Python中Numpy和Matplotlib的基本使用指南
1. Jupyter Notebooks
作為小白,我現(xiàn)在使用的python編輯器是Jupyter Notebook,非常的好用,推薦!??!
你可以按[Ctrl] + [Enter]快捷鍵或按菜單中的運(yùn)行按鈕來運(yùn)行單元格。
在function(后面按[shift] + [tab]
,可以獲得函數(shù)或?qū)ο蟮膸椭?/p>
你還可以通過執(zhí)行function?
獲得幫助。
2. NumPy 數(shù)組
操作numpy數(shù)組是 Python 機(jī)器學(xué)習(xí)(或者,實(shí)際上是任何類型的科學(xué)計(jì)算)的重要部分。 在這里我主要快速介紹一下重要基本的功能。
import numpy as np # 設(shè)置隨機(jī)種子來獲得可重復(fù)性 rnd = np.random.RandomState(seed=520) # 生成隨機(jī)數(shù)組 # Array: shape(3, 5); # value: [0, 1] X = rnd.uniform(low=0.0, high=1.0, size=(3, 5)) print(X)
(請(qǐng)注意,NumPy 數(shù)組也是從 0 開始的索引)
# 元素訪問 # 獲取單個(gè)元素 # (這里是第一行第一列的元素) print(X[0, 0]) # 獲取一行 # (這里是第二行) print(X[1]) # 獲取一列 # (這里是第二列) print(X[:, 1]) # 數(shù)組轉(zhuǎn)置 print(X.T)
# 創(chuàng)建均勻間隔的數(shù)字的行向量。 y = np.linspace(0, 12, 5) # 從0開始,到12結(jié)束,數(shù)量為5 print(y) # 將行向量轉(zhuǎn)換為列向量 print(y[:, np.newaxis]) # 獲得形狀或改變數(shù)組形狀 # 生成隨機(jī)數(shù)組 rnd = np.random.RandomState(seed=520) X = rnd.uniform(low=0.0, high=1.0, size=(3, 5)) # X的大?。?,5) print(X.shape) # 將 X 大小變?yōu)?(5,3) X_reshaped = X.reshape(5, 3) print(X_reshaped) # 使用整數(shù)數(shù)組的索引(花式索引) indices = np.array([3, 1, 0]) print(indices) # 取X的第4,2,1列作為新數(shù)組 X[:, indices]
3. SciPy 稀疏數(shù)組
雖然我們平時(shí)不會(huì)大量使用它們,但稀疏矩陣在某些情況下非常好用。 在一些機(jī)器學(xué)習(xí)任務(wù)中,尤其是與文本分析相關(guān)的任務(wù),數(shù)據(jù)可能大多為零。 存儲(chǔ)所有這些零是非常低效的,并且以僅包含“非零”值的方式表示可以更有效。 我們可以創(chuàng)建和操作稀疏矩陣,如下所示:
# 創(chuàng)建一個(gè)包含大量零的隨機(jī)數(shù)組 rnd = np.random.RandomState(seed=123) X = rnd.uniform(low=0.0, high=1.0, size=(10, 5)) print(X) # 將大多數(shù)元素設(shè)置為零 X[X < 0.7] = 0 print(X) from scipy import sparse # 將 X 轉(zhuǎn)換為 CSR(壓縮稀疏行)矩陣 X_csr = sparse.csr_matrix(X) print(X_csr) # 將稀疏矩陣轉(zhuǎn)換為密集數(shù)組 print(X_csr.toarray())
(你可能偶然發(fā)現(xiàn)了一種將稀疏表示轉(zhuǎn)換為密集表示的替代方法:numpy.todense
;toarray
返回一個(gè) NumPy 數(shù)組,而todense返回一個(gè) NumPy 矩陣。在本教程中,我們將使用 NumPy 數(shù)組,而不是矩陣;scikit-learn 不支持后者。)
CSR 表示對(duì)于計(jì)算非常有效,但它不適合添加元素。 為此,LIL(List-In-List)表示更好:
# 創(chuàng)建一個(gè)空的 LIL 矩陣并添加一些項(xiàng)目 X_lil = sparse.lil_matrix((5, 5)) for i, j in np.random.randint(0, 5, (15, 2)): X_lil[i, j] = i + j print(X_lil) print(type(X_lil)) X_dense = X_lil.toarray() print(X_dense) print(type(X_dense))
通常,一旦創(chuàng)建了 LIL 矩陣,將其轉(zhuǎn)換為 CSR 格式很有用(許多 scikit-learn 算法需要 CSR 或 CSC 格式)
X_csr = X_lil.tocsr() print(X_csr) print(type(X_csr))
可用于各種問題的可用稀疏格式包括:
- CSR(壓縮稀疏行)
- CSC(壓縮稀疏列)
- BSR(塊稀疏行)
- COO(坐標(biāo))
- DIA(對(duì)角線)
- DOK(鍵的字典)
- LIL(列表中的列表)
scipy.sparse子模塊還有很多稀疏矩陣的函數(shù),包括線性代數(shù),稀疏求解器,圖算法等等。
4. Matplotlib
機(jī)器學(xué)習(xí)的另一個(gè)重要部分是數(shù)據(jù)可視化。 Python 中最常用的工具是matplotlib。 這是一個(gè)非常靈活的包,我們將在這里介紹一些基礎(chǔ)知識(shí)。
由于使用的是 Jupyter,所以使用 IPython 方便的內(nèi)置“魔術(shù)函數(shù)”,即“matoplotlib內(nèi)聯(lián)”模式,它將直接在筆記本內(nèi)部繪制圖形。
%matplotlib inline import matplotlib.pyplot as plt # 繪制直線 x = np.linspace(0, 10, 100) plt.plot(x, np.sin(x)); # 散點(diǎn)圖 x = np.random.normal(size=500) y = np.random.normal(size=500) plt.scatter(x, y); # 使用 imshow 展示繪圖 # - note that origin is at the top-left by default! x = np.linspace(1, 12, 100) y = x[:, np.newaxis] im = y * np.sin(x) * np.cos(y) print(im.shape) plt.imshow(im); # 輪廓圖 # - 請(qǐng)注意,此處的原點(diǎn)默認(rèn)位于左下角! plt.contour(im); # 3D 繪圖 from mpl_toolkits.mplot3d import Axes3D ax = plt.axes(projection='3d') xgrid, ygrid = np.meshgrid(x, y.ravel()) ax.plot_surface(xgrid, ygrid, im, cmap=plt.cm.viridis, cstride=2, rstride=2, linewidth=0);
有許多可用的繪圖類型。 查看matplotlib庫是一個(gè)很快的學(xué)習(xí)方法。
總結(jié)
到此這篇關(guān)于Python中Numpy和Matplotlib基本使用的文章就介紹到這了,更多相關(guān)Python Numpy和Matplotlib使用內(nèi)容請(qǐng)搜索本站以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持本站!
版權(quán)聲明:本站文章來源標(biāo)注為YINGSOO的內(nèi)容版權(quán)均為本站所有,歡迎引用、轉(zhuǎn)載,請(qǐng)保持原文完整并注明來源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站,禁止在非www.sddonglingsh.com所屬的服務(wù)器上建立鏡像,否則將依法追究法律責(zé)任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來,僅供學(xué)習(xí)參考,不代表本站立場,如有內(nèi)容涉嫌侵權(quán),請(qǐng)聯(lián)系alex-e#qq.com處理。