机器学习2

发表于
字数统计: | 阅读时长 ≈

python机器学习基础库(numpy,pandas,matplotlib)

1.numpy

NumPy是Python数值计算最重要的基础包，支持高级大量的维度数组与矩阵运算，大多数提供科学计算的包都是使用Numpy的数组作为构建基础。Numpy内部解除了Python的PIL(全局解释器锁),运算效率极好,是大量机器学习框架的基础库。

下面简要介绍numpy的简单使用方法

创建ndarray对象:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

1.
object 任何暴露数组接口方法的对象都会返回一个数组或任何（嵌套）序列。
2.
dtype 数组的所需数据类型，可选。
3.
copy 可选，默认为true，对象是否被复制。
4.
order C（按行）、F（按列）或A（任意，默认）。
5.
subok 默认情况下，返回的数组被强制为基类数组。 如果为true，则返回子类。
6.
ndmin 指定返回数组的最小维数。

代码：

1
2
3
4
5
6
7
import numpy as np 

a = np.array([1,2,3])  

print a

输出为：[1, 2, 3]

创建一个二维数组

1
2
3
4
5
6
7
import numpy as np 

a = np.array([[1,  2],  [3,  4]])  

print a

output:[[1, 2] ,[3, 4]]
使用reshape调整数组大小
1
2
3
4
5
6
7
8
9
10
11
12
13
14
import numpy as np 

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

b = a.reshape(3,2)  

print b

output:
[[1, 2] 

 [3, 4] 

 [5, 6]]

切片和索引

ndarray对象的内容可以通过索引或切片来访问和修改，就像 Python 的内置容器对象一样。

如前所述，ndarray对象中的元素遵循基于零的索引。 有三种可用的索引方法类型： 字段访问，基本切片和高级索引。

基本切片是 Python 中基本切片概念到 n 维的扩展。 通过将start，stop和step参数提供给内置的slice函数来构造一个 Python slice对象。 此slice对象被传递给数组来提取数组的一部分。

示例 1
1
2
3
4
import numpy as np
a = np.arange(10)
s = slice(2,7,2)  
print a[s]

输出如下：

1
[2  4  6]

在上面的例子中，ndarray对象由arange()函数创建。 然后，分别用起始，终止和步长值2，7和2定义切片对象。 当这个切片对象传递给ndarray时，会对它的一部分进行切片，从索引2到7，步长为2。

通过将由冒号分隔的切片参数（start:stop:step）直接提供给ndarray对象，也可以获得相同的结果。

示例 2
1
2
3
4
import numpy as np
a = np.arange(10)
b = a[2:7:2]  
print b

输出如下：

1
[2  4  6]

如果只输入一个参数，则将返回与索引对应的单个项目。 如果使用a:，则从该索引向后的所有项目将被提取。 如果使用两个参数（以:分隔），则对两个索引（不包括停止索引）之间的元素以默认步骤进行切片。

示例 3
1
2
3
4
5
# 对单个元素进行切片  
import numpy as np
a = np.arange(10)
b = a[5]  
print b

输出如下：

1
5
示例 4
1
2
3
4
# 对始于索引的元素进行切片  
import numpy as np
a = np.arange(10)  
print a[2:]

数学运算

可以对Numpy数组进行加法，减法，乘法，甚至三角运算，可以通过广度映射对不同阵型的数组进行算术运算。

向量

使用np.vectorize(函数)创建标量函数的向量化版本，以Python函数或方法作为参数，输出函数的向量化版本。

1
2
3
4
5
6
7
8
9
10
import numpy as np

def myfunc(a,b):
def myfunc(a,b):
	if a>b:
		return a-b
  	else:
    	return a+b
vfunc=np.vectorize(myfunc)
print(vfunc([1,2,3,4],[4,3,2,1]))

输出为：

1
[5 5 1 3]

多项式函数

ployld接受降幂次序的参数数组作为参数

创建多项式
1
2
3
4
5
6
7
8
import  numpy as np
p=np.poly1d([2,3,4])
print(np.poly1d(p))


output: 
   2
2 x + 3 x + 4