftColName=dataColName[-1]
rsColName=list(dataColName[:len(dataColName)-1])
print df[ftColName].values
print df[rsColName].values
name age result
0 'zhangsang' 32 1
1 'lisi' 29 2
2 'wangwu' 30 1
[1 2 1]
[["'zhangsang'" 32]
["'lisi'" 29]
["'wangwu'" 30]]
讀取葡萄酒質量樣本數據
import pandas as pd
df=pd.read_csv("winequality-white-test.csv",sep=";")
print df
print
data=df.values
dataColName=df.columns
rsColName=dataColName[-1]
ftColName=list(dataColName[:len(dataColName)-1])
print df[rsColName].values
print '===='
print df[ftColName].values
fixedacidity volatileacidity citricacid residualsugar chlorides \
0 6.8 0.220 0.24 4.90 0.092
1 6.0 0.190 0.26 12.40 0.048
2 7.0 0.470 0.07 1.10 0.035
3 6.6 0.380 0.15 4.60 0.044
4 7.2 0.240 0.27 1.40 0.038
5 6.2 0.350 0.03 1.20 0.064
6 6.4 0.260 0.24 6.40 0.040
7 6.7 0.250 0.13 1.20 0.041
8 6.7 0.230 0.31 2.10 0.046
9 7.4 0.240 0.29 10.10 0.050
10 6.2 0.270 0.43 7.80 0.056
11 6.8 0.300 0.23 4.60 0.061
12 6.0 0.270 0.28 4.80 0.063
13 8.6 0.230 0.46 1.00 0.054
14 6.7 0.230 0.31 2.10 0.046
15 7.4 0.240 0.29 10.10 0.050
16 7.1 0.180 0.36 1.40 0.043
17 7.0 0.320 0.34 1.30 0.042
18 7.4 0.180 0.30 8.80 0.064
19 6.7 0.540 0.28 5.40 0.060
20 6.8 0.220 0.31 1.40 0.053
21 7.1 0.200 0.34 16.00 0.050
22 7.1 0.340 0.20 6.10 0.063
23 7.3 0.220 0.30 8.20 0.047
24 7.1 0.430 0.61 11.80 0.045
25 7.1 0.440 0.62 11.80 0.044
26 7.2 0.390 0.63 11.00 0.044
27 6.8 0.250 0.31 13.30 0.050
28 7.1 0.430 0.61 11.80 0.045
29 7.1 0.440 0.62 11.80 0.044
30 7.2 0.390 0.63 11.00 0.044
31 6.1 0.270 0.43 7.50 0.049
32 6.9 0.240 0.33 1.70 0.035
33 6.9 0.210 0.33 1.80 0.034
34 7.5 0.170 0.32 1.70 0.040
35 7.1 0.260 0.29 12.40 0.044
36 6.0 0.340 0.66 15.90 0.046
37 8.6 0.265 0.36 1.20 0.034
38 9.8 0.360 0.46 10.50 0.038
39 6.0 0.340 0.66 15.90 0.046
40 7.4 0.250 0.37 13.50 0.060
41 7.1 0.120 0.32 9.60 0.054
42 6.0 0.210 0.24 12.10 0.050
43 7.5 0.305 0.40 18.90 0.059
44 7.4 0.250 0.37 13.50 0.060
45 7.3 0.130 0.32 14.40 0.051
46 7.1 0.120 0.32 9.60 0.054
47 7.1 0.230 0.35 16.50 0.040
48 7.1 0.230 0.35 16.50 0.040
49 6.9 0.330 0.28 1.30 0.051
50 6.5 0.170 0.54 8.50 0.082
51 7.2 0.270 0.46 18.75 0.052
52 7.2 0.310 0.50 13.30 0.056
53 6.7 0.410 0.34 9.20 0.049
54 6.7 0.410 0.34 9.20 0.049
55 5.5 0.485 0.00 1.50 0.065
freesulfurdioxide totalsulfurdioxide density pH sulphates alcohol \
0 30.0 123.0 0.9951 3.03 0.46 8.6
1 50.0 147.0 0.9972 3.30 0.36 8.9
2 17.0 151.0 0.9910 3.02 0.34 10.5
3 25.0 78.0 0.9931 3.11 0.38 10.2
4 31.0 122.0 0.9927 3.15 0.46 10.3
5 29.0 120.0 0.9934 3.22 0.54 9.1
6 27.0 124.0 0.9903 3.22 0.49 12.6
7 81.0 174.0 0.9920 3.14 0.42 9.8
8 30.0 96.0 0.9926 3.33 0.64 10.7
9 21.0 105.0 0.9962 3.13 0.35 9.5
10 48.0 244.0 0.9956 3.10 0.51 9.0
11 50.5 238.5 0.9958 3.32 0.60 9.5
12 31.0 201.0 0.9964 3.69 0.71 10.0
13 9.0 72.0 0.9941 2.95 0.49 9.1
14 30.0 96.0 0.9926 3.33 0.64 10.7
15 21.0 105.0 0.9962 3.13 0.35 9.5
16 31.0 87.0 0.9898 3.26 0.37 12.7
17 20.0 69.0 0.9912 3.31 0.65 12.0
18 26.0 103.0 0.9961 2.94 0.56 9.3
19 21.0 105.0 0.9949 3.27 0.37 9.0
20 34.0 114.0 0.9929 3.39 0.77 10.6
21 51.0 166.0 0.9985 3.21 0.60 9.2
22 47.0 164.0 0.9946 3.17 0.42 10.0
23 42.0 207.0 0.9966 3.33 0.46 9.5
24 54.0 155.0 0.9974 3.11 0.45 8.7
25 52.0 152.0 0.9975 3.12 0.46 8.7
26 55.0 156.0 0.9974 3.09 0.44 8.7
27 69.0 202.0 0.9972 3.22 0.48 9.7
28 54.0 155.0 0.9974 3.11 0.45 8.7
29 52.0 152.0 0.9975 3.12 0.46 8.7
30 55.0 156.0 0.9974 3.09 0.44 8.7
31 65.0 243.0 0.9957 3.12 0.47 9.0
32 47.0 136.0 0.9900 3.26 0.40 12.6
33 48.0 136.0 0.9899 3.25 0.41 12.6
34 51.0 148.0 0.9916 3.21 0.44 11.5
35 62.0 240.0 0.9969 3.04 0.42 9.2
36 26.0 164.0 0.9979 3.14 0.50 8.8
37 15.0 80.0 0.9913 2.95 0.36 11.4
38 4.0 83.0 0.9956 2.89 0.30 10.1
39 26.0 164.0 0.9979 3.14 0.50 8.8
40 52.0 192.0 0.9975 3.00 0.44 9.1
41 64.0 162.0 0.9962 3.40 0.41 9.4
42 55.0 164.0 0.9970 3.34 0.39 9.4
43 44.0 170.0 1.0000 2.99 0.46 9.0
44 52.0 192.0 0.9975 3.00 0.44 9.1
45 34.0 109.0 0.9974 3.20 0.35 9.2
46 64.0 162.0 0.9962 3.40 0.41 9.4
47 60.0 171.0 0.9990 3.16 0.59 9.1
48 60.0 171.0 0.9990 3.16 0.59 9.1
49 37.0 187.0 0.9927 3.27 0.60 10.3
50 64.0 163.0 0.9959 2.89 0.39 8.8
51 45.0 255.0 1.0000 3.04 0.52 8.9
52 68.0 195.0 0.9982 3.01 0.47 9.2
53 29.0 150.0 0.9968 3.22 0.51 9.1
54 29.0 150.0 0.9968 3.22 0.51 9.1
55 8.0 103.0 0.9940 3.63 0.40 9.7
quality
0 6
1 6
2 5
3 6
4 6
5 5
6 7
7 5
8 8
9 5
10 6
11 5
12 5
13 6
14 8
15 5
16 7
17 7
18 5
19 5
20 6
21 6
22 5
23 6
24 5
25 6
26 6
27 6
28 5
29 6
30 6
31 5
32 7
33 7
34 7
35 6
36 6
37 7
38 4
39 6
40 5
41 5
42 5
43 5
44 5
45 6
46 5
47 6
48 6
49 5
50 6
51 5
52 5
53 5
54 5
55 4
[6 6 5 6 6 5 7 5 8 5 6 5 5 6 8 5 7 7 5 5 6 6 5 6 5 6 6 6 5 6 6 5 7 7 7 6 6
7 4 6 5 5 5 5 5 6 5 6 6 5 6 5 5 5 5 4]
====
[[6.800e+00 2.200e-01 2.400e-01 4.900e+00 9.200e-02 3.000e+01 1.230e+02
9.951e-01 3.030e+00 4.600e-01 8.600e+00]
[6.000e+00 1.900e-01 2.600e-01 1.240e+01 4.800e-02 5.000e+01 1.470e+02
9.972e-01 3.300e+00 3.600e-01 8.900e+00]
[7.000e+00 4.700e-01 7.000e-02 1.100e+00 3.500e-02 1.700e+01 1.510e+02
9.910e-01 3.020e+00 3.400e-01 1.050e+01]
[6.600e+00 3.800e-01 1.500e-01 4.600e+00 4.400e-02 2.500e+01 7.800e+01
9.931e-01 3.110e+00 3.800e-01 1.020e+01]
[7.200e+00 2.400e-01 2.700e-01 1.400e+00 3.800e-02 3.100e+01 1.220e+02
9.927e-01 3.150e+00 4.600e-01 1.030e+01]
[6.200e+00 3.500e-01 3.000e-02 1.200e+00 6.400e-02 2.900e+01 1.200e+02
9.934e-01 3.220e+00 5.400e-01 9.100e+00]
[6.400e+00 2.600e-01 2.400e-01 6.400e+00 4.000e-02 2.700e+01 1.240e+02
9.903e-01 3.220e+00 4.900e-01 1.260e+01]
[6.700e+00 2.500e-01 1.300e-01 1.200e+00 4.100e-02 8.100e+01 1.740e+02
9.920e-01 3.140e+00 4.200e-01 9.800e+00]
[6.700e+00 2.300e-01 3.100e-01 2.100e+00 4.600e-02 3.000e+01 9.600e+01
9.926e-01 3.330e+00 6.400e-01 1.070e+01]
[7.400e+00 2.400e-01 2.900e-01 1.010e+01 5.000e-02 2.100e+01 1.050e+02
9.962e-01 3.130e+00 3.500e-01 9.500e+00]
[6.200e+00 2.700e-01 4.300e-01 7.800e+00 5.600e-02 4.800e+01 2.440e+02
9.956e-01 3.100e+00 5.100e-01 9.000e+00]
[6.800e+00 3.000e-01 2.300e-01 4.600e+00 6.100e-02 5.050e+01 2.385e+02
9.958e-01 3.320e+00 6.000e-01 9.500e+00]
[6.000e+00 2.700e-01 2.800e-01 4.800e+00 6.300e-02 3.100e+01 2.010e+02
9.964e-01 3.690e+00 7.100e-01 1.000e+01]
[8.600e+00 2.300e-01 4.600e-01 1.000e+00 5.400e-02 9.000e+00 7.200e+01
9.941e-01 2.950e+00 4.900e-01 9.100e+00]
[6.700e+00 2.300e-01 3.100e-01 2.100e+00 4.600e-02 3.000e+01 9.600e+01
9.926e-01 3.330e+00 6.400e-01 1.070e+01]
[7.400e+00 2.400e-01 2.900e-01 1.010e+01 5.000e-02 2.100e+01 1.050e+02
9.962e-01 3.130e+00 3.500e-01 9.500e+00]
[7.100e+00 1.800e-01 3.600e-01 1.400e+00 4.300e-02 3.100e+01 8.700e+01
9.898e-01 3.260e+00 3.700e-01 1.270e+01]
[7.000e+00 3.200e-01 3.400e-01 1.300e+00 4.200e-02 2.000e+01 6.900e+01
9.912e-01 3.310e+00 6.500e-01 1.200e+01]
[7.400e+00 1.800e-01 3.000e-01 8.800e+00 6.400e-02 2.600e+01 1.030e+02
9.961e-01 2.940e+00 5.600e-01 9.300e+00]
[6.700e+00 5.400e-01 2.800e-01 5.400e+00 6.000e-02 2.100e+01 1.050e+02
9.949e-01 3.270e+00 3.700e-01 9.000e+00]
[6.800e+00 2.200e-01 3.100e-01 1.400e+00 5.300e-02 3.400e+01 1.140e+02
9.929e-01 3.390e+00 7.700e-01 1.060e+01]
[7.100e+00 2.000e-01 3.400e-01 1.600e+01 5.000e-02 5.100e+01 1.660e+02
9.985e-01 3.210e+00 6.000e-01 9.200e+00]
[7.100e+00 3.400e-01 2.000e-01 6.100e+00 6.300e-02 4.700e+01 1.640e+02
9.946e-01 3.170e+00 4.200e-01 1.000e+01]
[7.300e+00 2.200e-01 3.000e-01 8.200e+00 4.700e-02 4.200e+01 2.070e+02
9.966e-01 3.330e+00 4.600e-01 9.500e+00]
[7.100e+00 4.300e-01 6.100e-01 1.180e+01 4.500e-02 5.400e+01 1.550e+02
9.974e-01 3.110e+00 4.500e-01 8.700e+00]
[7.100e+00 4.400e-01 6.200e-01 1.180e+01 4.400e-02 5.200e+01 1.520e+02
9.975e-01 3.120e+00 4.600e-01 8.700e+00]
[7.200e+00 3.900e-01 6.300e-01 1.100e+01 4.400e-02 5.500e+01 1.560e+02
9.974e-01 3.090e+00 4.400e-01 8.700e+00]
[6.800e+00 2.500e-01 3.100e-01 1.330e+01 5.000e-02 6.900e+01 2.020e+02
9.972e-01 3.220e+00 4.800e-01 9.700e+00]
[7.100e+00 4.300e-01 6.100e-01 1.180e+01 4.500e-02 5.400e+01 1.550e+02
9.974e-01 3.110e+00 4.500e-01 8.700e+00]
[7.100e+00 4.400e-01 6.200e-01 1.180e+01 4.400e-02 5.200e+01 1.520e+02
9.975e-01 3.120e+00 4.600e-01 8.700e+00]
[7.200e+00 3.900e-01 6.300e-01 1.100e+01 4.400e-02 5.500e+01 1.560e+02
9.974e-01 3.090e+00 4.400e-01 8.700e+00]
[6.100e+00 2.700e-01 4.300e-01 7.500e+00 4.900e-02 6.500e+01 2.430e+02
9.957e-01 3.120e+00 4.700e-01 9.000e+00]
[6.900e+00 2.400e-01 3.300e-01 1.700e+00 3.500e-02 4.700e+01 1.360e+02
9.900e-01 3.260e+00 4.000e-01 1.260e+01]
[6.900e+00 2.100e-01 3.300e-01 1.800e+00 3.400e-02 4.800e+01 1.360e+02
9.899e-01 3.250e+00 4.100e-01 1.260e+01]
[7.500e+00 1.700e-01 3.200e-01 1.700e+00 4.000e-02 5.100e+01 1.480e+02
9.916e-01 3.210e+00 4.400e-01 1.150e+01]
[7.100e+00 2.600e-01 2.900e-01 1.240e+01 4.400e-02 6.200e+01 2.400e+02
9.969e-01 3.040e+00 4.200e-01 9.200e+00]
[6.000e+00 3.400e-01 6.600e-01 1.590e+01 4.600e-02 2.600e+01 1.640e+02
9.979e-01 3.140e+00 5.000e-01 8.800e+00]
[8.600e+00 2.650e-01 3.600e-01 1.200e+00 3.400e-02 1.500e+01 8.000e+01
9.913e-01 2.950e+00 3.600e-01 1.140e+01]
[9.800e+00 3.600e-01 4.600e-01 1.050e+01 3.800e-02 4.000e+00 8.300e+01
9.956e-01 2.890e+00 3.000e-01 1.010e+01]
[6.000e+00 3.400e-01 6.600e-01 1.590e+01 4.600e-02 2.600e+01 1.640e+02
9.979e-01 3.140e+00 5.000e-01 8.800e+00]
[7.400e+00 2.500e-01 3.700e-01 1.350e+01 6.000e-02 5.200e+01 1.920e+02
9.975e-01 3.000e+00 4.400e-01 9.100e+00]
[7.100e+00 1.200e-01 3.200e-01 9.600e+00 5.400e-02 6.400e+01 1.620e+02
9.962e-01 3.400e+00 4.100e-01 9.400e+00]
[6.000e+00 2.100e-01 2.400e-01 1.210e+01 5.000e-02 5.500e+01 1.640e+02
9.970e-01 3.340e+00 3.900e-01 9.400e+00]
[7.500e+00 3.050e-01 4.000e-01 1.890e+01 5.900e-02 4.400e+01 1.700e+02
1.000e+00 2.990e+00 4.600e-01 9.000e+00]
[7.400e+00 2.500e-01 3.700e-01 1.350e+01 6.000e-02 5.200e+01 1.920e+02
9.975e-01 3.000e+00 4.400e-01 9.100e+00]
[7.300e+00 1.300e-01 3.200e-01 1.440e+01 5.100e-02 3.400e+01 1.090e+02
9.974e-01 3.200e+00 3.500e-01 9.200e+00]
[7.100e+00 1.200e-01 3.200e-01 9.600e+00 5.400e-02 6.400e+01 1.620e+02
9.962e-01 3.400e+00 4.100e-01 9.400e+00]
[7.100e+00 2.300e-01 3.500e-01 1.650e+01 4.000e-02 6.000e+01 1.710e+02
9.990e-01 3.160e+00 5.900e-01 9.100e+00]
[7.100e+00 2.300e-01 3.500e-01 1.650e+01 4.000e-02 6.000e+01 1.710e+02
9.990e-01 3.160e+00 5.900e-01 9.100e+00]
[6.900e+00 3.300e-01 2.800e-01 1.300e+00 5.100e-02 3.700e+01 1.870e+02
9.927e-01 3.270e+00 6.000e-01 1.030e+01]
[6.500e+00 1.700e-01 5.400e-01 8.500e+00 8.200e-02 6.400e+01 1.630e+02
9.959e-01 2.890e+00 3.900e-01 8.800e+00]
[7.200e+00 2.700e-01 4.600e-01 1.875e+01 5.200e-02 4.500e+01 2.550e+02
1.000e+00 3.040e+00 5.200e-01 8.900e+00]
[7.200e+00 3.100e-01 5.000e-01 1.330e+01 5.600e-02 6.800e+01 1.950e+02
9.982e-01 3.010e+00 4.700e-01 9.200e+00]
[6.700e+00 4.100e-01 3.400e-01 9.200e+00 4.900e-02 2.900e+01 1.500e+02
9.968e-01 3.220e+00 5.100e-01 9.100e+00]
[6.700e+00 4.100e-01 3.400e-01 9.200e+00 4.900e-02 2.900e+01 1.500e+02
9.968e-01 3.220e+00 5.100e-01 9.100e+00]
[5.500e+00 4.850e-01 0.000e+00 1.500e+00 6.500e-02 8.000e+00 1.030e+02
9.940e-01 3.630e+00 4.000e-01 9.700e+00]]
#!/usr/bin/env python2
# -*- coding: utf-8 -*-
"""
Created on Fri Aug 10 16:13:29 2018
svm-葡萄酒質量預測
@author: myhaspl@myhaspl.com
@blog:https://blog.csdn.net/myhaspl
"""
import pandas as pd
import numpy as np
from sklearn import svm
testDf=pd.read_csv("winequality-white-test.csv",sep=";")
testData=testDf.values
wineDf=pd.read_csv("winequality-white.csv",sep=";")
wineData=wineDf.values
dataColName=wineDf.columns
rsColName=dataColName[-1]
ftColName=list(dataColName[:len(dataColName)-1])
testFeature=testDf[ftColName].values
testResult=testDf[rsColName].values
wineFeature=wineDf[ftColName].values
wineResult=wineDf[rsColName].values
clf = svm.SVC(gamma='scale')
clf.fit(wineFeature,wineResult)
y_pred=clf.predict(testFeature)
print y_pred
print testResult
[6 6 6 6 6 6 6 6 6 6 6 6 6 5 6 6 6 6 6 6 6 5 6 6 6 6 6 5 6 6 6 5 6 6 6 5 5
6 5 5 5 6 5 5 5 6 6 5 5 6 6 5 5 6 6 5]
[6 6 5 6 6 5 7 5 8 5 6 5 5 6 8 5 7 7 5 5 6 6 5 6 5 6 6 6 5 6 6 5 7 7 7 6 6
7 4 6 5 5 5 5 5 6 5 6 6 5 6 5 5 5 5 4]
boolean to int
m = [True, False, True, True] map(lambda x: 1 if x else 0, m) [1, 0, 1, 1]
#!/usr/bin/env python2
# -*- coding: utf-8 -*-
"""
Created on Fri Aug 10 16:13:29 2018
svm-葡萄酒質量預測
@author: myhaspl@myhaspl.com
@blog:https://blog.csdn.net/myhaspl
"""
import pandas as pd
import numpy as np
from sklearn import svm
testDf=pd.read_csv("winequality-white-test.csv",sep=";")
testData=testDf.values
wineDf=pd.read_csv("winequality-white.csv",sep=";")
wineData=wineDf.values
dataColName=wineDf.columns
rsColName=dataColName[-1]
ftColName=list(dataColName[:len(dataColName)-1])
testFeature=testDf[ftColName].values
testResult=testDf[rsColName].values
wineFeature=wineDf[ftColName].values
wineResult=wineDf[rsColName].values
clf = svm.SVC(gamma='scale')
clf.fit(wineFeature,wineResult)
y_pred=clf.predict(testFeature)
print y_pred
print testResult
predWine=np.equal(y_pred,testResult)
correctCount=float(sum(map(lambda x: 1 if x else 0, predWine)))
print "正確樣本數:%d,總測試樣本數:%d,正確率:%g"%(correctCount,len(testResult),correctCount/len(testResult))
[6 6 6 6 6 6 6 6 6 6 6 6 6 5 6 6 6 6 6 6 6 5 6 6 6 6 6 5 6 6 6 5 6 6 6 5 5 6 5 5 5 6 5 5 5 6 6 5 5 6 6 5 5 6 6 5] [6 6 5 6 6 5 7 5 8 5 6 5 5 6 8 5 7 7 5 5 6 6 5 6 5 6 6 6 5 6 6 5 7 7 7 6 6 7 4 6 5 5 5 5 5 6 5 6 6 5 6 5 5 5 5 4] 正確樣本數:20,總測試樣本數:56,正確率:0.357143
再來看看核函數
import pandas as pd
import numpy as np
from sklearn import svm
testDf=pd.read_csv("winequality-white-test.csv",sep=";")
testData=testDf.values
wineDf=pd.read_csv("winequality-white.csv",sep=";")
wineData=wineDf.values
dataColName=wineDf.columns
rsColName=dataColName[-1]
ftColName=list(dataColName[:len(dataColName)-1])
testFeature=testDf[ftColName].values
testResult=testDf[rsColName].values
wineFeature=wineDf[ftColName].values
wineResult=wineDf[rsColName].values
clf = svm.SVC(gamma='scale',kernel='sigmoid')
clf.fit(wineFeature,wineResult)
y_pred=clf.predict(testFeature)
print y_pred
print testResult
predWine=np.equal(y_pred,testResult)
correctCount=float(sum(map(lambda x: 1 if x else 0, predWine)))
print "正確樣本數:%d,總測試樣本數:%d,正確率:%g"%(correctCount,len(testResult),correctCount/len(testResult))
[6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6 6] [6 6 5 6 6 5 7 5 8 5 6 5 5 6 8 5 7 7 5 5 6 6 5 6 5 6 6 6 5 6 6 5 7 7 7 6 6 7 4 6 5 5 5 5 5 6 5 6 6 5 6 5 5 5 5 4] 正確樣本數:21,總測試樣本數:56,正確率:0.375
相關文章
- 1. sklearn之svm-葡萄酒質量預測(8)
- 2. sklearn之svm-葡糖酒質量預測(1)
- 3. 使用ML.NET實現白葡萄酒品質預測
- 4. 04-11 隨機森林代碼(葡萄酒質量檢測)
- 5. 基於SVM的數據分類預測——意大利葡萄酒種類識別
- 6. 世界葡萄酒產區
- 7. wine葡萄酒數據集KNN&SVM分類實驗
- 8. 使用MATALB的Classification Learner工具箱訓練和預測葡萄酒數據
- 9. 葡萄乾上火嗎？葡萄乾是否可以多吃？
- 10. PCA、LDA降維——應用於wine葡萄酒數據集
- 更多相關文章...
- • PHP PDO預定義常量 - PHP參考手冊
- • Web 品質- 標準 - 網站品質教程
- • Docker容器實戰(八) - 漫談 Kubernetes 的本質
- • 互聯網組織的未來：剖析GitHub員工的任性之源
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
