亚洲在线久爱草,狠狠天天香蕉网,天天搞日日干久草,伊人亚洲日本欧美

itemsize,是每個元素的bytes數

numpy

def?main()
????lst=[[1,3,5],[2,4,6]]
????print(type(lst))
????np_lst=np.arry(slt)
????print(type(np_lst))?#ndarry里只能有一種數據類型
????np_lst=np.arry(lst,dtype=np.float)?#轉化為float
????#bool，int，unint，float，complex等類型均支持
????print(np_lst.shape)?#打印矩陣的形狀
????print(np_lst.ndim)?#維度（行數）
????print(np_lst.dtype)?#元素類型
????print(np_lst.itemsize)?#每個元素的大小，float為8
????print(np_lst.size)?#所有元素個數

本節代碼 df1=df.reindex(index=dates[:4],columns = list("ABCD")+["G"]) ? ?df1.loc[dates[0]:dates[1],"G"]=1 ? ?print (df1) ? ?#丟棄數據 ? ?print(df1.dropna()) ? ?#填充數據 ? ?print(df1.fillna(value=1))

本節代碼 #pandas表統計與整合 ? ?#均值 ? ?print(df.mean()) ? ?#方差 ? ?print(df.var()) ? ?s=pd.Series([1,2,4,np.nan,5,7,9,10],index=dates) ? ?print(s) ? ?print(s.shift(2)) ? ?print(s.diff()) ? ?print(s.value_counts()) ? ?#累加 ? ?print(df.apply(np.cumsum)) ? ?#極差 ? ?print(df.apply(lambda x:x.max()-x.min())) ? ?#表格拼接 ? ?pieces=[df[:3],df[-3:]] ? ?print (pieces) ? ?left=pd.DataFrame({"key":["x","y"],"value":[1,2]}) ? ?right=pd.DataFrame({"key":["x","z"],"value":[3,4]}) ? ?print("LEFT:",left) ? ?print("RIGHT:",right) ? ?print(pd.merge(left,right,on="key",how="outer")) ? ?df3=pd.DataFrame({"A":["a","b","c","d"],"B":list(range(4))}) ? ?print(df3.groupby("A").sum())

#Basic print(df.head（3）) ?#head()打印出前幾行 print（df.tail(3)） #tail()打印出后幾行 print（df.index） ?#index()打印出索引 print(df.values) ? #values()打印出values print(df.T) ? ? ? ?#T 轉置 print（df.sort(columns="C")） ?#第C列的values按從小到大的順序排序 print(df.sort_index(axis=1,ascending=False)) ?#將index進行降序排序 print(df.describe()) ? #打印出所有屬性值 的數量 平均值 標準差 最小值 最大值等

list = np.array([[[1, 2, 3, 4], ? ? ? ? ? ? ? ? ? ? ?[4, 5, 6, 7, ]], ? ? ? ? ? ? ? ? ? ?[[7, 8, 9, 10], ? ? ? ? ? ? ? ? ? ?[11, 12, 13, 14]], ? ? ? ? ? ? ? ? ? ?[[15, 16, 17, 18], ? ? ? ? ? ? ? ? ? ?[19, 20, 21, 22]] ? ? ? ? ? ? ? ? ? ? ]) axis取值跟維數有關，維數從 0 開始算起，axis值越大，深入的程度越深 print (list.sum(axis=0))# axis表示維度，sxis=0,表示最外層的元素相加 print (list.sum(axis=1))# 表示最外層減一層的元素相加 print (list.max(axis=0)) # 最外層元素中的最大元素值 print (list.min(axis=0)) # 最外層元素中的最小元素值 list1 = np.array([10, 20, 30, 40]) list2 = np.array(([4, 3, 2, 1])) print(list1 + list2) # 對兩個list中的元素相加，ps:不是將一個數組中的元素放在另一個后面 print (list1-list2) # 對兩個list中的元素相 print (list1**2) # 對兩個list中的元素平方 print (list1/list2)# 對兩個list中的元素相除 print (list1.reshape([2, 2])) print (list2.reshape([2, 2])) print (np.dot(list1.reshape([2, 2]), list2.reshape([2, 2]))) # 數組點乘 print(np.concatenate((list1,list2),axis = 0)) #將兩個數組相連，即list2添加到list1中，傳的是tup

python 中的 list 可以放多種類型，numpy 底層是 C 寫的，為了達到運算速度，我們要求他只能裝下一種類型，可以定義他只能裝的數據類型。

放入初始化的 list 的時候可以同時指定裝入的類型 x=np.array(lst,dtype=np.float) 指定數據類型的時候要以 np. 開頭

#encoding=utf-8 ?//編碼方式

? import numpy as np ? //引人numpy 并用np簡化

def startMain(): ? ? ? ? ? ? ? ? ? ? ? ? //模板

? ? ? ?pass

if _name_=="_main_‘’：

?startMain()

#常用array操作 list = ?(np.arange(1, 11)) #產生一個1-11（不含11）的等差數列 list = ?(np.arange(1, 11)).reshape([2, 5]) # 變成兩行五列數組 print (np.exp(list)) ?# list 的自然指數 print (np.exp2(list)) # list 的自然指數的平方 print (np.sqrt(list)) # list 的開方 print (np.square(list)) # list 的平方 print (np.sin(list)) # list 的正弦值 ? ?print (np.log(list)) # list 的對數值 print (np.vstack((list1,list2))) #將兩個數組分成兩行組成一個數組也就是以行連接，注意傳的是個tuple print (np.hstack((list1,list2))) #將兩個數組相連組成一個一維數組，傳的是tup print (np.split(list1,n)) #將數組 list1 切分成n個子數組 print (np.copy(list1)) #對數組進行拷貝

print (np.zeros([2, 4]))#輸出元素都為0的2行4列數組 ? ?print (np.ones([3, 5]))#輸出元素都為1 的2行4列數組 ? ?print ("Rand:") ? ?print (np.random.rand(2, 4))#輸出2行4列的隨機數組 ? ?print (np.random.rand())#生成一個隨機數 ? ?print (np.random.randint(1, 14, 5))#在1到14之間生成5個隨機數 ? ?print (np.random.randn(2, 4))#輸出2行4列標準正態分布隨機數 ? ?print np.random.choice([10.20, 41])#在列表中的數隨機選取一個 ? ?print (np.random.beta(1,10, 100))#生成一個1-10共100個beta數組

np.array 用來創建一個numpy數組。 np.shape 顯示np數組屬性 np.ndim 表示數組維度 np.dtype表示數組元素類型（如：int8，in16,float64等） np.itemsize表示數組元素所占字節大小，如float64占字節8位 np.size表示數組元素個數

print(np.zeros[2,4]))#打印出2行4列的0

print(np.ones([3,5]))#打印出3行5列的1

print(“Rand:”)

print(np.random.rand(2,4))#0-1之間2行4列的隨機數

print(np.random.rand())#不加參數只有一個隨機數

print(“RandInt:”)

print(np.random.randint(1,10,3))范圍1-10隨機生成個3整數

print(“Randn:”)

print(np.random.randn(2,4))#標準正態布的兩行四列的數

print(np.random.choice([10,20,30]))#三個數中選一個打印

print(“Distribute:”)

print(np.random.beta(1,10,100))#打印1-10中符合beta分布的100個數

h2 { margin-top: 0.19in; margin-bottom: 0.19in; direction: ltr; color: rgb(0, 0, 0); text-align: left; break-after: auto; }h2.western { font-family: "宋體", serif; }h2.cjk { font-family: "宋體"; }h2.ctl { font-family: "宋體"; font-weight: normal; }p { margin-bottom: 0.1in; direction: ltr; color: rgb(0, 0, 0); line-height: 115%; text-align: justify; }p.western { font-family: "Calibri", serif; font-size: 10pt; }p.cjk { font-family: "宋體"; font-size: 10pt; }p.ctl { font-size: 12pt; }a:link { color: rgb(0, 0, 255); }

機器學習監督學習與無監督學習。機器學習的本質是一個函數。機器學習使用訓練好的算法或者函數對歷史數據進行處理，得出我們想要的結果。根據結果的不同，我們把機器學習分成以下幾類
如果不在打標記的情況下得出的結果我們稱之為無監督學習，如聚類和關聯規則
如果提前進行打標記處理，那么就是監督學習。根據打標記的數據是離散的還是連續的，我們又進一步分為分類（結果是有限、離散的）和回歸（結果是連續的）。數據挖掘和機器學習的一般步驟是數據預處理數據建模結果驗證，這個工具包具體要結合自己的論文和實習進行整理。