機器學習中數據處理與可視化的python、numpy等經常使用函數

寫在前面：本文所針對的python版本爲python3.0以上！

---

np.tile()

tile（）至關於複製當前行元素或者列元素

import numpy as np

m1 = np.array([1, 2, 3, 4])
# 行復制兩次，列複製一次到一個新數組中
print(np.tile(m1, (2, 1)))
print("===============")
# 行復制一次，列複製兩次到一個新數組中
print(np.tile(m1, (1, 2)))
print("===============")
# 行復制兩次，列複製兩次到一個新數組中
print(np.tile(m1, (2, 2)))複製代碼

輸出：

D:\Python\python.exe E:/ML_Code/test_code.py
[[1 2 3 4]
 [1 2 3 4]]
===============
[[1 2 3 4 1 2 3 4]]
===============
[[1 2 3 4 1 2 3 4]
 [1 2 3 4 1 2 3 4]]複製代碼

sum()

sum函數是對元素進行求和，對於二維數組以上則能夠根據參數axis進行分別對行和列進行求和，axis=0表明按列求和，axis=1表明行求和。

import numpy as np

m1 = np.array([1, 2, 3, 4])
# 元素逐個求和
print(sum(m1))

m2 = np.array([[6, 2, 2, 4], [1, 2, 4, 7]])
# 按列相加
print(m2.sum(axis=0))
# 按行相加
print(m2.sum(axis=1))複製代碼

輸出：

D:\Python\python.exe E:/ML_Code/test_code.py
10
[ 7  4  6 11]
[14 14]

Process finished with exit code 0複製代碼

shape和reshape

import numpy as np

a = np.array([[1, 2, 3], [4, 5, 6]])
print(a.shape)

b = np.reshape(a, 6)
print(b)

# -1是根據數組大小進行維度的自動推斷
c = np.reshape(a, (3, -1))  # 爲指定的值將被推斷出爲2
print(c)複製代碼

輸出：

D:\python-3.5.2\python.exe E:/ML_Code/test_code.py

(2, 3)

---

[1 2 3 4 5 6]

---

[[1 2]
 [3 4]
 [5 6]]複製代碼

numpy.random.rand

import numpy as np

# 建立一個給定類型的數組，將其填充在一個均勻分佈的隨機樣本[0, 1)中

print(np.random.rand(3))

print(np.random.rand(2, 2))複製代碼

輸出：

D:\python-3.5.2\python.exe E:/ML_Code/test_code.py

[ 0.03568079  0.68235136  0.64664722]

---

[[ 0.43591417  0.66372315]
 [ 0.86257381  0.63238434]]複製代碼

zip()

zip() 函數用於將可迭代的對象做爲參數，將對象中對應的元素打包成一個個元組，而後返回由這些元組組成的列表。
若是各個迭代器的元素個數不一致，則返回列表長度與最短的對象相同，利用 * 號操做符，能夠將元組解壓爲列表。

import numpy as np

a1 = np.array([1, 2, 3, 4])
a2 = np.array([11, 22, 33, 44])

z = zip(a1, a2)

print(list(z))複製代碼

輸出：

D:\Python\python.exe E:/ML_Code/test_code.py
[(1, 11), (2, 22), (3, 33), (4, 44)]

Process finished with exit code 0複製代碼

注意點：在python 3之後的版本中zip()是可迭代對象，使用時必須將其包含在一個list中，方便一次性顯示出全部結果。不然會報以下錯誤：

<zip object at 0x01FB2E90>複製代碼

矩陣相關

import numpy as np

# 生成隨機矩陣
myRand = np.random.rand(3, 4)
print(myRand)

# 生成單位矩陣
myEye = np.eye(3)
print(myEye)

from numpy import *

# 矩陣全部元素求和
myMatrix = mat([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(sum(myMatrix))

# 計算矩陣的秩
print(linalg.det(myMatrix))

# 計算矩陣的逆
print(linalg.inv(myMatrix))複製代碼

注意：

from numpy import *
import numpy as np

vector1 = mat([[1, 2], [1, 1]])
vector2 = mat([[1, 2], [1, 1]])
vector3 = np.array([[1, 2], [1, 1]])
vector4 = np.array([[1, 2], [1, 1]])

# Python自帶的mat矩陣的運算規則是二者都按照矩陣乘法的規則來運算
print(vector1 * vector2)

# Python自帶的mat矩陣的運算規則是二者都按照矩陣乘法的規則來運算
print(dot(vector1, vector2))

# numpy乘法運算中"*"是數組元素逐個計算
print(vector3 * vector4)

# numpy乘法運算中dot是按照矩陣乘法的規則來運算
print(dot(vector3, vector4))複製代碼

輸出：

D:\python-3.5.2\python.exe D:/PyCharm/py_base/py_numpy.py
[[3 4]
 [2 3]]
 ---
[[3 4]
 [2 3]]
 ---
[[1 4]
 [1 1]]
 ---
[[3 4]
 [2 3]]複製代碼

向量相關

from numpy import *

# 計算兩個向量的歐氏距離

vector1 = mat([1, 2])
vector2 = mat([3, 4])
print(sqrt((vector1 - vector2) * ((vector1 - vector2).T)))複製代碼

機率相關

from numpy import *
import numpy as np

arrayOne = np.array([[1, 2, 3, 4, 5], [7, 4, 3, 3, 3]])

# 計算第一列的平均數
mv1 = mean(arrayOne[0])

# 計算第二列的平均數
mv2 = mean(arrayOne[1])

# 計算第一列的標準差
dv1 = std(arrayOne[0])

# 計算第二列的標準差
dv2 = std(arrayOne[1])

print(mv1)
print(mv2)
print(dv1)
print(dv2)複製代碼

歡迎加入QQ學習交流羣（內有乾貨）：

歡迎你們關注個人我的公衆號