机器学习中数据处理与可视化的python、numpy等常用函数

港控/mmm° 2022-06-05 05:46 128阅读 0赞

#### **写在前面：本文所针对的python版本为python3.0以上！** ####

--------------------

### **np.tile()** ###

tile（）相当于复制当前行元素或者列元素

import numpy as np
    
    m1 = np.array([1, 2, 3, 4])
    # 行复制两次，列复制一次到一个新数组中
    print(np.tile(m1, (2, 1)))
    print("===============")
    # 行复制一次，列复制两次到一个新数组中
    print(np.tile(m1, (1, 2)))
    print("===============")
    # 行复制两次，列复制两次到一个新数组中
    print(np.tile(m1, (2, 2)))

输出：

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]]

### **sum()** ###

sum函数是对元素进行求和，对于二维数组以上则可以根据参数axis进行分别对行和列进行求和，axis=0代表按列求和，axis=1代表行求和。

import numpy as np
    
    m1 = np.array([1, 2, 3, 4])
    # 元素逐个求和
    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))

输出：

D:\Python\python.exe E:/ML_Code/test_code.py
    10
    [ 7  4  6 11]
    [14 14]
    
    Process finished with exit code 0

### **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是根据数组大小进行维度的自动推断
    c = np.reshape(a, (3, -1))  # 为指定的值将被推断出为2
    print(c)

输出：

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]]

### **numpy.random.rand** ###

import numpy as np
    
    # 创建一个给定类型的数组，将其填充在一个均匀分布的随机样本[0, 1)中
    
    print(np.random.rand(3))
    
    print(np.random.rand(2, 2))

输出：

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]]

### **zip()** ###

zip() 函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。  
如果各个迭代器的元素个数不一致，则返回列表长度与最短的对象相同，利用 \* 号操作符，可以将元组解压为列表。

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))

输出：

D:\Python\python.exe E:/ML_Code/test_code.py
    [(1, 11), (2, 22), (3, 33), (4, 44)]
    
    Process finished with exit code 0

**注意点：在python 3以后的版本中zip()是可迭代对象，使用时必须将其包含在一个list中，方便一次性显示出所有结果。否则会报如下错误：**

### **矩阵相关** ###

import numpy as np
    
    # 生成随机矩阵
    myRand = np.random.rand(3, 4)
    print(myRand)
    
    # 生成单位矩阵
    myEye = np.eye(3)
    print(myEye)
    
    from numpy import *
    
    # 矩阵所有元素求和
    myMatrix = mat([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
    print(sum(myMatrix))
    
    # 计算矩阵的秩
    print(linalg.det(myMatrix))
    
    # 计算矩阵的逆
    print(linalg.inv(myMatrix))

**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自带的mat矩阵的运算规则是两者都按照矩阵乘法的规则来运算
    print(vector1 * vector2)
    
    # Python自带的mat矩阵的运算规则是两者都按照矩阵乘法的规则来运算
    print(dot(vector1, vector2))
    
    # numpy乘法运算中"*"是数组元素逐个计算
    print(vector3 * vector4)
    
    # numpy乘法运算中dot是按照矩阵乘法的规则来运算
    print(dot(vector3, vector4))

输出：

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]]

### **向量相关** ###

两个n维向量A(X11,X12,X13,...X1n)与B(X21,X22,X23,...X2n)之间的欧式距离为：

d12=∑k=1n(x1k−x2k)2−−−−−−−−−−−−√

表示成向量运算的形式：

d12=(A−B)(A−B)T−−−−−−−−−−−−−−√

from numpy import *
    
    # 计算两个向量的欧氏距离
    
    vector1 = mat([1, 2])
    vector2 = mat([3, 4])
    print(sqrt((vector1 - vector2) * ((vector1 - vector2).T)))

### **概率相关** ###

from numpy import *
    import numpy as np
    
    arrayOne = np.array([[1, 2, 3, 4, 5], [7, 4, 3, 3, 3]])
    
    # 计算第一列的平均数
    mv1 = mean(arrayOne[0])
    
    # 计算第二列的平均数
    mv2 = mean(arrayOne[1])
    
    # 计算第一列的标准差
    dv1 = std(arrayOne[0])
    
    # 计算第二列的标准差
    dv2 = std(arrayOne[1])
    
    print(mv1)
    print(mv2)
    print(dv1)
    print(dv2)