ML numpy、pandas、matplotlib的使用

Numpy的使用

创建Numpy数组

import numpy as np
# 创建一维数组
np.array([1, 2, 3])
# 创建二维数组
np.array([[1, 1, 2, 3], [3, 2, 3, 3]])
# 创建数组元素都为1的数组
np.ones(shape=(2, 3))
# 创建数组元素都为5的数组
np.full(shape=(2, 3), fill_value=5)
# 创建等差数列数组
np.linspace(1, 100, 20)
# 创建步长相等的数组
np.arange(0, 100, step=2)

np.random.seed(10) # 设置随机种子
np.random.randint(0, 100, size=(2, 4))  # 数组中的元素都为整数,范围在0到100之间
np.random.randn(2, 4)  # 创建标准正态分布的数组
创建Numpy数组
查看numpy数组的元素
# 二维数组的查看方式
arr[2][3] = 4

arr = np.random.randint(30, 300, size=(4, 5))  # 创建一个4行5列的二维数组
# 取前两行
arr[0:2]
# 取前两列
arr[:,0: 2]

# 查看数组形状
arr.shape
# 改变数组形状
arr.reshape(2, 10)
查看numpy数组的元素
数组的合并
import matplotlib.pyplot as plt
img_arr = plt.imread('F:/1.png')
plt.imshow(img_arr)
# 把图片进行纵向合并
arr1 = np.concatenate((img_arr, img_arr), axis = 0)
plt.imshow(arr1)
# 把图片进行横向合并
arr2 = np.hstack((img_arr, img_arr))
plt.imshow(arr2)

img = np.split(img_arr, [10, 250], axis=0)[1]
img = np.split(img, [770, 970], axis=1)[1]
plt.imshow(img)
数组的合并
广播机制
m = np.ones((2, 3))  # 创建元素都为1的数组
a = np.arange(3)  # 创建长度为3的等差数列

m + a  # 把a的每个元素对应相加

arr = np.random.randint(0, 100, size=(4, 7))
# 1. 快速排序
np.sort(arr)  # 每一行进行排序
np.sort(arr, axis=0)  # 每一列进行排序
广播机制

 

Pandas的使用

创建Series

# 使用字典创建
dic = {
    'math': 100,
    'english': 90,
}
Series(data=dic)
# 使用numpy创建Series
df = DataFrame(data=np.random.randint(30, 40, size=(3, 5)), index=['a', 'b', 'c'], columns=['A', 'B', 'C', 'D', 'E'])
Series的创建

查看Series

s = Series(data={'a': 'zhangsan', 'b': 'lisi'})
# 查看所有元素
s
# 查看某个元素
s['a']
s.loc['a']
Series的查看

创建DateFrame

# 使用numpy创建
df = DataFrame(data=np.random.randint(30, 40, size=(3, 5)), index=['a', 'b', 'c'], columns=['A', 'B', 'C', 'D', 'E'])
# 使用字典创建
dic = {
    'java': [60, 70, 80],
    'python': [90, 100, 100]
}
df = DataFrame(data=dic, index=['张三', '李四', '王五'])
DataFrame的创建

查看DateFrame

dic = {
    'java': [60, 70, 80],
    'python': [100, 200, 200]
}
df = DataFrame(data=dic, index=['张三', '李四', '王五'])
df['java']  # 按列查看
df.loc['李四']  # 按行查看
df.iloc[1]  # 按照行下标查看
查看DataFrame

DataFrame关于缺失值的处理

import numpy as np
import pandas as pd
from pandas import DataFrame, Series
np.random.seed(10)
df = DataFrame(np.random.randint(50, 200, size=(4, 5)), index=['a', 'b', 'c', 'd'], columns=['a', 's', 'd', 'd', 'f'])
df.loc['a', 'a'] = np.nan  # 把其中的某些值赋值为np.nan
df.iloc[2, 4] = None
df.iloc[3, 0] = None
df.isnull().any(axis=1)  # 查看某一列是否全部为空值
df.notnull().all(axis=1)
处理缺失值

Matplotlib的使用

利用公式  x^2 + y^2 < 1,画一个圆:

import numpy as np
import matplotlib.pyplot as plt

data = 2*np.random.rand(10000, 2)-1 # 在-1到1之间显示
print(data)

x = data[:, 0]
y = data[:, 1]

# 显示圆形 x^2 + y^2 < 1 其中idx中满足的点即为true,不满足的点为false
idx = x**2 + y**2 < 1.000
# print(idx)  # numpy中很少使用循环,可以直接对数组进行操作
plt.plot(x[idx], y[idx], 'ro', markersize=1)
plt.show()
画一个圆

利用公式  x^2 + y^2 < 1, x^2 + y^2<0.5^2,做差值,画一个圆环:

import numpy as np
import matplotlib.pyplot as plt

data = 2*np.random.rand(10000, 2)-1
print(data)

x = data[:, 0]
y = data[:, 1]

# 画一个圆环
idx = x**2 + y**2 < 1.000
hole = x**2 + y**2 < 0.5**2
idx = np.logical_and(idx, ~hole)
plt.plot(x[idx], y[idx], 'ro', markersize=1)
plt.show()
圆环

直方图的显示

import numpy as np
import matplotlib.pyplot as plt

data = np.random.random(10000)

print(data.shape)  # 显示形状

np.set_printoptions(edgeitems=5000, suppress=True)
plt.hist(data, bins=20, color='r', edgecolor='k')  # 属性:edgecolor为边界颜色
plt.show()
直方图

中心极限定理

import numpy as np
import matplotlib.pyplot as plt

N = 10000
times = 100
z = np.zeros(N)
for i in range(times):
    z += np.random.random(N)
z /= times
plt.hist(z, bins=20, color='b', edgecolor='k')
plt.show()
中心极限定理

 

posted @ 2019-06-14 00:06  安智伟  阅读(158)  评论(0编辑  收藏  举报