PythonGuides-博客中文翻译-十七-
PythonGuides 博客中文翻译（十七）
Python TensorFlow 占位符
在本 Python 教程中，我们将学习如何在 Python 中使用 TensorFlow 占位符。此外，我们将涵盖以下主题。
- 张量流占位符与变量
- 张量流占位符形状
- TensorFlow 占位符替换
- TensorFlow 占位符示例
- TensorFlow Placeholder name
- 张量流占位符形状无
- 默认情况下的张量流占位符
- 张量流用常数替换占位符
- 带张量的张量流馈送占位符
- TensorFlow 占位符与急切执行不兼容
- TensorFlow 没有属性“placeholder_with_default”
- TensorFlow 用占位符初始化变量
- TensorFlow placeholder error
- TensorFlow 占位符到 numpy
- TensorFlow 向图形添加占位符
- 张量流占位符未知形状
- 张量流检查是否有占位符
- 张量流迭代占位符
- 张量流获取占位符的形状
- TensorFlow 占位符 feed_dict
- TensorFlow placeholder bool
目录
- Python TensorFlow 占位符
- 张量流占位符 vs 变量
- 张量流占位符形状
- TensorFlow 占位符示例
- 张量流占位符名称
- 张量流占位符形状无
- 带默认值的张量流占位符
- 带张量的 TensorFlow 提要占位符
- TensorFlow 占位符与急切执行不兼容
- TensorFlow 没有属性' placeholder_with_default'
- TensorFlow 用占位符初始化变量
- 张量流占位符错误
- TensorFlow 占位符到 numpy
- TensorFlow 向图形添加占位符
- 张量流占位符未知形状
- 张量流检查是否占位
- TensorFlow 迭代占位符
- TensorFlow 获取占位符的形状
- TensorFlow 占位符 feed_dict
- TensorFlow 占位符布尔值
Python TensorFlow 占位符
- 在本节中，我们将讨论如何在 Python TensorFlow 中使用占位符。
- 在 TensorFlow 中，占位符是一个变量，它分配数据并将值输入计算图。这种方法允许用户提供操作数据并生成我们的计算图。
- 在 Python 中，如果我们想要初始化一些数据，那么我们使用变量，但是在占位符中，你可以将数据输入到计算图中。
语法:
让我们看一下语法并理解 Python TensorFlow 中的 tf.placeholder() 函数的工作原理。
tf.compat.v1.placeholder
(
dtype,
shape=None,
name=None
)
- 它由几个参数组成
- dtype: 该参数表示张量中元素的类型。
- 默认情况下，它没有值，如果你没有在张量中提到形状，那么你可以输入任何形状的张量。
- 名称:该参数指定操作的名称，可选参数。
举例:
让我们举个例子，看看如何在 Python TensorFlow 中创建一个占位符。
源代码:
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
tens1= tf.compat.v1.placeholder(tf.float32)
tens2 = tf.compat.v1.placeholder(tf.float32)
c = tf.math.multiply(tens1, tens2)
with tf.compat.v1.Session() as val:
new_output=val.run(c, feed_dict={tens1: 7.8, tens2: 9.10})
print(new_output)
- 在上面的代码中，我们导入了 TensorFlow 库，然后声明了两个占位符，其数据类型为
tf.float32()。 - 之后，我们通过使用
tf.math.multiply执行操作，然后通过导入TF . compat . v1 . disable _ eager _ execution()函数创建会话。 - 创建会话时，我们将
feed_dict指定为参数。
下面是下面给出的代码的截图。
Python TensorFlow Placeholder
另外，检查: TensorFlow Tensor to numpy
张量流占位符 vs 变量
- 在本节中，我们将讨论 Python TensorFlow 中占位符和变量的区别。
- 在 Python TensorFlow 中，变量指定了张量，可以通过对其运行操作来修改其元素。而在占位符的情况下，它用于将外部数据插入到计算图中，并且稍后将分配数据。
- 在 Tensorflow 中，如果你想在图形中添加变量，那么你可以很容易地调用构造函数，当创建张量时，我们有与初始值相同的数据类型。
- 在
tf.placeholder()中，我们可以很容易地在稍后的会话中将该值存储为feed_dict。如果我们在运行会话时没有传递任何值，那么将会产生一个错误。
语法:
让我们看一下语法，了解一下 Python TensorFlow 中的 tf.variable() 函数的工作原理。
tf.variable
(
initial_value=None,
trainable=None,
validate_shape=True,
caching_device=None,
name=None,
variable_def=None,
dtype=None,
import_scope=None,
constraint=None
)
举例:
让我们举一个例子，检查占位符和变量之间的区别。
源代码:
import tensorflow as tf
#creation of variables
tens=tf.Variable([[2,3,4,5],
[34,98,67,44]])
tens2=tf.Variable([[6,36,98,45],
[23,178,278,345]])
result=tf.add(tens,tens2)
print("Addition of two variable ",result)
#Creation of placeholder
tf.compat.v1.disable_eager_execution()
new_tensor1= tf.compat.v1.placeholder(tf.int32)
new_tensor2 = tf.compat.v1.placeholder(tf.int32)
z = tf.add(new_tensor1, new_tensor2)
with tf.compat.v1.Session() as val:
new_output=val.run(z, feed_dict={new_tensor1:67, new_tensor2: 89})
print(new_output)
在下面给出的代码中，我们首先通过使用 tf.variable() 函数创建了两个变量，然后通过 tf.add() 函数进行操作，来创建一个我们不需要创建会话的简单变量。而在占位符的情况下，我们必须通过导入TF . compat . v1 . disable _ eager _ execution()函数来创建一个会话。
创建一个会话后，我们将 feed_dict 指定为一个参数。一旦执行了这段代码，输出将显示给定张量的加法。
下面是以下给定代码的实现。
TensorFlow Placeholder vs variable
阅读:张量流得到形状
张量流占位符形状
- 在本例中，我们将使用 Python TensorFlow 来传递
tf.placeholder()函数中的形状参数。 - 为了执行这个特定的任务，我们将使用
TF . compat . v1 . placeholder()函数来创建变量，在这个函数中，我们将传递数据类型和形状作为参数。 - 接下来，我们将使用
np.zeros()函数，在该函数中，我们将设置相同的形状，然后创建并运行会话，我们将使用sess.run()并在其中分配feed_dict()。
举例:
让我们举一个例子，看看如何以零数组的形式获取形状值。
源代码:
import tensorflow as tf
import numpy as np
tf.compat.v1.disable_eager_execution()
tens1= tf.compat.v1.placeholder(tf.float32,shape=(3, 4))
tens2 = tf.compat.v1.placeholder(tf.float32,shape=(3, 4))
result = tf.square(tens1) * tf.square(tens2)
new_arr= np.zeros((3,4))
with tf.compat.v1.Session() as val:
new_output=val.run(result, feed_dict={tens1:new_arr,tens2:new_arr})
print(new_output)
下面是以下给定代码的执行。
TensorFlow Placeholder shape
正如您在屏幕截图中看到的，输出以(3，4)的形式显示零值。
阅读:Python TensorFlow reduce _ sum
TensorFlow 占位符示例
- 在这个程序中，我们将讨论如何在 Python TensorFlow 中创建一个占位符。
- 为了完成这项任务，我们首先将使用
TF . compat . v1 . placeholder()函数创建一个变量，在这个方法中，我们将提到数据类型、形状和名称作为参数。 - 接下来，我们将使用平方运算符来乘以给定的输入，在本例中，给定的输入是一个值，其形状为 (3，4) 。
举例:
我们举个例子，检查一下如何在 Python TensorFlow 中使用 placeholder() 函数。
源代码:
import tensorflow as tf
import numpy as np
tf.compat.v1.disable_eager_execution()
new_tensor= tf.compat.v1.placeholder(tf.float32,shape=(3, 4),name='tensor')
z = new_tensor *2
new_arr= np.ones((3,4))
with tf.compat.v1.Session() as val:
new_output=val.run(z, feed_dict={new_tensor:new_arr})
print(new_output)
一旦您将执行此代码，输出显示的是 2 乘以 1 的值，这意味着输入数组已经被乘以了两倍。
下面是下面给出的代码的截图。
TensorFlow Placeholder Example
阅读:Python tensor flow reduce _ mean
张量流占位符名称
- 这里我们将使用 tf 中的 name 参数。Placeholder() 函数使用 Python TensorFlow。
- 在这个例子中，我们将对给定的占位符执行减法运算。为了执行这个任务，我们将使用
tf.math.subtract()函数。
语法:
下面是 Python TensorFlow 中 tf.math.subtract() 函数的语法。
tf.math.subtract
(
x,
y,
name=None
)
举例:
让我们举一个例子，看看如何在 tf.placeholder()函数中使用 name 参数。
源代码:
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
tens1= tf.compat.v1.placeholder(tf.int32,name='tens1')
tens2 = tf.compat.v1.placeholder(tf.int32,name='tens2')
c = tf.math.subtract(tens1, tens2)
with tf.compat.v1.Session() as val:
new_output=val.run(c, feed_dict={tens1: 87, tens2: 76})
print("Subtraction of two tensors:",new_output)
下面是以下给定代码的实现。
TensorFlow Placeholder name
张量流占位符形状无
- 在本节中，我们将讨论如何使用 Python TensorFlow 在
tf.placeholder()函数中将 none 值设置为形状。 - 在这个例子中我们已经提到形状参数在
TF . compat . v1 . placeholder()函数中是 none。
举例:
我们举个例子，了解一下 Python TensorFlow 中 tf.placeholder() 函数的工作原理。
源代码:
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
a= tf.compat.v1.placeholder(tf.int32,shape=None)
b= tf.compat.v1.placeholder(tf.int32,shape=None)
result=tf.math.divide(a,b)
with tf.compat.v1.Session() as val:
new_output=val.run(result, feed_dict={a: 10, b: 20})
print("Division of two tensors without any shape:",new_output)
下面是下面给出的代码的截图。
Python TensorFlow Placeholder shape none
带默认值的张量流占位符
- 本节我们将讨论如何在 Python TensorFlow 中使用
TF . compat . v1 . placeholder _ with _ default()。 - 当输出会话中没有输入值时，带有默认值的占位符将通过一个基本操作。
语法:
让我们看一下语法，了解一下TF . compat . v1 . placeholder _ with _ default()函数的工作原理
tf.compat.v1.placeholder_with_default
(
input,
shape,
name=None
)
- 它由几个参数组成
- 输入:该参数表示如果输出中没有反馈值，则生成默认值。
- 形状:该参数指定了张量的形状。
- 名称:可选参数，表示操作的名称。
举例:
让我们举个例子，检查如何在占位符 TensorFlow 中使用默认值。
源代码:
import tensorflow as tf
tens=tf.compat.v1.placeholder_with_default(tf.constant([[12,45,67],[76,28,181]]),[None,3])
tens2=tf.constant([[17],[24],[38]])
result= tf.matmul(tens,tens2)
print(result)
在上面的代码中，我们导入了 TensorFlow 库，然后使用了TF . compat . v1 . placeholder _ with _ default()函数，在这个方法中，我们使用了 tf.constant() 函数作为默认值。
下面是以下给定代码的实现。
TensorFlow placeholder with default
阅读:张量流交叉熵损失
带张量的 TensorFlow 提要占位符
- 在本节中，我们将讨论如何在 Python TensorFlow 中使用 Placeholder() 函数中的 fe ed_dict。
- Tensorflow
feed_dict()定义了提要字典，可以在其中传递占位符的特定值。为了完成这项任务，我们将首先使用TF . compat . v1 . placeholder()函数创建两个占位符。 - 接下来，我们将通过使用
tf.add()函数来操作这些值，在这个函数中，我们将分配占位符，然后创建一个会话，我们将在其中分配 feed_dict 值。
举例:
让我们举个例子，检查一下如何在占位符()函数中使用 feed_dict() 。
源代码:
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
tens1= tf.compat.v1.placeholder(tf.int32)
tens2 = tf.compat.v1.placeholder(tf.int32)
c = tf.add(tens1, tens2)
with tf.compat.v1.Session() as val:
new_output=val.run(c, feed_dict={tens1: 72, tens2: 89})
print(new_output)
下面是以下给定代码的执行过程
TensorFlow feed placeholder with tensor
阅读:张量流均方误差
TensorFlow 占位符与急切执行不兼容
在这里，我们将讨论与 Python TensorFlow 中的急切执行不兼容的错误 TensorFlow 占位符。基本上，当我们没有导入TF . compat . v1 . disable _ eager _ execution()函数时，就会出现这个错误语句。
举例:
import tensorflow as tf
tens = tf.compat.v1.placeholder(tf.int32)
print(tens)
在上面的代码中，我们导入了 TensorFlow 库，并使用TF . compat . v1 . placeholder()来创建占位符。
下面是以下代码的截图
TensorFlow placeholder not compatible with eager execution
正如您在截图中看到的，输出显示错误 tf.placeholder() 与急切执行不兼容。
现在让我们看看这个错误的解决方案
解决方案:
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
tens = tf.compat.v1.placeholder(tf.int32)
print(tens)
在上面的代码中，我们导入了TF . compat . v1 . disable _ eager _ execution()函数，然后使用了 tf.placeholder() 函数，在这个函数中，我们将数据类型指定为一个参数。
下面是以下给定代码的实现
Solution of TensorFlow placeholder not compatible with eager execution
TensorFlow 没有属性' placeholder_with_default'
在本节中，我们将讨论 Python 中的错误 TensorFlow 没有属性“Placeholder_with_default”。基本上，当我们在 placeholder_with_default() 函数中没有提到 compat.v1()时，就会出现这个错误语句。
举例:
import tensorflow as tf
tens1=tf.placeholder_with_default(tf.constant([[89,178,267],[13,56,55]]),[None,3])
tens2=tf.constant([[67],[43],[26]])
new_output= tf.matmul(tens1,tens2)
print(new_output)
在上面的代码中，我们已经导入了 TensorFlow 库，然后在TF . placeholder _ with _ default()函数中使用默认值，然后我们通过使用 tf.matmul() 函数进行操作。
下面是以下代码的截图
TensorFlow has no attribute placeholder_with_default
正如您在屏幕截图中看到的，输出显示错误 Tensorflow 没有属性‘placeholder _ with _ default’。
现在让我们看看这个错误的解决方案
解决办法
import tensorflow as tf
tens1=tf.compat.v1.placeholder_with_default(tf.constant([[89,178,267],[13,56,55]]),[None,3])
tens2=tf.constant([[67],[43],[26]])
new_output= tf.matmul(tens1,tens2)
print(new_output)
在下面给出的代码中，我们使用了TF . compat . v1 . placeholder _ with _ default()函数，而不是TF . placeholder _ with _ default()函数。
下面是以下给定代码的输出
Solution of TensorFlow has no attribute placeholder_with_default
TensorFlow 用占位符初始化变量
- 在本节中，我们将讨论如何在 Python TensorFlow 中用占位符初始化变量。
- 在 Python TensorFlow 中，我们不能在 TensorFlow 中用占位符初始化变量。我们可以轻松地传递
feed_dict()中的值，而不是创建变量。
张量流占位符错误
在本程序中，我们将讨论错误 AttributeError:模块' TensorFlow '没有属性' Placeholder' 。基本上，当我们在创建占位符变量时没有导入TF . compat . v1 . disable _ eager _ execution()函数，就会出现这个语句错误。
举例:
import tensorflow as tf
tens=tf.placeholder("tf.int32")
print(tens)
你可以参考下面的截图
TensorFlow placeholder error
正如您在屏幕截图中看到的，输出显示了属性错误:模块“TensorFlow”没有属性“placeholder”。
现在让我们看看这个错误的解决方案
解决方案:
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
new_result=tf.compat.v1.placeholder(tf.int32)
print(new_result)
在上面的代码中，我们导入了TF . compat . v1 . disable _ eager _ execution()函数，然后使用了TF . compat . v1 . placeholder()。一旦执行了这段代码，输出将显示占位符的类型。
下面是以下代码的截图
Solution of TensorFlow placeholder error
阅读: TensorFlow 全球平均池
TensorFlow 占位符到 numpy
- 在本节中，我们将讨论如何在 Python TensorFlow 中将占位符转换为 numpy。
- 为了执行这个特定的任务，我们将使用
TF . compat . v1 . placeholder()函数，并将数据类型、形状指定为参数。 - 接下来，我们将使用
np.ones()函数创建 numpy 数组，在这个函数中，我们提到了形状。
举例:
import tensorflow as tf
import numpy as np
tf.compat.v1.disable_eager_execution()
new_tens= tf.compat.v1.placeholder(tf.float32,shape=(2, 2),name='tensor')
z = new_tens *2
new_arr= np.ones((2,2))
with tf.compat.v1.Session() as val:
new_output=val.run(z, feed_dict={new_tens:new_arr})
print(new_output)
print(type(new_output))
下面是以下给定代码的实现
TensorFlow placeholder to numpy
TensorFlow 向图形添加占位符
- 在本节中，我们将讨论如何在 Python TensorFlow 中向图表添加占位符。
- 为了执行这个特定的任务，我们将使用
tf.graph()，这个方法定义了在操作之间流动的数据单元。 - 在这个例子中，我们将使用
TF . compat . v1 . placeholder()函数，在这个函数中，我们将数据类型和形状指定为一个参数。
语法:
下面是 Python TensorFlow 中 tf.graph() 函数的语法
tf.graph()
举例:
让我们举一个例子，看看如何在 Python TensorFlow 中向图形添加占位符。
源代码:
import tensorflow as tf
import numpy as np
tf.compat.v1.disable_eager_execution()
new_graph = tf.Graph()
with new_graph.as_default():
new_tens = tf.compat.v1.placeholder(tf.int32, shape=(2, 2))
new_tens2 = tf.compat.v1.placeholder(tf.int32, shape=(2, 2))
b = tf.math.multiply(new_tens, new_tens2)
new_arr = np.zeros((2,2))
with tf.compat.v1.Session(graph=new_graph) as session:
output = session.run(b, feed_dict={new_tens: new_arr,new_tens2: new_arr})
print(output)
下面是以下给定代码的实现
TensorFlow add a placeholder to the graph
张量流占位符未知形状
- 在本节中，我们将讨论如何在 Python TensorFlow 中获取占位符中的未知形状。
- 在这个例子中，我们不知道张量的形状和秩，现在在这个程序中，我们将使用
TF . compat . v1 . placeholder()函数，在这个函数中，我们将 shape 参数指定为一个参数。
举例:
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
tens =tf.compat.v1.placeholder(tf.int32, shape=[None,None,None])
print(tens)
你可以参考下面的截图
TensorFlow placeholder Unkown shape
正如您在截图中看到的，输出将 shape 显示为 none 值。
张量流检查是否占位
在本节中，我们将检查占位符()函数在张量中是否可用。为了完成这个任务，我们将使用 isinstance() 方法。在 Python 中， isinstance() 方法将检查条件，如果给定的对象是实例，那么它将为真，否则为假。
举例:
让我们举一个例子，检查占位符是否可用。
源代码:
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
result=isinstance(tf.compat.v1.placeholder("float", []), tf.Tensor)
# if placeholder contains then returns 'true'
print(result)
在下面的代码中，我们导入了 Tensorflow 库，然后使用了TF . compat . v1 . placeholder()函数和 isinstance() 方法。一旦执行了这段代码，输出将返回一个‘真’值。
下面是以下给定代码的执行。
TensorFlow checks if a placeholder
TensorFlow 迭代占位符
- 在本节中，我们将讨论如何在 Python TensorFlow 中迭代占位符。
- 为了执行这个特定的任务，我们将在创建会话时使用 for-loop()方法。
- 在这个例子中，我们将使用
TF . compat . v1 . placeholder()函数，然后通过使用 for 循环方法，我们可以很容易地迭代已经在feed_dict()中赋值的占位符值。
举例:
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
tens = tf.compat.v1.placeholder(tf.int32, shape=[3])
with tf.compat.v1.Session() as val:
for i in range(3):
print(val.run(tens[i], feed_dict={tens : [34,45,76]}))
下面是以下代码的截图
TensorFlow iterates over the placeholder
正如您在屏幕截图中看到的，输出返回占位符值。
TensorFlow 获取占位符的形状
- 在这个程序中，我们将讨论如何在 Python TensorFlow 中获取占位符的形状。
- 在本例中，我们将使用
tf.shape()函数，该函数用于获取给定对象的形状。
语法:
下面是 tf.shape() 函数的语法。
tf.shape
(
input,
out_type=tf.dtypes.int32,
name=None
)
- 它由几个参数组成:
- 输入:该参数表示张量的输入。
- out_type: 默认取
tf.dtypes.int32，可选参数。 - 名称:该参数定义了操作的名称。
举例:
我们举个例子，检查一下如何在 Python TensorFlow 中提取给定对象的形状。
源代码:
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
tens = tf.compat.v1.placeholder(tf.int32, shape=[3])
result=tf.shape(tens)
print(result)
下面是以下给定代码的执行。
TensorFlow get a shape of a placeholder
正如您在屏幕截图中看到的，输出显示了给定占位符的形状。
TensorFlow 占位符 feed_dict
- 在本节中，我们将讨论如何在 Python TensorFlow 中使用
feed_dict()函数。 - 为了执行这个特定的任务，我们将使用
TF . compat . v1 . placeholder()函数，占位符是一个变量，它分配数据并将值输入计算图。
语法:
下面是 Python TensorFlow 中TF . compat . v1 . placeholder()函数的语法。
tf.compat.v1.placeholder
(
dtype,
shape=None,
name=None
)
举例:
让我们举个例子，看看如何在 Python 中使用 feed_dict()
源代码:
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
input1= tf.compat.v1.placeholder(tf.int32)
input2 = tf.compat.v1.placeholder(tf.int32)
result = tf.math.multiply(input1, input2)
with tf.compat.v1.Session() as val:
new_output=val.run(result, feed_dict={input1: 67, input2: 28})
print(new_output)
下面是以下给定代码的执行过程
TensorFlow placeholder feed_dict
阅读:模块“tensorflow”没有属性“get _ variable”
TensorFlow 占位符布尔值
- 在本节中，我们将讨论如何在 Python TensorFlow 中从占位符获取布尔值。
- 为了完成这个任务，我们将使用 isinstance 方法和
TF . compat . v1 . placeholder()函数，在这个函数中，我们将指定数据类型和tf.tensor()作为参数。
举例:
让我们举个例子，看看如何从占位符中获取布尔值。
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
new_output=isinstance(tf.compat.v1.placeholder(tf.int32, []), tf.Tensor)
print(new_output)
下面是以下给定代码的实现。
TensorFlow placeholder bool
在本 Python 教程中，我们已经学习了如何在 Python 中使用 TensorFlow 占位符。此外，我们还讨论了以下主题。
- 张量流占位符与变量
- 张量流占位符形状
- TensorFlow 占位符替换
- TensorFlow 占位符示例
- TensorFlow Placeholder name
- 张量流占位符形状无
- 默认情况下的张量流占位符
- 张量流用常数替换占位符
- 带张量的张量流馈送占位符
- TensorFlow 占位符与急切执行不兼容
- TensorFlow 没有属性“placeholder_with_default”
- TensorFlow 用占位符初始化变量
- TensorFlow placeholder error
- TensorFlow 占位符到 numpy
- TensorFlow 向图形添加占位符
- 张量流占位符未知形状
- 张量流检查是否有占位符
- 张量流迭代占位符
- 张量流获取占位符的形状
- TensorFlow 占位符 feed_dict
- TensorFlow placeholder bool
Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。
Python 张量流随机均匀
在本 Python 教程中，我们将学习如何在 Python 中使用 TensorFlow random uniform()。此外，我们将涵盖以下主题。
- TensorFlow random normal
- 张量流随机正规初始化器
- 张量流随机 _ 正态种子
- 张量流随机均匀初始化器
- TensorFlow 没有属性“normal_initializer”
- 张量流随机多元正态
- TensorFlow keras random_normal
- 张量流随机均匀整数
目录
- Python TensorFlow 随机均匀
- TensorFlow random normal
- 张量流随机正规初始值设定项
- TensorFlow random_normal 种子
- 张量流随机均匀初始化器
- TensorFlow 没有属性“normal _ initializer”
- 张量流随机多元正态
- TensorFlow keras random_normal
- 张量流随机均匀 int
Python TensorFlow 随机均匀
- 在本节中，我们将讨论如何在 Python 中使用
tensor flow random . uniform()函数。 - 在 Python TensorFlow 中，随机均匀函数用于生成随机值，这些值将是均匀分布的浮点数。
- 例如，假设您设置了
2和3之间的范围。通过使用这种方法，您将获得2和3之间的所有间隔值。
语法:
让我们看一下语法并理解 tensor flowrandom . uniform()函数的工作原理
tf.random.uniform
(
shape,
minval=0,
maxval=None,
dtype=tf.dtypes.float32,
seed=None,
name=None
)
- 它由几个参数组成
- 形状:该参数表示输出张量的形状。
- minval: 默认取
0值，指定随机值范围的下限。 - maxval: 默认为 None 值，表示随机值范围的上限。
举例:
import tensorflow as tf
result=tf.random.uniform((3,6), minval=0,dtype=tf.float32,maxval=2)
print(result)
下面是下面给出的代码的截图。
Python TensorFlow random uniform
另外，检查: TensorFlow Tensor to numpy
TensorFlow random normal
- 在本节中，我们将学习如何在 Python 中使用 TensorFlow 随机正态函数。
- 在 Python 中，随机正态用于从正态分布中生成值的样本。
- 例如，假设您有一个指定形状的输入张量，一旦您将此函数与形状一起应用，它将返回一个随机值，该值实际上是正态分布的一部分。
语法:
让我们看看语法，了解一下 Python 中 TensorFlow 随机正态函数的工作原理。
tf.random.normal
(
shape,
mean=0.0,
stddev=1.0,
dtype=tf.dtypes.float32,
seed=None,
name=None
)
- 它由几个参数组成
- shape: 该参数指定返回张量的形状，输入张量必须是一个
1-d整数或者可以使用array()函数。 - mean: 默认情况下，取
0值，代表分布的平均值，可选参数。 - stddev: 该参数表示分布的标准偏差，默认情况下，取
1.0的值。 - dtype: 默认情况下，它采用
tf.dtypes.float32()，如果您将输入作为整数值，那么它将在输出中返回十进制值。 - 种子:该参数指定声明一个正态分布的随机种子，种子用于生成随机数。
- name: 缺省取值为 none，可选参数，定义操作的名称。
- shape: 该参数指定返回张量的形状，输入张量必须是一个
举例:
让我们举个例子，看看如何生成正态分布的随机数。
源代码:
import tensorflow as tf
result=tf.random.normal((2,4),dtype=tf.float32,seed=4)
print("Tensor normal distriburtion:",result)
下面是以下给定代码的实现。
Python TensorFlow random normal
阅读:导入错误没有名为 TensorFlow 的模块
张量流随机正规初始值设定项
- 在这一节中，我们将讨论如何在 Python TensorFlow 中使用随机正规初始化函数。
- 为了完成这个任务，我们将使用
TF . random _ normal _ initializer()函数，这个函数用于返回用随机值初始化的随机值。
语法:
让我们看一下语法，理解 Python 中随机正常初始化函数的工作原理。
tf.random_normal_initializer
(
mean=0.0,
stddev=0.05,
seed=None
)
- 它由几个参数组成。
- 平均值:该参数指定随机值的平均值，输入可以是标量张量，默认情况下取
0值。 - stddev: 该参数表示随机值 sn 的标准偏差，默认取
0.05值。 - 种子:在 Python 中，种子用于声明随机数，该参数将帮助用户创建随机种子。
- 平均值:该参数指定随机值的平均值，输入可以是标量张量，默认情况下取
举例:
让我们举个例子，看看如何在 Python 中用张量初始化一个随机数生成器。
源代码:
import tensorflow as tf
tf.reset_default_graph()
tf.compat.v1.disable_eager_execution()
new_tensor2 = tf.get_variable('tens',shape=(3,), initializer=tf.random_normal_initializer(seed=0))
with tf.compat.v1.Session() as val:
val.run(tf.global_variables_initializer())
print(val.run(new_tensor2))
下面是以下给定代码的执行。
TensorFlow random normal initializer in Python
阅读:张量流得到形状
TensorFlow random_normal 种子
- 在本节中，我们将讨论如何在
random_normal()函数中使用种子参数。 - 在 Python 中，随机正态用于从正态分布中生成值的样本，在本例中，我们指定了种子参数。
语法:
下面是 Python TensorFlow 中 random_normal() 函数的语法。
tf.random.uniform
(
shape,
minval=0,
maxval=None,
dtype=tf.dtypes.float32,
seed=None,
name=None
)
注:种子参数表示为正态分布创建一个随机种子，种子用于生成随机数。
举例:
让我们举一个例子，检查如何使用种子参数在 TensorFlow 中生成随机值。
源代码:
import tensorflow as tf
tf.reset_default_graph()
tf.compat.v1.disable_eager_execution()
input_tensor = tf.random.normal([3,6], 0, 1, tf.float32, seed=2)
with tf.compat.v1.Session() as val:
val.run(tf.global_variables_initializer())
print(val.run(input_tensor))
在上面的代码中，我们已经导入了 tensorflow 库，然后使用TF . compat . v1 . disable _ eager _ execution()函数来创建会话。之后，我们声明了一个变量“input_tensor ”,并指定了 tf.random.normal()函数。
下面是下面给出的代码的截图。
Python TensorFlow random_normal seed
张量流随机均匀初始化器
- 在这个程序中，我们将讨论如何在 Python 中使用随机统一初始化函数。
- 该功能将帮助用户生成具有均匀分布的输入张量。
语法:
让我们看一下语法，了解一下 Python TensorFlow 中TF . random _ uniform _ initializer()函数的工作原理
tf.random_uniform_initializer
(
minval=-0.05,
maxval=0.05,
seed=None
)
- 它由几个参数组成
- minval: 该参数表示随机值范围的下限，默认取负的
0.05值。 - maxval: 默认情况下，它取正的
0.05值，并指定随机值范围的上限。 - 种子:该参数用于创建一个随机种子。
- minval: 该参数表示随机值范围的下限，默认取负的
举例:
让我们举个例子，看看如何生成一个均匀分布的张量
源代码:
import tensorflow as tf
tf.reset_default_graph()
tf.compat.v1.disable_eager_execution()
input_tensor = tf.get_variable('tens',shape=(3,), initializer=tf.random_uniform_initializer(-0.05,0.05,seed=1))
with tf.compat.v1.Session() as val:
val.run(tf.global_variables_initializer())
print(val.run(input_tensor))
下面是以下给定代码的执行过程
Python TensorFlow random uniform initializer
阅读:Python tensor flow expand _ dims
TensorFlow 没有属性“normal _ initializer”
这里我们要讨论的是错误属性 error: TensorFlow 在 Python 中没有属性‘normal _ initializer’。基本上，当我们没有安装最新版本的 TensorFlow 时，就会出现这个错误。
原因:该错误的可能原因是 the TF . normal _ initailizer在 TensorFlow 1 中不可用。x 版本。
举例:
import tensorflow as tf
result=tf.random.normal_initializer(shape=[3])
print(result)
下面是以下代码的截图
TensorFlow has no attribute normal_initializer
正如您在截图中看到的，输出显示了 attributeerror 模块‘tensor flow 没有属性’normal _ initializer。
以下是此错误的解决方案
源代码:
import tensorflow as tf
print(tf.__version__)
result=tf.random_normal_initializer(3)
print(result)
下面是以下代码的截图
Solution of TensorFlow has no attribute normal_initializer
正如你在截图中看到的，问题已经解决，我们只是简单地安装了最新版本 TensorFlow 2。x 因为这个功能是最新版本才有的。
要检查 TensorFlow 的版本，可以使用下面的命令
import tensorflow as tf
print(tf.__version__)
张量流随机多元正态
- 在本节中，我们将讨论如何在 Python TensorFlow 中计算多元正态分布。
- 为了执行这一特定任务，我们将使用
TFP . distributions . multivariatenormaldiag()函数，该函数将帮助用户对正态分布进行多元分析。
语法:
让我们看看语法，理解 Python 中多元正态函数的工作原理
tfp.distribution.MultivariateNormalDiag
(
loc=None,
scale_diag=None,
scale_identify_multiplier=None,
validate_args=False,
allow_nan_stats=True,
experimental_use_kahan_sum=False,
)
举例:
import tensorflow as tf
import tensorflow_probability as tfp
tfd = tfp.distributions
new_var = tfd.MultivariateNormalDiag(
loc=[2., -2],
scale_diag=[2, 3.])
result=new_var.mean()
print(result)
下面是以下代码的截图
TensorFlow random multivariate normal in Python
阅读:将列表转换为张量张量流
TensorFlow keras random_normal
- 在本节中，我们将讨论如何在 TensorFlow Python 中使用 Keras.backend.random_normal()函数。
- 为了执行这个特定的任务，我们将使用
TF . keras . back end . random _ normal()函数，这个方法返回一个元素正态分布的张量。
语法:
让我们看看语法，了解一下 tf . keras . back end . random _ normal()函数的工作原理。
tf.keras.backend.random_normal
(
shape,
mean=0.0,
stddev=1.0,
dtype=None,
seed=None,
)
- 它由几个参数组成
- 形状:该参数表示要创建的张量的形状。
- mean:deafult 取
0.0值，指定正态分布的平均值。 - stddev: 该参数表示正态分布的标准偏差，默认取
1.0值。
举例:
import tensorflow as tf
new_tens = tf.keras.backend.random_normal((3,4),0.0,1.0)
print(new_tens)
下面是以下给定代码的实现。
TensorFlow Keras random_normal in Python
读取张量流乘法
张量流随机均匀 int
- 在这个程序中，我们将讨论如何在 Python TensorFlow 中的随机统一函数中使用 int 数据类型。
- 为了完成这项任务，我们将生成随机值，这些值将是来自均匀分布的整数。
举例:
import tensorflow as tf
new_tens=tf.random.uniform((4,8), minval=0,dtype=tf.int32,maxval=2)
print(new_tens)
在下面给定的代码中，我们导入了 TensorFlow 库，然后使用 t f.random.uniform() 函数，并在该函数中设置了 dtype=tf.int32 作为参数。一旦执行了这段代码，输出将显示具有 4 行和 8 列形状的整数随机值。
下面是以下给定代码的输出。
TensorFlow random uniform int in Python
还有，多看看一些 Python TensorFlow 教程。
在本 Python 教程中，我们学习了如何使用 TensorFlow random uniform() 。此外，我们还讨论了以下主题。
- TensorFlow random normal
- 张量流随机正规初始化器
- 张量流随机 _ 正态种子
- 张量流随机均匀初始化器
- TensorFlow 没有属性“normal_initializer”
- 张量流随机多元正态
- TensorFlow keras random_normal
- 张量流随机均匀整数
Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。
张量流稀疏张量+示例
在这个 Python 教程中，我们将学习如何在 Python TensorFlow 中使用稀疏张量。此外，我们将涵盖以下主题。
- TensorFlow sparsetensor to numpy
- 张量流稀疏张量到稠密
- 张量流稀疏张量稠密矩阵
- 张量流稀疏张量乘法
- 张量流稀疏张量切片
- 张量流稀疏张量整形
- 张量流稀疏张量集
- 张量流操纵稀疏张量
- tensor flow TF . sparse _ tensor _ to _ dense
- 模块“TensorFlow”没有属性“sparse_tensor_dense_matmul”
- tensorflow 稀疏数据集
- TensorFlow concat sparse tensor
目录
- TensorFlow sparse tensor
- TensorFlow 稀疏张量到 numpy
- 张量流稀疏张量到稠密张量
- tensor flow sparse _ tensor _ dense _ mat mul
- TensorFlow 稀疏张量切片
- TensorFlow 稀疏张量整形
- TensorFlow 稀疏张量集
- 张量流操纵稀疏张量
- tensor flow TF . sparse _ tensor _ to _ dense
- 模块' TensorFlow '没有属性' sparse_tensor_dense_matmul'
- TensorFlow Concat sparse tensor
- tensorlow 数据集稀疏；
TensorFlow sparse tensor
- 在本节中，我们将讨论如何在 Python TensorFlow 中使用稀疏张量。
- 在 TensorFlow 中，稀疏张量能够有效地处理和存储包含大部分零值的张量，它还用于自然语言处理应用和计算机视觉应用中预处理具有暗像素的图像。
- 为了执行这个特定的任务，我们将使用
tf.sparse.SparseTensor()函数，这个函数用于表示一个稀疏张量。
语法:
让我们看看语法，了解一下TF . sparse . sparsesensor()在 Python TensorFlow 中的工作原理。
tf.sparse.SparseTensor(
indices, values, dense_shape
)
- 它由几个参数组成。
- 索引:该参数表示存储非零值的稀疏张量中的值的索引，例如索引=[[2，9]，[15，14]] 表示带有索引的值具有非零值。
- 值:该参数指定输入张量和形状，为索引中的每个元素提供值。
- dense_shape: 它指定稀疏张量的密集形状，并且它还指定每个维度中的值的数量。假设你有一个密集的形状=[2，4] ，表示一个二维的
2*4。
举例:
我们举个例子，检查一下如何在 Python TensorFlow 中使用稀疏张量。
源代码:
import tensorflow as tf
indices=[[1, 0], [0, 1]]
values=[2, 3]
dense_shape=[3, 4]
result=tf.sparse.SparseTensor(indices, values, dense_shape)
print(result)
在下面的代码中，我们导入了 TensorFlow 库，然后以列表的形式创建了索引和密集形状值。
之后，我们使用了 tf.sparse.SparseTensor() 函数，在这个函数中，我们已经指定了索引和 dense_shape() 值作为参数。
下面是下面给出的代码的截图。
TensorFlow sparse tensor
阅读: TensorFlow Tensor to numpy
TensorFlow 稀疏张量到 numpy
- 在这个例子中，我们将讨论如何将稀疏张量值转换为 numpy。为了完成这项任务，我们将使用
eager_execution()函数来运行会话。 - 首先，我们将导入 TensorFlow 库，然后我们将使用 t
f.compat.v1.Session()函数创建会话，然后使用tf.sparse tensor()函数。
举例:
我们举个例子，检查一下如何将稀疏张量值转换成 numpy。
源代码:
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
with tf.compat.v1.Session() as val:
new_output = val.run(tf.SparseTensor([[2,3],[45,33]],[12,24],[3,2]))
print(new_output)
在上面的代码中，我们导入了 TensorFlow 库，然后通过使用 tf.sparseTensor() 函数创建了一个稀疏张量，并在这个函数中，我们指定了整数值。
下面是以下给定代码的实现。
Tensorflow sparse tensor to numpy in python
阅读:将列表转换为张量张量流
张量流稀疏张量到稠密张量
- 在本节中，我们将讨论如何在 Python TensorFlow 中将稀疏张量转换为稠密张量。
- 为了完成这项任务，我们将使用
tf.sparse.to_dense()函数，该函数将帮助用户将稀疏张量转换为密集张量。
语法:
下面是 Python TensorFlow 中 tf.sparse.to_dense() 函数的语法。
tf.sparse.to_dense(
sp_input, default_value=None, validate_indices=True, name=None
)
- 它由几个参数组成。
- sp_input: 该参数表示输入稀疏张量。
- default_value: 默认情况下，它采用 None 值，并将为 sp_input 中未给定的索引进行设置。
- validate _ indexes:这是一个布尔值，如果为真，则检查索引，没有重复值。
- name: 默认情况下，取 none 值，指定操作的名称。
举例:
我们举个例子，检查一下如何在 Python TensorFlow 中将稀疏张量转化为稠密张量。
源代码:
import tensorflow as tf
tens = tf.SparseTensor(dense_shape=[3, 5],values=[4, 2, 1],indices =[[0, 1],
[0, 3],
[2, 0]])
result=tf.sparse.to_dense(tens).numpy()
print(result)
在下面给定的代码中，我们导入了 TensorFlow 库，然后为了将稀疏张量转换为密集张量，我们使用了 tf.sparse.to_dense() 函数。
下面是以下给定代码的实现。
TensorFlow sparse tensor to dense
阅读:Python tensor flow expand _ dims
tensor flow sparse _ tensor _ dense _ mat mul
- 在本节中，我们将讨论如何在 Python TensorFlow 中乘以稀疏张量。
- 为了完成这项任务，我们将使用
TF . sparse . sparse _ dense _ matmul()函数，该方法用于将稀疏张量乘以密集张量。
语法:
我们先来看看语法，了解一下TF . sparse . sparse _ dense _ mat mul()函数在 Python TensorFlow 中的工作原理。
tf.sparse.sparse_dense_matmul(
sp_a, b, adjoint_a=False, adjoint_b=False, name=None
)
- 它由几个参数组成
- sp_a: 该参数表示稀疏张量
A。 - b: 是数据类型相同的稠密张量。
- 伴随 _a: 默认情况下取一个假值，用于张量 a 的伴随。
- name: 默认情况下，取 none 值，指定操作的名称。
- sp_a: 该参数表示稀疏张量
举例:
我们举个例子，检查一下Python tensor flow 中的稀疏张量如何相乘。
源代码:
import tensorflow as tf
new_tens = tf.SparseTensor(indices=([1, 0], [0, 1], [0, 1]),
values=[67, 56, 74],
dense_shape=(2,2))
tensor = tf.constant([[2], [3]])
new_result = tf.sparse.sparse_dense_matmul(new_tens, tensor)
print(new_result)
下面是以下代码的截图
TensorFlow sparse_tensor_dense_matmul
TensorFlow 稀疏张量切片
- 在这个例子中，我们将讨论如何在 Python TensorFlow 中对稀疏张量进行切片。
- 为了完成这项任务，我们将使用
tf.sparse.slice()函数，该函数用于根据大小和起点对稀疏张量进行切片。
语法:
下面是 Python TensorFlow 中 tf.sparse.slice() 函数的语法。
tf.sparse.slice(
sp_input, start, size, name=None
)
- 它由几个参数组成。
- sp_input: 该参数表示输入稀疏张量。
- 开始:表示切片的开始
- 大小:该参数指定了张量的大小。
- name: 可选参数，指定操作的名称。
举例:
让我们举个例子，检查一下如何在 Python TensorFlow 中对一个稀疏张量进行切片。
源代码:
import tensorflow as tf
indices=[[1, 0], [0, 1]]
values=[2, 3]
dense_shape=[3, 4]
result=tf.sparse.SparseTensor(indices, values, dense_shape)
print(result)
下面是下面给出的代码的截图。
TensorFlow sparse tensor slice
TensorFlow 稀疏张量整形
- 在本节中，我们将讨论如何在 Python TensorFlow 中重塑稀疏张量。
- 为了完成这项任务，我们将使用
TF . sparse . shape()方法，该方法用于在新的密集形状中表示值，并指定给定稀疏张量的整形。
语法:
下面是 Python TensorFlow 中TF . sparse . shape()函数的语法。
tf.sparse.reshape(
sp_input, shape, name=None
)
- 它由几个参数组成。
- sp_input: 该参数表示输入稀疏张量。
- 形状:表示稀疏张量的形状。
- 名称:默认情况下，取值为 none，表示操作的名称。
举例:
我们举个例子，检查一下如何在 Python TensorFlow 中重塑稀疏张量。
源代码:
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
new_tensor = tf.SparseTensor(indices=[[14, 25], [17, 44]],
values=[22, 31],
dense_shape=[3, 10])
result=tf.sparse.reshape(new_tensor,shape=[3,10])
with tf.compat.v1.Session() as val:
new_output=val.run(result)
print("Reshape of sparse tensor:",new_output)
在上面的代码中，我们使用了 TF . sparse . shape()函数来获得稀疏张量的整形，在这个函数中，我们将张量指定为一个参数。
下面是以下给定代码的执行。
TensorFlow sparse Tensor reshape
TensorFlow 稀疏张量集
- 在这个例子中，我们将讨论如何在 Python TensorFlow 中收集稀疏张量。
- 为了执行这个特定的任务，我们将创建一个稀疏张量，然后我们将使用
tf.gather()函数。 - 该函数用于根据给定的索引分解输入张量。
语法:
我们先来看看语法，了解一下 tf.gather() 函数在 Python TensorFlow 中的工作原理。
tf.gather(
params,
indices,
validate_indices=None,
axis=None,
batch_dims=0,
name=None
)
- 它由几个参数组成。
- params: 该参数表示我们要收集的张量值秩必须至少为秩轴+1 。
- 索引:该参数指定输入张量的索引，其值必须在【0，params】的范围内。
- name: 默认情况下，它不取值，并指定操作的名称。
举例:
我们举个例子，检查一下如何在 Python TensorFlow 中聚集稀疏的 张量。
源代码:
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
new_tens1 = tf.SparseTensor(indices=[[1, 3], [2, 1]],
values=[56, 25],
dense_shape=[4, 10])
new_tens2 = tf.SparseTensor(indices=[[1, 1], [5, 2]],
values=[15, 28],
dense_shape=[4, 10])
result = tf.gather(new_tens1, new_tens2)
with tf.compat.v1.Session() as val:
new_output=val.run(result)
print("Manipulate sparse tensor:",new_output)
你可以参考下面的截图
TensorFlow sparse tensor gather
正如您在屏幕截图中看到的，输出显示错误，表明 tf.gather 不支持将稀疏张量作为输入。
阅读:Python tensor flow reduce _ mean
张量流操纵稀疏张量
- 在这个例子中，我们将操作 Python TensorFlow 中的稀疏张量。
- 为了执行这个特定的任务，我们将使用像
tf.math.add()函数这样的数学运算，在这个例子中，我们将添加一个具有相同形状和大小的稀疏张量。
举例:
我们举个例子，检查一下如何在 Python TensorFlow 中操作稀疏张量。
源代码:
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
new_tens1 = tf.SparseTensor(indices=[[1, 3], [2, 1]],
values=[56, 25],
dense_shape=[4, 10])
new_tens2 = tf.SparseTensor(indices=[[1, 1], [5, 2]],
values=[15, 28],
dense_shape=[4, 10])
result = tf.sparse.add(new_tens1, new_tens2)
with tf.compat.v1.Session() as val:
new_output=val.run(result)
print("Manipulate sparse tensor:",new_output)
在下面给出的代码中，我们使用了 tf.sparse.add() 函数来操作稀疏张量，然后使用了 tf.compat.v1.Session() 来创建会话。
下面是以下给定代码的实现
TensorFlow manipulating sparse tensor
阅读:Python tensor flow reduce _ sum
tensor flow TF . sparse _ tensor _ to _ dense
- 在本节中，我们将讨论如何在 Python TensorFlow 中使用
TF . sparse _ tensor _ to _ dense函数。 - 该函数用于将稀疏张量转换为稠密张量。在 Python TensorFlow 中，稀疏张量用于存储大量零值，并广泛用于编码方案中。而在密集张量的情况下，它们用于以连续存储块的形式存储值。
语法:
我们先来看看语法，了解一下TF . sparse _ tensor _ to _ dense()在 Python TensorFlow 中的工作原理。
tf.sparse.to_dense(
sp_input, default_value=None, validate_indices=True, name=None
)
- 它由几个参数组成
- sp_input: 该参数表示输入稀疏张量。
- default_value: 默认情况下，它采用 None 值，并将为 sp_input 中未给定的索引进行设置。
- validate _ indexes:这是一个布尔值，如果为真，则检查索引，没有重复值。
- name: 默认情况下，取 none 值，指定操作的名称。
举例:
我们举个例子，检查一下如何在 Python TensorFlow 中将稀疏张量转换成稠密张量。
源代码:
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
tens = tf.SparseTensor(dense_shape=[3, 5],values=[56, 13, 26],indices =[[0, 1],
[0, 3],
[2, 0]])
result=tf.sparse.to_dense(tens)
with tf.compat.v1.Session() as val:
new_output=val.run(result)
print("Sparse dense tensor:",new_output)
在上面的代码中，我们已经导入了 TensorFlow 库，然后我们使用了 tf。SparseTensor() 函数，在这个函数中，我们指定了 dens_shape() 和索引值作为参数。
之后，我们使用 tf.sparse.to_dense() 函数将稀疏张量转换为稠密张量。
下面是以下给定代码的执行。
TensorFlow tf sparse_tensor_to_dense
阅读:导入错误没有名为 TensorFlow 的模块
模块' TensorFlow '没有属性' sparse_tensor_dense_matmul'
这里我们要讨论的是错误模块‘tensor flow’没有属性‘sparse _ tensor _ dense _ mat mul’。
这个错误背后的原因是TF . sparse _ tensor _ dense _ mat mul()函数在 TensorFlow 中不支持。
举例:
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
tens = tf.SparseTensor(dense_shape=[3, 3],values=[56, 13, 26],indices =[[0, 1],
[0, 3],
[2, 0]])
new_tens=tf.ones(shape=[3,3],dtype=tf.int32)
result=tf.sparse.tensor_dense_matmul(tens,new_tens)
with tf.compat.v1.Session() as val:
new_output=val.run(result)
print("Sparse dense tensor:",new_output)
下面是下面给出的代码的截图。
module TensorFlow has no attribute sparse_tensor_dense_matmul
解决方案:
以下是此错误的解决方案
在本例中，我们将使用TF . sparse . sparse _ dense _ mat mul()函数对稀疏张量和密集张量进行乘法运算。
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
tens = tf.SparseTensor(dense_shape=[3, 3],values=[56, 13, 26],indices =[[0, 1],
[0, 3],
[2, 0]])
new_tens=tf.ones(shape=[3,3],dtype=tf.int32)
result=tf.sparse.sparse_dense_matmul(tens,new_tens)
print(result)
在上面的代码中，我们导入了 tensorflow 库，然后使用 t f.sparseTensor() 函数创建稀疏张量，然后使用 tf.ones() 函数创建密集形状。
之后我们使用了TF . sparse . sparse _ dense _ mat mul()函数。在这个函数中，我们指定了稠密张量和稀疏张量作为自变量。
下面是以下给定代码的实现。
Solution of module TensorFlow has no attribute sparse_tensor_dense_matmul
阅读:二元交叉熵张量流
TensorFlow Concat sparse tensor
- 在本节中，我们将讨论如何在 Python TensorFlow 中连接稀疏张量。
- 为了完成这项任务，我们将使用
tf.sparse.concat()函数，该函数用于将稀疏张量列表与给定的维度组合在一起。
语法:
我们来看一下语法，了解一下 tf.sparse.concat() 在 Python TensorFlow 中的工作原理。
tf.sparse.concat(
axis, sp_inputs, expand_nonconcat_dims=False, name=None
)
- 它由几个参数组成
- 轴:该参数表示稀疏张量的维数，也指定了要组合的维数。
- sp_inputs: 该参数表示输入稀疏张量。
- expand _ non cat _ dims:默认情况下，它接受一个假值，并且它将检查是否允许非连接维度的条件。
- name: 默认情况下，取 none 值，指定操作的名称。
举例:
我们举个例子，检查一下如何在 Python TensorFlow 中串联稀疏张量。
源代码:
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
input_tens1 = tf.SparseTensor(indices = [[1,2], [3,2], [1,4], [2,4], [2,3], [4,3]],
values = [45,12,3,45,6,8],
dense_shape = [8,5])
input_tens2 = tf.SparseTensor(indices = [[2,1], [3,1], [1,3], [2,0], [2,4], [2,5], [3,5],
[4,5], [5,0], [5,4], [5,5], [6,1], [6,3], [7,2]],
values = [67,15,14,21,78,44,23,19,27,34,19,45,96,45],
dense_shape = [8,6])
new_list = [input_tens1,input_tens2]
concat_sparse = tf.sparse.concat(axis=1, sp_inputs=new_list)
result=tf.sparse.to_dense(concat_sparse)
with tf.compat.v1.Session() as val:
new_output=val.run(result)
print("Concat of two tensors:",new_output)
在下面给出的代码中，我们导入了 TensorFlow 库，然后创建了稀疏张量列表，并将它们存储到一个‘new _ list’变量中。之后，我们使用 tf.sparse.concat() 函数来连接稀疏张量。
下面是以下给定代码的实现
TensorFlow concat sparse tensor
tensorlow 数据集稀疏；
- 在本节中，我们将使用 Python TensorFlow 讨论稀疏张量中的数据集。
- 为了执行这个特定的任务，我们将使用
TF . data . dataset . from _ tensor _ slices()函数，当我们有大量的值或元素时，就会使用这个函数。 - 首先，我们将通过使用 tf 来创建稀疏张量。SparseTensor() 在这个函数中，我们将指定索引和
dense_shape值作为参数。
语法:
我们先来看看语法，了解一下 tf.data.Dataset() 在 Python TensorFlow 中的工作原理。
tf.data.Dataset(
variant_tensor
)
- 它只包含一个参数
- variant_tensor: 该参数表示数据集，是一个
DT_Variant张量。
- variant_tensor: 该参数表示数据集，是一个
举例:
我们举个例子，检查一下如何在稀疏张量中使用 dataset 函数。
源代码:
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
input_tens1 = tf.SparseTensor(indices = [[1,2], [3,2], [1,4], [2,4], [2,3], [4,3]],
values = [45,12,3,45,6,8],
dense_shape = [8,5])
dataset = tf.data.Dataset.from_tensor_slices(input_tens1)
for element in dataset:
print(element)
在上面的代码中，我们迭代了数据集并处理了值。之后，我们使用了TF . data . dataset . from _ tensor _ slices()函数，在这个函数中，我们将稀疏张量指定为一个参数。
你可以参考下面的截图。
TensorFlow dataset sparsetensor
还有，多看看一些 TensorFlow 教程。
所以，在这个 Python 教程中， 我们学习了如何使用 Python TensorFlow 中的稀疏张量。此外，我们还讨论了以下主题。
- TensorFlow sparsetensor to numpy
- 张量流稀疏张量到稠密
- 张量流稀疏张量稠密矩阵
- 张量流稀疏张量乘法
- 张量流稀疏张量切片
- 张量流稀疏张量整形
- 张量流稀疏张量集
- 张量流操纵稀疏张量
- tensor flow TF . sparse _ tensor _ to _ dense
- 模块“TensorFlow”没有属性“sparse_tensor_dense_matmul”
- tensorflow 稀疏数据集
- TensorFlow concat sparse tensor
Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。
numpy 的张量流张量
在这个 Python 教程中，我们将学习如何将 Tensorflow 张量转换为 NumPy 数组。此外，我们将涵盖以下主题。
- 没有会话的 numpy 数组的张量流张量
- 张量流渴望张量到 numpy
- TensorFlow 2 张量到 numpy
- 张量流变换张量到 numpy 阵列
- 张量流稀疏张量到 numpy
- 张量流张量与 numpy 数组
目录
- Tensorflow Tensor to numpy
- TensorFlow 张量到 numpy 数组，无会话
- TensorFlow 渴望张量到 numpy
- TensorFlow 2 张量到 numpy
- Tensorflow 变换张量为 numpy 数组
- Tensorflow 稀疏张量到 numpy
- Tensorflow 张量 vs numpy 数组
Tensorflow Tensor to numpy
- 本节我们将学习 TensorFlow Python 中张量到 numpy 数组的转换。
- 在 Tensorflow
2.0、tf.session()模块被移除，我们将使用TF . compat . v1 . disable _ eager _ execution()来运行会话，而不是会话。为了将张量转换成 numpy 数组，首先我们将导入eager_execution函数以及 TensorFlow 库。 - 接下来，我们将使用
tf.constant()函数创建常量值，然后我们将使用eval()函数中的语法session = TF . compat . v1 . session()运行会话。
举例:
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
new_val = tf.constant([[15,78,24],[17,27,39]])
new_result = new_val.eval(session=tf.compat.v1.Session())
new_result
下面是以下给定代码的实现
Tensorflow Tensor to numpy
阅读:Python tensor flow reduce _ sum
TensorFlow 张量到 numpy 数组，无会话
- 在本节中，我们将学习如何在 Tensorflow Python 中不带会话地转换带有 numpy 数组的张量。
- 为了完成这项任务，我们将首先使用。张量中的 numpy() 函数，这是一个内置的方法，它将帮助用户将张量转换成 numpy 数组。
- 现在首先创建一个张量，我们将导入 TensorFlow 库，然后声明一个变量。接下来，我们将使用
tf.constant()函数来创建一个常数值张量。通过使用new_tens_val.numpy()函数，您可以很容易地获得 numpy 数组的值。
语法:
让我们看一下语法并理解 tf.constant() 函数的工作原理
tf.constant
(
value,
dtype=None,
shape=None,
name='const'
)
举例:
让我们举个例子，看看如何在没有会话的情况下，在 Tensorflow Python 中将张量转换成一个 numpy 数组
源代码:
import tensorflow as tf
new_tens_val=tf.constant([[24,56,78],
[16,18,29],
[23,46,78]])
result=new_tens_val.numpy()
result
下面是以下代码的截图
TensorFlow Tensor to NumPy without session
正如您在屏幕截图中看到的，输出显示了 NumPy 数组。
阅读:张量流得到形状
TensorFlow 渴望张量到 numpy
- 这里我们要讨论的是如何利用
eager_execution()函数将 TensorFlow 中的张量转换为 numpy 数组。 - 这个函数不用于图形，它主要计算张量的值，它支持 TPU 和 GPU 。如果你正在使用 TensorFlow
2.0版本，那么它可以很容易地在程序上工作。 - 为了创建会话，我们将使用
session = TF . compat . v1 . session()语法，它将帮助用户将张量值转换为 numpy 数组，但首先您必须导入TF . compat . v1 . disable _ eager _ execution()函数。
源代码:
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
values = tf.constant([[23,34,96],[27,99,89]])
output = values.eval(session=tf.compat.v1.Session())
output
下面是以下给定代码的执行过程
TensorFlow eager tensor to NumPy
阅读:Python tensor flow reduce _ mean
TensorFlow 2 张量到 numpy
- 在这个例子中，我们将学习如何在 TensorFlow
2.0版本中用 numpy 转换张量。 - 为了执行这个特定的任务，我们将使用 tf.make_tensor_proto()方法。该方法将帮助用户从张量中获取 numpy 数组，该方法在 Tensorflow
2.0中可用。如果你正在使用 TensorFlow1.x的旧版本，那么你可以很容易地使用eval()或session()函数。 - 在本例中，我们创建了
tensorproto，它是一个具有特定类型和形状的对象，它将检查形状值是否为 none 的条件，然后指定 numpy 数组。
语法:
让我们看一下语法，理解一下 tf.make_tensor_proto() 方法的工作原理
tf.make_tensor_proto
(
values,
dtype=None,
shape=None,
verify_shape=False,
allow_broadcast=False
)
- 它由几个参数组成
- 值:该参数表示我们必须在该方法中插入的值。
- dtype: 默认不取值，可选参数，用
tensor_pb2表示。 - 形状:该参数指定张量的维数。
- verify_shape: 默认取‘False’值，验证值的形状。
举例:
import tensorflow as tf
new_val = tf.constant([[25,37,89],[56,14,90]])
result = tf.make_tensor_proto(new_val)
d=tf.make_ndarray(result)
d
在下面给出的代码中，我们使用了 tf.constant() 函数作为常量值，然后我们声明了一个名为‘结果’的变量，并分配了 tf.make_tensor_proto() 函数。一旦执行了这段代码，输出将显示张量到 numpy 数组的转换。
下面是以下给定代码的输出
TensorFlow 2 tensor to NumPy
阅读:导入错误没有名为 TensorFlow 的模块
Tensorflow 变换张量为 numpy 数组
- 在这里，我们将学习如何用 TensorFlow Python 中的 numpy 数组来转换张量。
- 为了执行这个特定的任务，我们将使用。numpy() 函数，该方法在 TensorFlow 模块包中可用。在这个例子中，我们将创建一个张量对象，然后我们将应用
tensor.numpy()函数。
举例:
import tensorflow as tf
cons_values=tf.constant([[14,28,48],
[67,92,189],
[45,98,178]]) #tensor object
new_output=cons_values.numpy()
new_output
在上面的例子中，cons_values 表示张量对象，我们在其中分配了 tf.constant() 函数，并且在这个函数中，我们传递了整数值。
之后，我们声明了一个名为‘new _ output’的变量，并指定 t ensor.numpy() 函数。一旦你打印了‘new _ output’，结果就会显示 NumPy 数组。
下面是以下给定代码的实现
Tensorflow transform tensor to numpy array
正如您在截图中看到的，张量值已经被转换成一个 numpy 数组。
Tensorflow 稀疏张量到 numpy
- 在这个程序中，我们将学习如何在 TensorFlow Python 中将稀疏张量转换为 numpy 数组。
- 在 Python 中，备用张量存储了许多零元素，为了在张量中包含零值，我们必须以一种存储方式来存储它们。当我们在自然语言处理中工作时，会使用这种方法。在这个函数中，我们不会对非零值进行编码。
- 而在密集张量的情况下，最大值是非零的，并且与稀疏张量相比，它在索引中更快。
- 在这个例子中，我们将讨论如何将稀疏张量值转换为 numpy。为了完成这项任务，我们将使用
eager_execution()函数来运行会话。
语法:
让我们看一下语法，了解一下 Python 中TF . sparse . sparsesensor()函数的工作原理。
tf.sparse.SparseTensor
(
indices,
values,
dense_shape
)
- 它由几个参数组成
- indexes:该参数指示非零值的索引，它只采用二维数组形状。
- values:这些是实际值，它只能是一个一维数组，传递索引中每个元素的值。
- dense_shape: 该参数指定维度，只能是 int64 的一维数组。
举例:
让我们举个例子，看看如何在 TensorFlow Python 中将稀疏张量转换成 numpy 数组。
源代码:
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
with tf.compat.v1.Session() as val:
new_output = val.run(tf.SparseTensor([[0,16],[24,56]],[15,25],[3,4]))
print(new_output)
下面是以下代码的截图
Tensorflow sparse tensor to numpy
正如您在屏幕截图中看到的，输出显示了 NumPy 数组。
阅读:将列表转换为张量张量流
Tensorflow 张量 vs numpy 数组
- 在这一节，我们将学习 Python 中张量和 numpy 数组的比较。
| 数字阵列 | 张量 |
|---|---|
| 它是相同数据类型的值的集合，是 Python 上可用的库，主要用于线性代数或数值计算问题。 | 在 Python 中，张量是不可变的，张量有一个秩张量，表明它只有一个输入。如果函数有两个输入，那么函数将是二阶张量。 |
| NumPy 库有很多函数，比如 np.sum，np.diff 等等，它们执行一些操作，并且总是以 ndarray 的形式返回。 | 张量有类似 GPU 的内存，它接受标量和向量值。张量是一个多维数组，为了对张量对象执行一些操作，我们可以很容易地使用 tf.constant()函数，tf，variable()，tf.placeholder。 |
| 您可以使用 tf.convert_to_tensor()方法轻松地将 numpy 数组转换为张量。 | 而在张量的情况下，您可以通过使用 tensor.numpy()函数轻松地将张量转换为 numpy 数组。 |
| 在 Python NumPy 中，可以使用 numpy.where()函数或切片方法进行索引。 | 在 Python TensorFlow 中，可以使用冒号:表示切片索引。 |
| 在 Python 中要获得数组的形状，我们可以很容易地使用 numpy.reshape()函数。 | 在 Python TensorFlow 中，可以使用冒号:表示切片索引。为了得到张量的新形状，我们可以很容易地使用 tf.reshape()函数。 |
Tensor vs Numpy array
举例:
让我们举一个例子，我们将看到 Python 中 numpy 数组和张量之间的区别
源代码:
#Tensor
import tensorflow as tf
tensor_value = tf.constant([1,2,34,5,6])
tensor_value
#numpy array
import numpy as np
new_val = np.array([34,5,7,8,9])
new_val
#if you are using other software then use print statement
#print(new_val)
在上面的代码中，我们只是简单地创建了一个张量，方法是导入 TensorFlow 库，然后使用 tf.constant() 函数，在该函数中我们分配了常量值。
现在，如果你正在使用 Jupyter notebook 那么，只要简单地写下变量名，它将显示输出以及数据类型。之后，我们通过使用 np.array() 函数创建了一个数组。
下面是以下给定代码的执行过程
Tensor vs numpy array
你可能也喜欢阅读下面的 TensorFlow 教程。
- Python TensorFlow 截断法线
- Tensorflow 迭代张量
- Python TensorFlow 随机均匀
- 张量流自定义损失函数
- tensor flow next _ batch+Examples
因此，在本教程中，我们已经学习了如何将 Tensorflow 张量转换为 NumPy 张量，我们已经涵盖了这些主题。
- 没有会话的 numpy 数组的张量流张量
- TensorFlow tensor to numpy keras
- 张量流渴望张量到 numpy
- TensorFlow 2 张量到 numpy
- 张量流变换张量到 numpy 阵列
- 张量流稀疏张量到 numpy
- 张量流张量与 numpy 数组
Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。
Python 张量流截断法线
在本 Python 教程中，我们将学习如何在 TensorFlow 中使用截断法线函数。此外，我们将讨论以下主题。
- 张量流分布截断 _ 正态
- tensor flow truncated _ normal _ initailizer
- 张量流截断正态示例
- 张量流没有属性“truncated_normal”
- TensorFlow 没有属性“truncated_normal_initializer”
目录
- Python TensorFlow 截断法线
- 张量流分布截断 _ 正态
- tensor flow truncated _ normal _ initailizer
- 张量流截断正态例子
- 张量流没有属性‘truncated _ normal’
- TensorFlow 没有属性“truncated _ normal _ initializer”
Python TensorFlow 截断法线
- 在这一节中，我们将讨论如何在 Python TensorFlow 中使用截断正态函数。
- 为了执行这个特定的任务，我们将使用
TF . random . truncated _ normal()函数，该方法用于从正态分布生成随机值，正态分布是指在许多事件中出现的概率分布。 - 在本例中，我们将使用一个正常的常量变量，它将被视为张量的形状，并应用于
TF . random . truncated _ normal()函数。
语法:
我们先来看看语法，了解一下TF . random . truncated _ normal()函数的工作原理。
tf.random.truncated_normal
(
shape,
mean=0.0,
stddev=1.0,
dtype=tf.dtypes.float32,
seed=None,
name=None
)
- 它由几个参数组成
- shape: 该参数表示给定张量的输出，它必须是包含唯一整数值的一维张量。
- mean: 默认情况下，它采用
0值，并指定我们必须找到给定正态分布的平均值。 - stddev: 该参数表示我们必须找到给定正态分布的标准偏差，默认情况下，它取一个
1.0值。 - dtype: 默认取
tf.dtypes.float32()值，表示输出的数据类型。 - name: 这是一个可选参数，定义操作的名称(truncate name)。
举例:
我们举个例子，检查一下如何使用TF . random . truncated _ normal()函数。
源代码:
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
tens = tf.constant(10,dtype="int32",name="val1")
result=tf.random.truncated_normal(shape=[tens], mean=4, stddev=1)
with tf.compat.v1.Session() as val:
new_output=val.run(result)
print(new_output)
在上面的代码中，我们已经导入了 Tensorflow 库，然后使用TF . compat . v1 . disable _ eager _ execution函数来创建会话。
之后，我们应用常量函数来创建张量形状，然后使用TF . random . truncated _ normal()函数，在这个函数中，我们将形状、平均值、标准偏差指定为参数。一旦执行了这段代码，输出将显示正态分布的随机值。
下面是下面给出的代码的截图。
Python TensorFlow Truncated normal
阅读: TensorFlow Tensor to NumPy
张量流分布截断 _ 正态
- 这里我们要讨论的是如何在 Python TensorFlow 中使用分布 truncated_normal() 函数。
- 在 Python 中，该函数是正态分布，它在低参数和高参数之间的界限内，而概率密度在这些界限之外是
0。
语法:
我们先来看看语法，了解一下TFP . distribution . truncated normal()函数在 Python TensorFlow 中的工作原理。
tfp.distribution.TruncatedNormal
(
loc,
scale,
low,
high,
validate_args=False,
allow_nan_stats=True,
name='TruncatedNormal'
)
- 它由几个参数组成
- loc: 该参数表示正态分布的均值，值必须是浮点数。
- 标度:该参数指定正态分布的标准差。
- 低:是正态分布的下限，代表浮动值。
- 高:是正态分布的上限，表示浮动值。
- validate_args: 默认情况下，它接受一个
false值，如果为 true，则在运行时检查分布参数。 - allow_nan_stats: 默认情况下，它接受一个
true值，如果它是‘false’，如果统计 nan 值未定义，则会引发一个异常。
举例:
我们举个例子，检查一下如何在 Python 中使用分布 truncated_normal()函数。
源代码:
import tensorflow as tf
import tensorflow_probability as tfp
tf.compat.v1.disable_eager_execution()
new_trunc = tfp.distributions.TruncatedNormal(loc=[1., 2.], scale=2.,
low=[-2., 1.],
high=[2., 2.])
result=new_trunc.prob([0.6, 0.9])
with tf.compat.v1.Session() as val:
new_output=val.run(result)
print(new_output)
在下面给出的代码中，我们导入了别名为‘TFP’的 tensorflow_probability() 库。
之后，我们使用了TFP . distribution . truncated normal()函数，在这个函数中，我们将 loc、scale、low 和 high 指定为参数。
下面是以下给定代码的实现
TensorFlow distribution truncated_normal in Python
阅读:张量流得到形状
tensor flow truncated _ normal _ initailizer
- 在本期节目中，我们将讨论如何在 TensorFlow Python 中使用
truncated _ normal _ initializer()函数。 - 在 Python 中，初始化器意味着我们必须生成正态分布的张量。
语法:
下面是 Python TensorFlow 中TF . compat . v1 . truncated _ normal _ initializer()函数的语法。
tf.compat.v1.truncated_normal_initializer
(
mean=0.0,
stddev=1.0,
seed=None,
dtype=tf.dtypes.float32
)
举例:
我们举个例子，检查一下如何在 Python 中使用truncated _ normal _ initializer()函数。
源代码:
import tensorflow as tf
new_trunc = tf.compat.v1.truncated_normal_initializer(mean=0,stddev=1,seed=4)
print(new_trunc)
你可以参考下面的截图。
Python TensorFlow truncated_normal_initailizer
阅读:Python tensor flow reduce _ sum
张量流截断正态例子
- 在本例中，我们将讨论如何在 TensorFlow Python 中从截断的正态分布生成随机值。
- 为了执行这个特定的任务，我们将使用
TF . random . truncated _ normal()函数，该函数用于从截断正态分布中生成随机值。
语法:
下面是 Python TensorFlow 中TF . random . truncated _ normal()函数的语法。
tf.random.truncated_normal
(
shape,
mean=0.0,
stddev=1.0,
dtype=tf.dtypes.float32,
seed=None,
name=None
)
举例:
import tensorflow as tf
trunc_tens=tf.random.truncated_normal([4])
print(trunc_tens)
在上面的代码中，我们导入了 Tensorflow 库，然后使用了TF . random . truncated _ normal()函数，在这个函数中，我们指定了输出张量的形状。
下面是以下给定代码的执行。
Python TensorFlow truncated normal example
阅读:Python tensor flow reduce _ mean
张量流没有属性‘truncated _ normal’
这里我们要讨论的是错误属性 error: 模块' TensorFlow '在 Python 中没有属性' truncated_normal' 。基本上，当我们使用 tf.truncated_normal() 函数时，就会出现这个错误语句。
举例:
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
tens = tf.constant(10)
result=tf.truncated_normal(shape=[tens], mean=3, stddev=1)
with tf.compat.v1.Session() as val:
new_output=val.run(result)
print(new_output)
下面是以下代码的截图
TensorFlow has no attribute truncated_normal
现在让我们看看这个错误的解决方案
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
tens = tf.constant(10)
result=tf.random.truncated_normal(shape=[tens], mean=3, stddev=1)
with tf.compat.v1.Session() as val:
new_output=val.run(result)
print(new_output)
在上面的代码中，我们使用了TF . random . truncated _ normal()函数，而不是 t f.truncated_normal() 函数。在 Python 中，TF . random . truncated _ normal()函数用于从正态截断分布中生成随机值。
下面是以下给定代码的输出
Solution of TensorFlow has no attribute truncated_normal in Python
阅读:导入错误没有名为 TensorFlow 的模块
TensorFlow 没有属性“truncated _ normal _ initializer”
在本节中，我们将讨论错误属性错误模块‘tensor flow’在 Python 中没有属性‘truncated _ normal _ initializer。基本上，当我们使用TF . truncated _ normal _ initializer()函数时，就会出现这个错误语句。
举例:
import tensorflow as tf
new_trunc = tf.truncated_normal_initializer(mean=0,stddev=1,seed=4)
print(new_trunc)
下面是以下给定代码的实现
TensorFlow has no attribute truncated_normal_initializer
现在让我们看看这个错误的解决方案
要得到这个错误的解决方法，可以参考我们之前的话题tensor flow truncated _ normal _ initailizer。
在 Python TensorFlow 中，最新版本 2.8 更新了大部分功能。如果您使用的是 TensorFlow 的最新版本，那么您可以应用TF . compat . v1 . truncated _ normal _ initializer()函数来解决这个错误。
此外，请查看以下 TensorFlow 教程:
- Tensorflow 迭代张量
- 张量流图-详细指南
- TensorFlow 稀疏张量+示例
- 模块“张量流”没有属性“会话”
- 模块' TensorFlow '没有属性' get_default_graph'
在这个 Python 教程中，我们已经学习了如何在 Python 中使用截断的普通函数。此外，我们还讨论了以下主题。
- 张量流分布截断 _ 正态
- tensor flow truncated _ normal _ initailizer
- 张量流截断正态示例
- 张量流没有属性“truncated_normal”
- TensorFlow 没有属性“truncated_normal_initializer”
Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。
如何在 Python 中修剪字符串
修剪字符串是什么意思，它在 Python 中是如何工作的？在本文中，我们将讨论如何修剪字符串中的空白。
从技术上来说，修剪字符串是指从文本字符串中删除空白。Python 中的三个内置函数 strip、rstrip、lstrip 和正则表达式方法可用于从字符串中移除空格。要删除空格，所有这些技术都不需要参数。
- 如何使用正则表达式方法在 Python 中修剪字符串
- 如何使用 lstrip 方法在 Python 中修剪字符串
- 如何使用 rstrip 方法在 Python 中修剪字符串
- 如何使用 strip()方法在 Python 中修剪字符串
- 如何在 NumPy Python 中修剪字符串
- 如何在熊猫 Python 中修剪字符串
- 如何在 Python 中从字符串中修剪换行符
目录
- 如何使用正则表达式方法在 Python 中修剪字符串
- 如何使用 lstrip 方法在 Python 中修剪字符串
- 如何使用 rstrip 方法在 Python 中修剪字符串
- 如何使用 strip()方法在 Python 中修剪字符串
- 如何在 NumPy Python 中修剪字符串
- 如何在 Pandas Python 中修剪字符串
- 如何在 Python 中修剪字符串的换行符
如何使用正则表达式方法在 Python 中修剪字符串
- regex 模块的' re '类具有函数
re sub()。要去除字符串中的空白，我们可以很容易地使用这个方法。 - Python 正则表达式(re)包包含了
re.sub()方法。匹配的给定模式的所有实例都由返回字符串中的替换字符串替换。 - Python 的
re sub()函数可以用来修剪字符串。使用内置函数re()，字符串被修剪，其前导和尾随空格被删除。
语法:
让我们看一下语法并理解 Python 中的re sub()方法的工作原理。
re.sub(pattern, repl, string, count=0, flags=0)
- 它由几个参数组成
- 模式:该参数定义了我们想要替换的字符串/模式。
repl:该参数用于定义替换花样的花样。Count:默认情况下，取值为 0，它定义了应该发生的替换次数。
举例:
让我们举一个例子，检查如何使用正则表达式方法在 Python 中修剪字符串。
源代码:
import re
# Input string
Country_name = " United States of America "
# By using the re.sub() method
new_result = re.sub(r'^\s+|\s+$', '', Country_name)
# Display the Content
print(new_result)
因此，我们将首先导入 re 库来验证 re 模块中的函数，然后生成一个名为Country _ name = " United States of America "的输入字符串。
现在我们想通过使用re sub()函数来删除字符串中的空白，在这个函数中，我们指定了符号 \s ，它表示空白。
下面是以下给定代码的实现。
How to trim a string in Python by using the regular expression method
这就是如何使用正则表达式方法在 Python 中修剪字符串。
如何使用 lstrip 方法在 Python 中修剪字符串
- 在本节中，我们将讨论如何使用 Python 中的 lstrip 方法来修剪字符串。
- 一个名为
lstrip()的内置 Python 函数修剪所有空白字符的字符串的左侧，并返回结果新字符串。lstrip()方法不接受任何参数。 - 方法返回字符串的一个副本。如果没有给定参数，默认情况下会删除前导空格。
语法:
下面是 Python 中 lstrip() 方法的语法。
str.lstrip(characters)
注意:从字符串的左边删除了一个字符串。
以下示例代码显示了如何使用 Python 中的 lstrip 方法来修剪字符串。
# Input string
state_name_in_USA = ' Alaska,Alabama,Arizona'
print("Input string :",state_name_in_USA )
# Using replace() method
new_output= state_name_in_USA.lstrip()
# Display the content
print("After trimming the string :",new_output)
在这个例子中，字符串“Alaska，Alabama，Arizona”被用作输入字符串。在返回修改后的字符串后，我们删除了原来的字符串“阿拉斯加、阿拉巴马、亚利桑那”。在这段代码中必须使用 lstrip() 函数:
当对输入字符串使用 lstrip() 函数时，没有传递可选参数。因此，空格会自动修剪。‘阿拉斯加州、阿拉巴马州、亚利桑那州’将因左边的空格被移除而产生。
你可以参考下面的截图
Remove whitespace from the left side by using the lstrip method
正如你在截图中看到的，我们已经讨论了如何使用 lstrip 方法在 Python 中修剪字符串。
如何使用 rstrip 方法在 Python 中修剪字符串
- 让我们讨论如何使用 rstrip 方法在 Python 中修剪字符串。
- 一个名为
rstrip()的内置 Python 函数修剪所有空白字符的字符串右侧，并返回结果新字符串。rstrip()方法不接受任何参数。 - 这是一种去除空白的附加技术。与 lstrip 相比，rstrip() 用于移除右边的空格，它清除了所有的空白。
语法:
下面是 Python 中 rstrip() 方法的语法。
str.rstrip(characters)
注意:从字符串的右边删除了一个字符串。
举例:
让我们举一个例子，看看如何使用 rstrip 方法在 Python 中修剪字符串。
源代码:
# Input String
Cars_in_USA = "Tesla,BMW "
print("Input string:",Cars_in_USA)
# By using the lstrip()
result = Cars_in_USA.rstrip()
# Display the Content
print("Remove white spaces:",result)
在下面给定的代码中，我们创建了一个名为 Cars_in_USA 的输入字符串，然后使用了 rstrip() 函数，该函数用于删除字符串右侧的空白。
字符串的右边没有空格。因此的输出是“特斯拉，宝马”。如果字符串包含换行符(/n)、回车符(/r)或制表符(/t)，
下面是以下代码的截图
Remove whitespace from the right side by using the lrstrip method
在这个例子中，我们已经理解了如何使用 lrstrip 方法从右侧移除空白。
如何使用 strip()方法在 Python 中修剪字符串
- 本节介绍如何使用 Python 中的
strip()方法在 Python 中修剪字符串。 - Python 有一个内置的库函数叫做
strip()。通过删除提供给strip()方法的前导和尾随空格、字母和符号，它用于返回原始字符串的副本。 - 换句话说，通过将一组字符作为参数传递给
strip()方法，Python string 函数从字符串的左端和右端删除字符。如果没有输入提供给strip()函数，它默认从字符串的开头和结尾删除空白。
语法:
string.strip(character)
注:可选参数。当一个字符被传递给 strip() 函数时，它将从字符串的两端被移除。
举例:
让我们举一个例子，检查如何通过使用 Python 中的 strip() 方法在 Python 中修剪一个字符串。
源代码:
# Original string
cities_of_USA = ' New York, Los Angeles, California '
print("Input String :",cities_of_USA )
# By using str.strip() function
new_output = cities_of_USA.strip()
print(" Input String after trimming :", new_output)
在这个程序中，我们将‘New York，Los Angeles，California’作为输入字符串，然后使用 strip() 函数来修剪输入字符串中的空白。
下面是以下给定代码的实现
By using the strip method trimmed whitespaces from both sides
在这个例子中，我们已经理解了如何使用 strip() 方法在 Python 中修剪字符串。
如何在 NumPy Python 中修剪字符串
- 在这里，我们将讨论如何在 NumPy Python 中删除输入字符串中的空白。
- 为了执行这个特定的任务，我们将使用
numpy.char.strip()函数。 - 使用
strip()函数移除数组中每一项的前导和尾随字符。默认情况下，除非指定了特定字符，否则该函数会修剪字符串中任何不必要的前导空格和尾随空格。
语法:
让我们看一下语法并理解 Python 中的 numpy.char.strip() 的工作原理
char.strip(a, chars=None)
- 它只包含两个参数
- a: 这是给定字符串的输入数组。
- chars:chars 参数有效地指示了应该被删除的字符串。默认情况下，如果未给定此参数或给定为 None，则删除空白。
举例:
让我们举一个例子，看看如何在 NumPy Python 中删除输入字符串中的空白。
源代码:
import numpy as np
# Creation of array by using the np.array()
Country_name = np.array([' U.S.A', 'Belgium '])
print("Input Array :", Country_name)
# By using the numpy.char.strip() function
new_output = np.char.strip(Country_name)
print(" Input Array after performing trim :",new_output )
在下面给定的代码中，我们通过使用 np.array() 函数创建了输入数组，在这个函数中，我们将国家名称指定为文本字符串。
现在我们想从输入数组中删除空白，为此，我们将使用 np.char.strip() 函数。
下面是以下给定代码的实现。
How to trim a string in NumPy Python
这是如何在 NumPy Python 中修剪字符串。
如何在 Pandas Python 中修剪字符串
- 在这一节中，我们将讨论如何在 Python Pandas 中修剪字符串。
- 在任何文本数据中，Pandas 提供了三种处理空白的方法。如名字所示，函数
str.lstrip()和str.rstrip()去除文本左右两边的空格，str.strip()去除两边的空格。 - 在这个例子中，我们将使用
str.strip()函数来修剪列的尾部和前导空格。
让我们看一个例子，看看如何修剪列的前导和尾随空格及其所有空格。
源代码:
import pandas as pd
import numpy as np
#Create a DataFrame
data_fr = {
'Country_name':[' U.S.A ',' Germany ', ' Australia','Belgium ','Bulgaria '],
'Country_id':[167,727443,434674,92533,325373]}
data_fr = pd.DataFrame(data_fr,columns=['Country_name','Country_id'])
print(data_fr)
print(data_fr['Country_name'].str.len())
data_fr['Country_name'] = data_fr['Country_name'].str.strip()
print (data_fr)
print(data_fr['Country_name'].str.len())
在上面的代码中，我们首先导入了 Pandas 库，然后使用 pd 创建了一个 dataframe。DataFrame() 函数，在这个数据帧中，我们指定了国家名称和国家标识，并检查字符串的长度。
下面是下面给出的代码的截图。
Trim right and left side white spaces in Pandas
这是如何在 Python 熊猫中修剪一个字符串。
如何在 Python 中修剪字符串的换行符
- 在这个例子中，我们将讨论如何在 Python 中从一个字符串中修剪一个换行符。
- 为了执行这个特定的任务，我们将使用
strip()函数，并且使用strip()函数来修剪字符串中的前导和尾随换行符。此外，它还会删除字符串两边的空白。 - 换句话说，通过将一组字符作为参数传递给
strip()方法，Python string 函数从字符串的左端和右端删除字符。
举例:
让我们举一个例子，看看如何在 Python 中从一个字符串中修剪一个换行符。
# Input String
Country_name = "\n United States of America \n"
# By using the strip() function
new_output = Country_name.strip()
# Display the Content
print(new_output)
下面是以下代码的截图
Remove the newline from the string
在这个例子中，我们已经了解了如何在 Python 中从一个字符串中修剪一个换行符。
另外，看看更多的 Python 教程。
- Python 中的复数
- 如何在 Python 中从列表中找到一个字符串
- 如何在 Python 中寻找完全数
- 寻找 3 个数最大值的 Python 程序
- 如何在 Python 中反转一个数字
- 偶数或奇数的 Python 程序
在本文中，我们学习了如何用不同的方法从字符串中删除空白。我们还讨论了以下主题。
- 如何使用正则表达式方法在 Python 中修剪字符串
- 如何使用 lstrip 方法在 Python 中修剪字符串
- 如何使用 rstrip 方法在 Python 中修剪字符串
- 如何使用 strip()方法在 Python 中修剪字符串
- 如何在 NumPy Python 中修剪字符串
- 如何在熊猫 Python 中修剪字符串
- 如何在 Python 中从字符串中修剪换行符
Arvind 目前是 TSInfo Technologies 的高级 Python 开发人员。他精通 Python 库，如 NumPy 和 Tensorflow。
如何使用 Turtle 在 python 中绘制形状(Python 中的 Turtle 编程)
想了解更多关于蟒龟？在这个 Python 教程中，我们将讨论在 python 中的 turtle 编程，我们将看到什么是 Python Turtle 以及如何在 Python 中使用它。此外，我们将看到以下主题:
- python 中的乌龟是什么？
- 如何在 python 中安装 turtle
- Python turtle 方法
- 蟒蛇龟速
- 巨蟒龟速度最快
- 改变乌龟大小的蟒蛇
- 蟒蛇龟改变笔的大小
- 变龟形蟒蛇
- 蟒蛇龟屏幕尺寸
- 巨蟒龟如何摆好位置
- 海龟屏幕点击示例 python
- 如何在 python turtle 中获取屏幕坐标
- 在 python turtle 中更改屏幕标题
- 蟒蛇龟清晰屏幕
- 如何用 turtle 在 python 中画一个正方形
- 如何使用 turtle 在 python 中绘制矩形
- 如何用 turtle 在 python 中画圆
- 如何用 turtle 在 python 中画椭圆
- 在 python turtle 中绘制星星的代码
- 使用 turtle 在 python 中绘制五边形
- 在蟒蛇龟上画一个六边形
- 用 turtle 绘制七边形的 Python 程序
- 使用 turtle 在 python 中绘制八角形
- 使用 turtle 在 python 中绘制多边形
- 使用 turtle 在 python 中画一个点
- Python 使用 turtle 绘制相切圆
- Python 使用 turtle 绘制螺旋圈
- Python 使用 turtle 绘制同心圆
- 如何在蟒蛇龟中画螺旋方块
- 在蟒蛇龟中绘制螺旋星
- 在巨蟒龟里画一个螺旋三角形
- 使用 turtle 在 python 中绘制立方体
- 如何在 turtle python 中绘制网格
- Python 海龟图形没有响应
- Python turtle 主循环
- 如何激活检查 python turtle 上的按钮是否被按下
目录
- python 中的龟是什么？
- 如何在 python 中安装 turtle
- 蟒龟战法
- 蟒龟速度
- 巨蟒龟速度最快
- 改变乌龟大小的蟒蛇
- 蟒龟变笔大小
- 变龟形蟒蛇
- 如何在蟒蛇龟中用鼠标移动乌龟
- 巨蟒龟屏幕尺寸
- 蟒龟如何设定位置
- 乌龟屏幕点击示例 python
- 如何在 python turtle 中获取屏幕坐标
- 更改 python turtle 中的屏幕标题
- 蟒龟清屏
- 如何用 turtle 在 python 中画正方形
- 如何用 turtle 在 python 中绘制矩形
- 如何用 turtle 在 python 中画圆
- 如何用 turtle 在 python 中画椭圆
- 如何在巨蟒龟身上画星星
- 使用 turtle 在 Python 中绘制五边形
- 在蟒蛇龟身上画一个六边形
- Python 程序用乌龟画七边形
- 用乌龟在 Python 中画八角形
- 用 turtle 在 python 中画一个多边形
- 用乌龟在 python 中画一个点
- Python 用乌龟画相切的圆
- Python 用乌龟画螺旋圈
- Python 用乌龟画同心圆
- 如何在蟒蛇龟中画螺旋方块
- 在蟒龟身上画螺旋星
- 在蟒蛇龟身上画一个螺旋三角形
- 使用 turtle 在 python 中绘制立方体
- 如何在 turtle python 中绘制网格
- 蟒蛇龟图形没有响应
- 蟒蛇龟主循环
- 如何激活检查 python turtle 上的按钮是否被按下
python 中的龟是什么？
- “乌龟”是一个类似画板的 python 特性，可以让你命令一只乌龟在上面画个遍。
- 我们可以使用类似 turtle.forward(…)的函数。)和 turtle.left(…)这将使乌龟四处移动。
- 要使用一个
turtle，我们必须先导入它。 - 只需进入 python 环境，输入“导入龟”。
- python turtle 库包含了我们创建图像所需的所有方法和函数。
你可能也会喜欢 Python Tkinter 秒表。
如何在 python 中安装 turtle
为了在 python 中安装 turtle ,我们必须在终端中运行下面的命令:
$ pip install turtle
蟒龟战法
一些最常用的方法是:
forward()–将海龟向前移动指定的距离- 向后()–它将海龟向后移动指定的距离
- 右()–顺时针方向转动乌龟
left()–逆时针方向转动乌龟penup()–停止绘制乌龟围栏pendown()–开始绘制乌龟围栏color()–改变乌龟笔的颜色
蟒龟速度
turtle.speed()方法用于改变乌龟的速度。我们可以传递参数的值。它会返回或设置海龟的速度。- 速度在 0-10 的范围内。
- 速度值有以下几种方式:
- 最快–0
- 快速–10
- 正常–6
- 慢速–3
- 最慢–1
- 龟速使用的语法
"turtle.speed(number)"
举例:
import turtle
turtle.speed(1)
turtle.forward(100)
turtle.done()
在这个输出中，我们可以看到新的窗口出现了，海龟的速度是“1”，这是最慢的，它向前移动了 100 个单位。
Python turtle speed
巨蟒龟速度最快
turtle.speed() 方法用于改变乌龟的速度。我们可以传递参数的值。在这里，速度为“0”是最快的。
举例:
import turtle
turtle.speed(0)
turtle.forward(200)
turtle.done()
在这个输出中，我们可以看到新的窗口出现了，海龟的速度是“0”，这是最快的，它向前移动了 200 个单位。
Python turtle speed fastest
改变乌龟大小的蟒蛇
在这里，我们将看到如何在 python 中改变海龟的大小
- 要改变乌龟的大小，我们可以增加或减少乌龟的大小，让它变大或变小。这只会改变海龟的大小，而不会影响笔在屏幕上绘制时的输出。
- 改变乌龟大小的语法是“turtle . shapesize(stretch _ width，stretch_length，outline)”。
举例:
import turtle
tr = turtle.Turtle()
tr.shapesize(10,5,1)
turtle.done()
在这个输出中，我们可以看到我们使用了 "tr.shapesize(10，5，1)" 来改变乌龟的大小，您可以根据自己的喜好来改变大小。新的窗口将出现，你可以看到海龟的大小发生了变化。
Change turtle size python
蟒龟变笔大小
要增加或减少钢笔大小的粗细，我们可以使用" tr . penzize()"。现在你可以看到钢笔的尺寸是原来的的 4 倍。
举例:
import turtle
tr = turtle.Turtle()
tr.pensize(4)
tr.forward(200)
turtle.done()
在此输出中，我们可以看到新窗口出现，并且笔的大小发生了变化。海龟将向前移动 200 个单位。
Python turtle change pen size
变龟形蟒蛇
我们知道海龟的最初形状并不是真正的海龟，而是三角形。然而，如果你想把一只乌龟的样子变成任何其他形状，比如圆形、方形、箭头等，那么你可以使用 "tr.shape("方形")"。
举例:
import turtle
tr = turtle.Turtle()
tr.shape("square")
turtle.done()
在这个输出中，我们可以看到新窗口出现了，乌龟的形状变成了正方形。
Change turtle shape python
如何在蟒蛇龟中用鼠标移动乌龟
- 首先，我们需要【进口龟】。带有两个参数 x 和 y 的函数将被赋值为画布上选中点的坐标。
turtle.ondrag()用于在画布上的乌龟上移动鼠标。- turtle . set heading(turtle . Howard(x，y)) 用于移动乌龟朝向 x 和 y 的角度和方向。
- 这里，
turtle.ondrag(func)再次被调用。为了设置龟速，我们使用了“龟速(10)”。 - sc.setup(600，600) 用于设置屏幕，
sc.mainloop()用于进入主循环。
举例:
import turtle
def func(x, y):
turtle.ondrag(None)
turtle.setheading(turtle.towards(x, y))
turtle.goto(x, y)
turtle.ondrag(func)
turtle.speed(10)
sc = turtle.Screen()
sc.setup(600, 600)
turtle.ondrag(func)
sc.mainloop()
在这个输出中，我们可以看到如何在新窗口中用鼠标移动乌龟。
How to move turtle with mouse in python turtle
巨蟒龟屏幕尺寸
"turtle.screensize()" 方法用于调整海龟正在绘制的画布的大小。如果没有给定参数，函数返回当前值(canvwidth，canvheight)。这里我取了(canvwidth=600，canvheight=600，bg="blue ")。
举例:
import turtle
turtle.screensize(canvwidth=600, canvheight=600, bg="blue")
turtle.done()
在这个输出中，我们可以看到新的窗口出现了，海龟屏幕的大小改变了，屏幕的颜色是蓝色的。
Python turtle screen size
蟒龟如何设定位置
让我们看看如何在 Python 中使用 turtle 设置位置
- 首先，我们将导入 turtle 模块。为了创建一个屏幕对象，我们将使用“tr = turtle。屏幕()"
- 要随时改变屏幕的颜色，我们可以使用命令
"turtle.bgcolor(*args)"。 - tr.setup(width=500，height=450，startx=0，starty=0) 用于设置尺寸和位置。我们可以通过改变
startx和starty来改变或设定位置。 - 这里，我的
startx和starty被设置为“0”。所以位置会在屏幕上方。
举例:
import turtle
tr = turtle.Screen()
tr.bgcolor('grey')
tr.setup(width=500, height=450, startx=0, starty=0)
turtle.done()
在这个输出中，我们可以看到新的窗口出现了，并且在海龟图形上设置了位置。
Python turtle how to set position
乌龟屏幕点击示例 python
- 首先，我们将导入包乌龟和随机。然后我们会列一个颜色清单。
- 现在，我们将定义调用屏幕单击的方法。我们必须使用 "scr.bgcolor(color[r])" 随机设置屏幕颜色。
- 我们已经看到，默认情况下 turtle 总是以白色背景打开屏幕，使用“turtle . onscreen click(fun)”将该功能绑定到鼠标点击事件。
- 以上方法用于设置背景，点击龟屏时改变颜色。
举例:
import turtle
import random
color = ['purple', 'pink', 'red', 'yellow', 'green',
'black', 'blue', 'orange',]
def fun(x, y):
global color
r = random.randint(0, 7)
scr.bgcolor(color[r])
scr = turtle.Screen()
scr.setup(500, 400)
turtle.onscreenclick(fun)
turtle.done()
在这个输出中，我们可以看到新窗口出现了，每当用户点击屏幕时，它会随机改变海龟图形窗口的背景颜色。
Turtle onscreen click example python
Turtle onscreen click example python
如何在 python turtle 中获取屏幕坐标
- 首先，我们将导入 turtle 模块。turtle()方法用于制作对象。
- turtle . onscreen click(button click，1) 用于向函数发送坐标，1 用于左键单击。
- 这里，速度用来增加或减少乌龟的速度。
listen()允许服务器监听传入的连接。
举例:
import turtle
tr = turtle.Turtle()
def buttonclick(x,y):
print("Clicked at the coordinate({0},{1})".format(x,y))
turtle.onscreenclick(buttonclick,1)
turtle.listen()
turtle.speed(1)
turtle.done()
在下面的输出中，我们可以看到新窗口出现了，通过单击屏幕上的任意位置，我们可以获得屏幕在终端上的坐标。
How to get coordinate of the screen in python turtle
更改 python turtle 中的屏幕标题
turtle.title() 函数用于设置 turtle 窗口的标题。它只需要一个字符串形式的参数，这个字符串将出现在 turtle 图形窗口的标题栏中。默认情况下海龟图形窗口的标题是“Python 海龟图形”。
举例:
import turtle
turtle.title("My turtle window")
turtle.done()
在这个输出中，我们可以看到新的窗口出现了，屏幕标题变成了“我的海龟窗口”。
Change the screen title in python turtle
蟒龟清屏
turtle.clear() 函数用于从屏幕上删除海龟图形。这不需要任何争论。
举例:
import turtle
turtle.forward(100)
turtle.right(90)
turtle.forward(100)
turtle.right(90)
turtle.forward(100)
turtle.clear()
turtle.done()
在下面的输出中，我们可以看到新窗口出现了。
Python turtle clear screen
如何用 turtle 在 python 中画正方形
我们来讨论一下，如何用 turtle 在 python 中画一个正方形。
- 首先，我们需要【进口龟】。
- 导入后，我们有了所有可用的 turtle 功能。
- 我们需要创建一个新的画板和一只乌龟。
- 让我们称乌龟为【tr】
- 为了让乌龟向前移动，我们使用了“tr . forward()”，为了让乌龟向右移动，我们使用了“tr . right()的方法，这种方法会原地旋转。
turtle.done()告诉编译器程序结束。
举例:
import turtle
tr = turtle.Turtle()
for i in range(4):
tr.forward(60)
tr.right(90)
turtle.done()
在这个输出中，我们可以看到新的窗口出现了，通过使用 for 循环，海龟 tr 向前向右移动。
How to draw a square in python using turtle
如何用 turtle 在 python 中绘制矩形
现在，我们将看到如何使用 turtle 在 python 中绘制矩形。
- 这里，我们导入了海龟模块。现在，让我们把龟称为【tr】
- 循环的用于打印代码次数。
- 为了让乌龟向前移动，我们使用了“tr . forward(300)”，它朝它面对的方向移动了 300 个像素，为了让乌龟向右移动，我们使用了“tr . right(90)】的方法，它将在原地顺时针旋转 90 度。
turtle.done()告诉编译器程序结束。
举例:
import turtle
tr = turtle.Turtle()
for i in range(2):
tr.forward(300)
tr.right(90)
tr.forward(150)
tr.right(90)
turtle.done()
在这个输出中，我们可以看到在新窗口中绘制了矩形。乌龟 tr 在 tr 面对的方向上向前移动(300)个像素， tr.right(90) 它在顺时针旋转 90 度。
How to draw a rectangle in python using turtle
如何用 turtle 在 python 中画圆
让我们用乌龟在 python 中画一个圆。
- 要画一个圆，我们要用调用导入海龟的模块，然后我们会用
circle()的方法。 - circle 方法以半径为自变量。
举例:
import turtle
tr = turtle.Turtle()
rad = 80
tr.circle(rad)
turtle.done()
在这个输出中，我们可以看到在新的画板上画出了圆。它画出 80 个单位的半径的圆。你可以参考下面的截图。
How to draw a circle in python using turtle
如何用 turtle 在 python 中画椭圆
让我们用乌龟在 python 中画椭圆 。
- 要画一个椭圆，我们要用调用导入龟的模块，然后我们会定义一个函数。
- 循环的用于绘制一个椭圆。分割椭圆，将形状倾斜到负“45 度”。
- 最后调用
draw方法。
举例:
import turtle
def draw(rad):
for i in range(2):
turtle.circle(rad,90)
turtle.circle(rad//2,90)
turtle.seth(-45)
draw(150)
turtle.done()
在这个输出中，我们可以看到椭圆被绘制在新的画板上。你可以参考下面的截图。
How to draw ellipse in python using turtle
如何在巨蟒龟身上画星星
让我们看看如何用 Turtle 在 Python 中画一颗星星。
- 要画一颗星，我们要用名为的模块导入海龟，然后我们会用进行循环打印代码次数。
- 在这里，海龟将向前移动
80个单位，然后向右转向144 度****。
**举例:
import turtle
tr = turtle.Turtle()
for i in range(5):
tr.forward(80)
tr.right(144)
turtle.done()
在这个输出中，我们可以看到在新的绘图板上绘制了星星。此外，我们必须记住，我们必须把海龟只转过 144 度。如果你把它转到其他角度，那么你就不能画出星星。
Code to draw a star in python turtle
使用 turtle 在 Python 中绘制五边形
我们来讨论一下，如何用 turtle 在 Python 中画五边形。
- 用 turtle 在 python 中画五边形，我们要用名为的模块导入 turtle ，然后我们会用进行循环打印代码次数。
- 在这里，乌龟将向前移动
80个单位，然后顺时针向右转 - 多边形的外角是 360/(边数)。所以，对五角大楼来说，将是 72。
举例:
import turtle
tr = turtle.Turtle()
for i in range(5):
tr.forward(80)
tr.right(72)
turtle.done()
在这个输出中，我们可以看到在新的绘图板上绘制了五边形。五边形的外角是 72 度，重复该语句 5 次以获得五边形。
Draw a pentagon in python using turtle
在蟒蛇龟身上画一个六边形
让我们看看如何在蟒蛇龟中画出一个六边形。
- 为了用 turtle 在 python 中画一个六边形，我们必须使用名为导入 turtle** 的模块，然后我们将使用进行循环来打印代码次数。**
- 在这里，海龟将向前移动100 个单位，假设为六边形的边，然后顺时针向右转 60 度。
- 多边形的外角是 360/(边数)。所以，对于六边形，它将是 60。
举例:
import turtle
tr = turtle.Turtle()
for i in range(6):
tr.forward(100)
tr.right(60)
turtle.done()
在这个输出中，我们可以看到在新的绘图板上绘制了六边形。六边形的外角是 60 度，重复该语句 6 次以获得六边形。
Draw a hexagon in python turtle
Python 程序用乌龟画七边形
让我们看看如何在 Python 中用 turtle 画七边形？
- 为了用 turtle 在 python 中画一个七边形，我们要使用名为的模块导入 turtle** ，然后我们会用进行循环打印代码次数。**
- 在这里，乌龟会假设七边形的边向前移动
100个单位，然后顺时针旋转 51.42 度转向右侧。 - 多边形的外角是 360/(边数)。所以，对于七边形，是 51.42。
举例:
import turtle
tr = turtle.Turtle()
for i in range(7):
tr.forward(100)
tr.right(51.42)
turtle.done()
在这个输出中，我们可以看到七边形被绘制在新的绘图板上。七边形的外角是 51.42 度，重复 7 次以得到一个七边形。
Python program to draw Heptagon using turtle
用乌龟在 Python 中画八角形
在这里，我们将看到如何用 turtle 在 Python 中画八角形？
- 用 turtle 在 python 中画一个八边形，我们要用名为的模块导入 turtle ，然后我们会用进行循环打印代码次数。
- 在这里，乌龟将会假设八角形的边向前移动
100个单位，然后顺时针旋转 45 度转向右侧。 - 多边形的外角是 360/(边数)。因此，对于八边形，它将是 45。
举例:
import turtle
tr = turtle.Turtle()
for i in range(8):
tr.forward(100)
tr.right(45)
turtle.done()
在这个输出中，我们可以看到在新的绘图板上绘制了八边形。八边形的外角是 45 度，重复该语句 8 次，得到一个八边形。
Draw octagon in python using turtle
用 turtle 在 python 中画一个多边形
我们来看看如何用 turtle 在 python 中画多边形？
- 为了用 turtle 在 python 中绘制多边形，我们必须使用名为导入 turtle** 的模块，然后我们将使用进行循环打印代码次数。**
- 在这里，海龟将假设多边形的边向前移动
100个单位，然后顺时针旋转 40 度向右转。 - 多边形的外角是 360/(边数)。因此，对于多边形，它将是 40。
举例:
import turtle
tr = turtle.Turtle()
for i in range(9):
tr.forward(100)
tr.right(40)
turtle.done()
在这个输出中，我们可以看到多边形被绘制在新的画板上。一个多边形的外角是 40 度，重复 9 次以得到一个多边形。
Draw a polygon in python using turtle
用乌龟在 python 中画一个点
咱们如何用 turtle 在 Python 中画一个点？
- 要画一个点，我们得用调用导入龟的模块，然后我们再用
dot()的方法。 - 括号内的数字是圆点的直径。
- 我们可以通过改变直径的值来增大或减小尺寸，这里是
d=30。
举例:
import turtle
tr = turtle.Turtle()
d = 30
tr.dot(d)
turtle.done()
在这个输出中，我们可以看到在新的绘图板上画了点。它画一个圆点，圆点用圆圈填充，圆点的大小可以通过改变直径来改变。你可以参考下面的截图。
Draw a dot in python using turtle
Python 用乌龟画相切的圆
我们来看看如何在 Python 中用 turtle 画相切的圆？
- 一个相切的圆会有一个以上的圆有一个交点叫做相切。
- 要绘制一个相切的圆，我们必须使用名为的模块导入龟，然后我们将使用
circle()的方法。 - 这里，for loop 用于打印相切圆。该循环将从 0 开始，并一直重复到给定的范围-1 。
举例:
import turtle
tr = turtle.Turtle()
for i in range(12):
tr.circle(12*i)
turtle.done()
在这个输出中，我们可以看到相切的圆被绘制在新的绘图板上。海龟从开始画圆的地方到达同一点。该圆将比给定范围少重复一次，以获得相切圆。
Python draw tangent circles using turtle
Python 用乌龟画螺旋圈
现在，我们将看到如何在 Python 中使用 turtle 绘制螺旋圆？
- 半径变化的螺旋线叫做螺旋线。
- 要画一个螺旋圆，我们必须使用名为的模块导入龟，然后我们将使用
circle()的方法。 - 这里，初始半径为 10 ，循环的用于螺旋圆。该循环将从 0 开始，一直重复到给定的T5 范围。****
- 还有，我们过了 45°作为圆心角，会重复 100 次得到螺旋圆。
举例:
import turtle
tr = turtle.Turtle()
r = 10
for i in range(100):
tr.circle(r+i, 45)
turtle.done()
在此输出中，我们可以看到在新的绘图板上绘制了螺旋圆，并重复 100 次以获得螺旋圆。
Python draw spiral circles using turtle
Python 用乌龟画同心圆
我们来看看如何在 Python 中用 turtle 画同心圆？
- 半径不同但有一个共同中心的圆叫做同心圆。
- 要绘制同心圆，我们必须使用名为的模块导入海龟，然后我们将使用
circle()的方法。 - 循环的用于打印同心圆。
- 这里我们拿起了龟笔，将龟笔的 y 坐标设置为-1 乘以
10*i。之后，我们放下了笔。 - 这将重复 30 次以获得同心圆。
举例:
import turtle
tr = turtle.Turtle()
r = 10
for i in range(30):
tr.circle(r*i)
tr.up()
tr.sety((r*i)*(-1))
tr.down()
turtle.done()
在这个输出中，我们可以看到用 Python 在新的画板上绘制了同心圆。
Python draw concentric circles using turtle
如何在蟒蛇龟中画螺旋方块
让我们看看如何在 python turtle 中绘制一个螺旋正方形
- 要画一个螺旋正方形，我们必须使用名为的模块导入海龟。
- 这里边的长度被赋给变量 s .并且
s = 200并且使用 for 循环，该循环使用海龟模块的forward()和right()函数。 - 螺旋是通过在每次迭代中将边的长度减少一个固定的数值而形成的。之后，减少一边的长度。
举例:
import turtle
tr = turtle.Turtle()
s = 200
for i in range(100):
tr.forward(s)
tr.right(90)
s = s-2
turtle.done()
在这个输出中，我们可以看到螺旋方块是用 Python 在新的画板上绘制的。
How to draw a spiral square in python turtle
在蟒龟身上画螺旋星
- 要画一个螺旋星，我们得用名为导入乌龟的模块。
- 这里边的长度被赋给变量 s .并且
s = 200并且使用 for 循环，该循环使用海龟模块的forward()和right()函数。 - 螺旋星是通过在每次迭代中将边的长度减少一个固定的数而制成的。之后，减少一边的长度。
举例:
import turtle
tr = turtle.Turtle()
s = 200
for i in range(100):
tr.forward(s)
tr.right(144)
s = s-2
turtle.done()
在这个输出中，我们可以看到螺旋星是用 Python 在新的画板上绘制的。
Draw spiral star in python turtle
在蟒蛇龟身上画一个螺旋三角形
- 要画螺旋三角形，我们得用名为的模块导入海龟。
- 这里边的长度被赋给变量 s .并且
s = 200并且使用 for 循环，该循环使用海龟模块的forward()和right()函数。 - 螺旋三角形是通过在每次迭代中将边的长度减少一个固定的数值而形成的。之后，使用“s = s-3”减少边的长度。
举例:
import turtle
tr = turtle.Turtle()
s = 200
for i in range(70):
tr.forward(s)
tr.right(120)
s = s-3
turtle.done()
在这个输出中，我们可以看到螺旋三角形是用 Python 在新的画板上绘制的。
Draw a spiral triangle in python turtle
使用 turtle 在 python 中绘制立方体
- 要在 python 中画一个立方体，我们必须使用名为
import turtle的模块。 - for 循环用于迭代形成前面的方形面。
- 为了移动乌龟，我们使用了函数向前()和向后()。
- 为了移动乌龟底部左侧，我们使用了 "pen.goto(50，50)"
- 同样，回路的用于形成背面方形面。另外，我们在右下角使用了“笔.转到(150，50)”和“笔.转到(100，0)”。
- 对于右上侧，我们使用了“pen . goto(100，100)”和“pen . goto(150，150)”。对于左上侧，我们使用了“笔.转到(50，150)”和“笔.转到(0，100)”。
举例:
import turtle
tr = turtle.Screen()
pen = turtle.Turtle()
pen.color("purple")
tr = turtle.Screen()
for i in range(4):
pen.forward(100)
pen.left(90)
pen.goto(50,50)
for i in range(4):
pen.forward(100)
pen.left(90)
pen.goto(150,50)
pen.goto(100,0)
pen.goto(100,100)
pen.goto(150,150)
pen.goto(50,150)
pen.goto(0,100)
turtle.done()
在这个输出中，我们可以看到立方体是用 Python 在新的画板上绘制的。
Draw cube in python using turtle
如何在 turtle python 中绘制网格
- 要在 turtle python 中绘制网格，我们必须使用名为
import turtle的模块。 - 使用“SCR = turtle”设置屏幕。screen()"，然后制作对象。
- 为了画 y 轴的线，我们将定义一个函数，然后用向前的方法画一条线。
- 现在，使用“tr . setpos(值，300)”设置位置，然后向后用于另一行。
- 为了画出 x 轴线，我们将再次定义一个函数。
- 现在，我们将通过定义函数和设置位置来标记图形网格。
举例:
import turtle
scr=turtle.Screen()
tr=turtle.Turtle()
def draw_y(value):
tr.forward(300)
tr.up()
tr.setpos(value,300)
tr.down()
tr.backward(300)
tr.up()
tr.setpos(value+10,0)
tr.down()
def draw_x(value):
tr.forward(300)
tr.up()
tr.setpos(300,value)
tr.down()
tr.backward(300)
tr.up()
tr.setpos(0,value+10)
tr.down()
def label():
tr.penup()
tr.setpos(155,155)
tr.pendown()
tr.write(0,font=("Verdana", 12, "bold"))
tr.penup()
tr.setpos(290,155)
tr.pendown()
tr.write("x",font=("Verdana", 12, "bold"))
tr.penup()
tr.setpos(155,290)
tr.pendown()
tr.write("y",font=("Verdana", 12, "bold"))
scr.setup(800,800)
tr.speed(10)
tr.left(90)
tr.color('green')
for i in range(30):
draw_y(10*(i+1))
tr.right(90)
tr.up()
tr.setpos(0,0)
tr.down()
for i in range(30):
draw_x(10*(i+1))
tr.color('green')
tr.up()
tr.setpos(0,150)
tr.down()
tr.forward(300)
tr.left(90)
tr.up()
tr.setpos(150,0)
tr.down()
tr.forward(300)
label()
tr.hideturtle()
turtle.done()
在这个输出中，我们可以看到用 Python 在新的画板上绘制了一个网格。
How to draw a grid in turtle python
蟒蛇龟图形没有响应
在 python turtle 中，我们可以面对名为“python turtle graphics not response”的问题，最终程序会以没有图形输出而结束。
举例:
import turtle
tr = turtle.Turtle()
tr.forward(150)
通过运行上面的代码，我们可以看到 turtle 窗口不会被打开。要解决这个问题，请参考下面的例子。
举例:
出现这个问题是因为在代码的末尾我们必须说 "turtle.done()" 否则你将不会得到 turtle 图形屏幕。
import turtle
tr = turtle.Turtle()
tr.forward(150)
turtle.done()
你可以参考下面的截图，现在你将可以通过使用上面的代码看到海龟图形屏幕。
Python turtle graphics not responding
蟒蛇龟主循环
python turtle 中的主循环确保程序继续运行。这是海龟图形程序中的最后一条语句。
举例:
import turtle
tr = turtle.Turtle()
tr.backward(200)
turtle.mainloop()
在这个输出中，我们可以看到为交互使用海龟图形绘制了向后的线，程序继续运行。
Python turtle mainloop
如何激活检查 python turtle 上的按钮是否被按下
- 为了激活 python 中的检查，我们必须使用名为
import turtle的模块。 - 现在，我们将定义一个函数“def fun(x，y)”。
- 这里，
turtle.onclick(fun)用于将函数绑定到乌龟上的一个鼠标点击事件。当用户点击海龟时，它就会执行动作。
举例:
import turtle
def fun(x,y):
turtle.right(90)
turtle.forward(150)
turtle.speed(2)
turtle.forward(150)
turtle.onclick(fun)
turtle.done()
在这个输出中，我们可以看到这条线是向前画的，当我们点击海龟时，它会再次移动，以此类推。
How to activate check if button is pressed on python turtle
你可以参考下面的输出，激活检查按钮是否按下 python turtle。
您可能会喜欢以下 Python 教程:
- Python 要求用户输入
- 蟒蛇龟的颜色
- 如何将 Python 字符串转换成字节数组并举例
- Python 通过引用或值传递示例
- Python 从列表中选择+示例
- Python 复制文件(示例)
- Python 文件方法(附有用例子)
- Python tkinter messagebox +示例
- 集合的并集 Python +实例
在本教程中，我们学习了如何使用 turtle 在 python 中绘制不同的形状，我们还看到了用 Python 编写的 Turtle 程序，我们还讨论了以下主题:
- python 中的乌龟是什么？
- 如何在 python 中安装 turtle
- Python turtle 方法
- 蟒蛇龟速
- 巨蟒龟速度最快
- 改变乌龟大小的蟒蛇
- 蟒蛇龟改变笔的大小
- 变龟形蟒蛇
- 蟒蛇龟屏幕尺寸
- 巨蟒龟如何摆好位置
- 海龟屏幕点击示例 python
- 如何在 python turtle 中获取屏幕坐标
- 在 python turtle 中更改屏幕标题
- 蟒蛇龟清晰屏幕
- 如何用 turtle 在 python 中画一个正方形
- 如何使用 turtle 在 python 中绘制矩形
- 如何用 turtle 在 python 中画圆
- 如何用 turtle 在 python 中画椭圆
- 在 python turtle 中绘制星星的代码
- 使用 turtle 在 python 中绘制五边形
- 在蟒蛇龟上画一个六边形
- 用 turtle 绘制七边形的 Python 程序
- 使用 turtle 在 python 中绘制八角形
- 使用 turtle 在 python 中绘制多边形
- 使用 turtle 在 python 中画一个点
- Python 使用 turtle 绘制相切圆
- Python 使用 turtle 绘制螺旋圈
- Python 使用 turtle 绘制同心圆
- 如何在蟒蛇龟中画螺旋方块
- 在蟒蛇龟中绘制螺旋星
- 在巨蟒龟里画一个螺旋三角形
- 使用 turtle 在 python 中绘制立方体
- 如何在 turtle python 中绘制网格
- Python 海龟图形没有响应
- Python turtle 主循环
- 如何激活检查 python turtle 上的按钮是否被按下
Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。
解析 Python 时出现意外的 EOF
在这个 Python 教程中，我们将讨论什么是语法错误——在 Python 中解析时意外的 EOF，我们还将看到扫描字符串文字时的 EOL，以及如何解决这些错误。
目录
解析 python 时出现意外的 EOF
在 python 中，解析 python 时出现意外的 EOF ，其中程序的控制到达了末尾。该错误是由于一些不完整的语法或代码中缺少某些内容而导致的。
举例:
my_list = [ 2, 4, 52, 7, 88, 99, 10]
value = min(my_list)
print(value
写完上面的代码后(解析 python 时意外的 EOF)，您将打印出 " value" ，然后错误将显示为 " SyntaxError:解析时意外的 EOF "。这里，出现这个错误是因为我们已经创建了一个列表，在打印值时，右括号“)”丢失了，它找不到右括号，因此抛出一个错误。
你可以参考下面的截图解析 python 时意外的 EOF
Unexpected EOF
这是语法错误 : 解析 python 时意外的 EOF。
为了解决这个，，我们需要注意参数和它们的语法，我们还需要检查所有的函数和它们的结束语句。
举例:
my_list = [ 2, 4, 52, 7, 88, 99, 10]
value = min(my_list)
print(value)
编写上述代码后，解析 python 时的意外 EOF 通过在值中给出**右括号“)”得到解决，然后输出将显示为 " 2 " ，错误得到解决。因此， SyntaxError 在解析 python 时被解析为意外的 EOF。**
你可以参考下面的截图，看看如何在解析 python 时解决意外的 EOF
unexpected EOF
扫描字符串文字时 Python EOL
EOL 代表“行尾”当 python 解释器在搜索字符串文字或行内字符时到达行尾时，会出现此错误。每个 python 开发人员都会遇到这个错误。这是因为字符串中缺少引号，或者您使用了错误的符号来结束字符串。
举例:
class info :
def method_s (self):
print("This is method_s of info class.)
obj = info()
obj.method_s()
在编写上述代码(扫描字符串文字时的 python EOL)之后，您将打印这些代码，然后错误将显示为" syntax error:EOL while scanning string literal "。这里，出现这个错误是因为它到达了一个字符串的末尾，发现缺少了引号。
扫描字符串文字时，可以参考下面的截图 python EOL。
Python EOL while scanning string literal
为了解决这个“行尾”错误，我们必须检查字符串是否结束，并且你必须检查你是否使用了正确的符号结束了字符串。这里，错误是由于字符串中的缺少引号造成的。
举例:
class info :
def method_s (self):
print("This is method_s of info class.")
obj = info()
obj.method_s()
写完上面的代码 python 后，扫描字符串文字时行尾通过在末尾给加双引号固定，然后输出将显示为“这是 info 类的方法”，错误解决。所以，这样， SyntaxError 行尾就解决了。
你可以参考下面的截图如何在扫描字符串文字时解决行尾问题
Python end of line while scanning string literal
您可能会喜欢以下 Python 教程:
- 删除 python 中的 Unicode 字符
- Python 中的注释行
- 使用 python 从 URL 下载 zip 文件
- Python 字典追加示例
- 在 Python 中检查列表是否为空
- Python 将列表转换成字符串
- Python 方块一号
- 什么是 Python 字典
- 无换行符的 Python 打印
- python 中的百分号是什么意思
这是我们如何解决语法错误的**:解析 python** 时的 意外 EOF，扫描字符串文字时的 Python EOL。
Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。
集合的联合 Python +示例
在这个 python 教程中，我们将讨论集合的并以及 python 中的并是什么。我们还将检查:
- Python 中两个集合的并集
- Python 中多个集合的并集
- Python 中集合的联合列表
- Python 中多个集合的并集
- Python 中几个集合的并集
- Python 中列表中所有集合的并集
- 集合的联合 python 示例
- 列表的联合 Python
目录
- 什么是工会？
- Python 中两个集合的并集
- Python 中多个集合的并集
- Python 中集合的联合列表
- 多套 Python 的并集
- 几个集合的并集 Python
- 列表中所有集合的并集 Python
- 集合的并集 Python 示例
- 列表的联合 Python
什么是工会？
Union() 是 Python 中的一个方法，它返回一个包含所有集合中不同项目的新集合。
语法:
union set = set1.union(set2)
Python 中两个集合的并集
让我们看看，如何在 python 中对两个集合进行并集运算。
- 在这个例子中，我取了两组作为巧克力和水果这些组包含元素。
- 为了对这些集合执行 union 操作，我们必须创建一个名为 chocolates _ fruits 的新集合。为了创建一个新的集合，我们必须使用巧克力 _ 水果=巧克力. union(水果)。
- 新的集合巧克力 _ 水果由调用 union() 创建，水果集合作为参数传递在 union()方法中。
示例:
chocolates = {'munch','kitkat','diarymilk'}
fruits = {'mango','orange','pineapple'}
chocolates_fruits = chocolates.union(fruits)
print(chocolates_fruits)
将两个集合中的所有项目组合成一个名为 chocolate_fruits 的新集合。我们必须使用打印(巧克力 _ 水果)。下面的截图显示了输出。
Union of two sets python
Python 中多个集合的并集
这里可以看到如何在 python 中对多个集合进行 union 运算。
- 在这个例子中，我拿了多套，它们是巧克力、水果、蔬菜和冰淇淋。
- 对这些集合执行并集运算。新的集合巧克力 _ 水果被创建，为了创建一个新的集合我们必须使用巧克力 _ 水果=巧克力. union(水果，蔬菜，冰淇淋)。
union()方法被调用，将所有集合作为参数传递给了union()方法。
语法:
union set = set1.union(set2,set3,set4)
示例:
chocolates = {'munch','kitkat','diarymilk'}
fruits = {'mango','orange','pineapple'}
vegetables = {'tomato','chilli','potato','peas'}
ice_cream = {'vanilla','candy','blackcurrent'}
chocolates_fruits = chocolates.union(fruits,vegetables,ice_cream)
print(chocolates_fruits)
要获得多个集合中所有项目的组合输出，比如新集合中的巧克力= {'munch '，' kitkat '，' diarymilk'}，水果= {'mango '，' orange '，'菠萝' }，蔬菜= { '番茄'，'辣椒'，'土豆'，'豌豆' }，冰激凌= { '香草'，'糖果'，' blackcurrent'} ，称为巧克力 _ 水果，我们必须使用打印(巧克力 _ 水果)。您可以在下面的截图中看到输出。
Union of multiple sets python
Python 中集合的联合列表
现在，我们可以看到如何在 python 中对集合列表执行联合操作
- 在这个例子中，我已经用 Python 中的创建了一个列表，并将其命名为条目、T5，并在列表中分配了一些集合。
- 使用 set()创建一个新的集合，并调用
union()，然后项集合作为参数被传递到union()方法中。 - 使用星号* 对列表进行解包。
示例:
items = [{'chocolate','biscuits'}, {'potato','tomato'}, {'apple','orange','pear'}]
print(set().union(*items))
要获得集合中所有项目的组合输出，比如新集合中的 [{ '巧克力'，'饼干' }，{ '土豆'，'番茄' }，{ '苹果'，'橘子'，'梨' }] ，我们必须使用 print(set()。工会(*项))。您可以在下面的截图中看到输出。
Union list of sets python
多套 Python 的并集
在这里，我们可以看到如何在 python 中对多个集合执行 union 操作
- 在这个例子中，我在一个列表中取了许多集合，并将一个列表命名为数字
- 使用 set()创建一个新的集合，然后调用
union()方法，在 union()方法中传递参数号。 - 使用星号* 对列表进行解包
示例:
Numbers = [{2,4,6}, {1,3,5}, {0}, {3,6,9},{4,8,12}]
print(set().union(*Numbers))
要获得集合中所有项目的组合输出，比如新集合中的 [{2，4，6}，{1，3，5}，{0}，{3，6，9}，{4，8，12}] ，我们必须使用 print(set()。工会(*数字))。下面的截图显示了输出。
Union of many sets python
几个集合的并集 Python
现在，我们可以如何在 python 中对几个集合执行联合运算
- 在这个例子中，我取了几个集合，分别命名为 Even_number，Odd_number，Multiple_of_3，Multiple_of_4。
- 创建名为号的新集合。我们要用 Numbers = Even_number.union(奇数，3 的倍数，4 的倍数)。
- 对所有这些集合执行联合运算。一个新的集合被创建为数字，在新的集合中
union()被调用，所有的集合都作为参数在 union()方法中传递。
示例:
Even_number = {2,4,6,8}
Odd_number = {1,3,5,7}
Multiple_of_3 = {3,6,9,12}
Multiple_of_4 = {4,8,12,16}
Numbers = Even_number.union(Odd_number,Multiple_of_3,Multiple_of_4)
print(Numbers)
要获得几个集合中所有项目的组合输出，比如在一个名为 Numbers 的新集合中的偶数= {2，4，6，8}
奇数= {1，3，5，7}，3 的倍数= {3，6，9，12}，4 的倍数= {4，8，12，16} ，我们必须使用 print(Numbers) 。您可以参考下面的输出截图。
Union of several sets python
列表中所有集合的并集 Python
让我们看看，如何在 python 中对列表中的所有集合进行并集运算。
- 在这个例子中，我取了一个名为数字的列表。
- 我们必须使用 set = frozenset()创建一个新的集合。联合(*数字)。为了创建一个新的集合，调用了 frozenset()，还调用了
union()。然后在 union()方法中传递参数数字。 frozenset()是一个从列表中返回所有集合对象的函数。一个星号* 用于解包列表。
示例:
Numbers = [set([2,4,6,8]), set([1,3,5,7]), set([0])]
set = frozenset().union(*Numbers)
print(set)
从一个新集合中的集合 [set([2，4，6，8])，set([1，3，5，7])，set([0])]中获取项目的组合输出。我们必须使用打印(设置)。下面的截图显示了输出。
Union of all sets in a list python
集合的并集 Python 示例
现在，我们可以看到一个关于 python 中集合的并集的例子。
- 在这个例子中，我取了两个集合元音和辅音。
- 获取新列表中的所有字母，称为字母表。使用字母表=元音. Union(辅音)进行联合运算。
示例:
vowels = {'a','e','i','o','u'}
consonants = {'b','c','d','f','g','h','j','k','l','m','n','p','q','r','s','t','v','w','x','y','z'}
alphabets = vowels.union(consonants)
print(alphabets)
以字母表的形式获得输出。我们必须使用 print(字母表)。您可以在下面的截图中看到输出。
Union of sets python example
列表的联合 Python
在这里，我们可以看到如何在 Python 中执行列表的 union 操作。
- 在这个例子中，我取了两个列表作为列表 1 和列表 2。
- 要创建一个新的列表，我们必须使用 result =(set()。union(list1，list2)) 。
- 新的 set 结果由调用 set() 创建，也由调用 union() 创建，然后 list1、list2 作为参数在 union()方法中传递。
示例:
list1 = [2,4,6,8,10]
list2 = [1,2,3,4,5,7]
result =(set().union(list1,list2))
print(result)
为了获得新列表的输出，我们必须使用 print(result) 。您可以参考下面的输出截图。
Union of lists python
您可能会喜欢以下 Python 教程:
- Python 接口介绍
- 如何在 Python 中把字符串转换成日期时间
- Python 中的转义序列
- Python 列表理解λ
- 使用 Python 发送电子邮件
- 在 Python 中使用 JSON 数据
- Python – stderr, stdin and stdout
- Python 获得一个 IP 地址
- Python 中的递增和递减运算符
- Python 中的构造函数
- 如何在 Python 中将 dictionary 转换成 JSON
在本 Python 教程中，我们学习了集合 的并，以及 Python** 中什么是并 。此外，我们还讨论了以下主题:**
- 两个集合的并集
- 多个集合的并集
- 集合的联合列表 python
- 多集合的并集
- 几个集合的并集
- 列表 python 中所有集合的并集
- 集合的联合 python 示例
- 列表的联合 python
Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。
争取模特界的联盟行动
原文：https://pythonguides.com/union-operation-on-models-django/
在本 Python Django 教程中，我们将了解对模型 Django 的联合操作。我们还将讨论与模型上的联合操作相关的示例。这是我们将要涉及的主题列表。
- 争取模特界的联盟行动
- 使用 Django 在相同模型上进行联合操作
- 使用 Django 在不同模型上联合操作
- 限制联合运算中的选定字段
目录
- 模型 Django 上的联合操作
- 使用 Django 对同一模型进行联合操作
- 使用 Django 对不同型号进行联合操作
- 限制联合运算中选择的字段
模型 Django 上的联合操作
在这一节中，我们将了解联合运算的含义。Django 支持可以在模型上执行的集合操作。集合运算用于在不同的特殊条件下从存储在模型中的字段获得有意义的结果。
现在，我们将讨论集合操作之一，称为联合操作。
为了组合两个或更多查询集的结果，我们使用 Union 运算符。默认情况下，Union 运算符只选取单独的值，或者我们可以说是不同的值。如果您希望允许重复值，请使用 all=True 参数。
联合操作可应用于相同或不同型号。而且，当查询集来自不同的模型甚至来自同一模型时，字段和数据类型应该匹配。
另外，查看:如何在 Django 中创建模型
使用 Django 对同一模型进行联合操作
希望你对什么是联盟运营有一个清晰的认识。现在让我们把注意力转向工会行动的实际执行。
在本节中，我们将学习如何在同一个模型上使用 Union 操作。为了更好地理解这个概念，我们来看一些例子。
在我们开始演示之前，我将向您展示模型并解释如何创建它。
首先，我们必须在 app 的 model.py 文件中创建模型。
创建模型的代码:
from django.db import models
# Create your models here.
class Employee(models.Model):
First_Name = models.CharField(max_length=200)
Last_Name = models.CharField(max_length=200)
Position = models.CharField(max_length=100)
Age = models.PositiveIntegerField()
def __str__(self):
return "%s %s %s %s" % (self.First_Name, self.Last_Name, self.Position, self.Age)
- 首先，我们将使用 Django 模型创建一个雇员数据库。
- 然后将各自的数据字段如名、姓、职位、年龄添加到模型中。
接下来，通过在 admin.py 文件中编写以下代码来注册雇员模型。
注册型号代码:
from django.contrib import admin
from .models import Employee
# Register your models here.
class AdminEmployee(admin.ModelAdmin):
list_display = ['First_Name', 'Last_Name', 'Position', 'Age']
admin.site.register(Employee, AdminEmployee)
现在，我们将在该数据库上运行查询来执行 Union 操作。
例#1
在这个例子中，我们将在同一个模型上执行 Union 操作。
**# Import**
from DjangoFilter.models import Employee
**# QuerySet**
queryset1 = Employee.objects.filter(Age__gt=28)
queryset1
queryset2 = Employee.objects.filter(First_Name="Maria")
queryset2
**# Union Operation**
queryset1.union(queryset2)
- 在本例中，我们通过使用 querysets，基于诸如年龄大于 28 的和名字是 Maria 的过滤器来获取记录。
Union operation on models Django
例 2
这里我们将对模型字段 Position 和 Last_Name 执行 Union 操作。
**# Import**
from DjangoFilter.models import Employee
**# QuerySet**
queryset1 = Employee.objects.filter(Position="Vice President")
queryset1
queryset2 = Employee.objects.filter(Last_Name="Johnson")
queryset2
**# Union Operation**
queryset1.union(queryset2)
- 在本例中，我们通过使用 querysets，在筛选器的基础上获取记录，如职位是副总裁，姓氏是 Johnson 。
- 接下来，我们使用联合操作来组合两个查询集中的记录。
- 这里，我们将只获得两个查询集中不同的公共值。
Union Operation on the same model
因此，如果我们也想获得重复的值，可以使用 union 操作的参数 all=True 。
**# Union Operation**
queryset1.union(queryset2, all=True)
然后，输出将是:
Union Operation with duplicate values
使用 Django 对不同型号进行联合操作
在本节中，我们将学习如何在不同的模型上使用 Union 操作。为了更好地理解这个概念，我们来看一些例子。
在我们开始演示之前，我将向您展示模型并解释如何创建它们。
首先，我们创建一个客户模型。
from django.db import models
# Create your models here.
class Customer(models.Model):
Customer_Name = models.CharField(max_length=200)
Customer_Contact_Name = models.CharField(max_length=200)
Customer_Country = models.CharField(max_length=100)
Customer_City = models.CharField(max_length=100)
def __str__(self):
return "%s %s %s %s" % (self.Customer_Name, self.Customer_Contact_Name, self.Customer_Country, self.Customer_City)
- 在这里，我们使用 Django 模型创建客户数据库，这些模型分别具有数据字段 Customer_Name、Customer_Contact_Name、Customer_Country 和 Customer_City。
接下来，我们创建一个供应商模型。
from django.db import models
# Create your models here.
class Supplier(models.Model):
Supplier_Name = models.CharField(max_length=200)
Supplier_Contact_Name = models.CharField(max_length=200)
Supplier_Country = models.CharField(max_length=100)
Supplier_City = models.CharField(max_length=100)
def __str__(self):
return "%s %s %s %s" % (self.Supplier_Name, self.Supplier_Contact_Name, self.Supplier_Country, self.Supplier_City)
- 在这里，我们使用 Django 模型创建供应商数据库，这些模型分别具有数据字段 Supplier_Name、Supplier_Contact_Name、Supplier_Country 和 Supplier_City。
成功创建模型后，我们注册它们。
from django.contrib import admin
from .models.customer import Customer
from .models.supplier import Supplier
# Register your models here.
class AdminCustomer(admin.ModelAdmin):
list_display = ['Customer_Name', 'Customer_Contact_Name', 'Customer_Country', 'Customer_City']
class AdminSupplier(admin.ModelAdmin):
list_display = ['Supplier_Name', 'Supplier_Contact_Name', 'Supplier_Country', 'Supplier_City']
admin.site.register(Customer, AdminCustomer)
admin.site.register(Supplier, AdminSupplier)
现在，我们将在数据库上运行查询来执行 Union 操作。
例#1
在本例中，我们将对不同的模型执行 Union 操作。
**# Import**
from myApp.models.customer import Customer
from myApp.models.supplier import Supplier
**# QuerySet**
queryset1 = Customer.objects.filter(Customer_Country='UK')
queryset1
queryset2 = Supplier.objects.filter(Supplier_Country='UK')
queryset2
**# Union Operation**
queryset1.union(queryset2)
- 在本例中，我们首先通过使用 querysets，基于过滤器 Customer_Country='UK '从 Customer 模型中获取记录。
- 然后，我们通过使用查询集，在过滤器 Supplier_Country='UK '的基础上，从供应商模型中获取记录。
- 接下来，我们使用 Union 操作通过组合两个查询集来获取记录。
Union Operation on different models
例 2
打开 Python Shell，对不同的模型执行 Union 操作。
**# Import**
from myApp.models.customer import Customer
from myApp.models.supplier import Supplier
**# QuerySet**
queryset1 = Customer.objects.filter(pk__in=[1, 2])
queryset1
queryset2 = Supplier.objects.filter(pk__in=[3])
queryset2
**# Union Operation**
queryset2.union(queryset1)
- 在本例中，首先我们通过使用 querysets 根据过滤器主键值从客户模型中获取记录。
- 然后，我们还通过使用查询集，基于过滤器主键值从供应商模型中获取记录。
- 接下来，我们使用 Union 操作通过组合两个 querysets 来获取记录。
Union Operation on different models in Django
限制联合运算中选择的字段
在本节中，我们将了解在执行 Union 运算时限制所选字段的含义。
在 Django 中，我们不能总是对 querysets 执行 union 操作。事实上，查询集没有相同的列和数据类型。
然而，在某些情况下，这些模型可能有某些共同的领域。因此，在这种情况下，我们限制所选取的字段，然后执行 union 操作。为此，我们使用 Django values_list 参数。
让我们看一个例子来理解这个概念:
在我们开始演示之前，我将向您展示模型并解释如何创建它们。
首先，我们创建了 EmpDetails 模型。
from django.db import models
# Create your models here.
class EmpDetails(models.Model):
Name = models.CharField(max_length=200)
Gender = models.CharField(max_length=20)
Position = models.CharField(max_length=100)
Country = models.CharField(max_length=100)
def __str__(self):
return "%s %s %s %s" % (self.Name, self.Gender, self.Position, self.Country)
- 在这里，我们使用 Django 模型创建 EmpDetails 数据库，其中包含相应的数据字段 Name、Gender、Position 和 Country。
接下来，我们创建 EmpSalary 模型。
from django.db import models
# Create your models here.
class EmpSalary(models.Model):
Name = models.CharField(max_length=200)
Gender = models.CharField(max_length=20)
Salary = models.FloatField()
def __str__(self):
return "%s %s %s" % (self.Name, self.Gender, self.Salary)
- 在这里，我们使用 Django 模型创建 EmpSalary 数据库，其中包含相应的数据字段 Name、Gender 和 Country。
成功创建模型后，我们注册它们。
from django.contrib import admin
from .models.empdetails import EmpDetails
from .models.empsalary import EmpSalary
# Register your models here.
class AdminEmpDetails(admin.ModelAdmin):
list_display = ['Name', 'Gender', 'Position', 'Country']
class AdminEmpSalary(admin.ModelAdmin):
list_display = ['Name', 'Gender', 'Salary']
admin.site.register(EmpDetails, AdminEmpDetails)
admin.site.register(EmpSalary, AdminEmpSalary)
现在，我们将在数据库上运行查询来执行 Union 操作。
例#1
在这个例子中，我们将对上面创建的模型执行 union 操作。
**# Import**
from myApp.models.empdetails import EmpDetails
from myApp.models.empsalary import EmpSalary
**# QuerySet**
queryset1 = EmpDetails.objects.all()
queryset1
queryset2 = EmpSalary.objects.all()
queryset2
**# Union Operation**
queryset2.union(queryset1)
- 在本例中，首先我们使用 querysets 从 EmpDetails 模型中获取所有记录。
- 然后，我们也通过使用 querysets 从 EmpSalary 模型中获取所有记录。
- 接下来，我们使用 Union 操作通过组合两个 querysets 来获得 all 记录。但是，我们得到一个错误。
输出如下:
Limit the selected fields in union operation
Error
现在，为了解决这个错误，我们可以使用 Django 的 values_list 参数来限制所选的字段，然后执行 union。
**# Import**
from myApp.models.empdetails import EmpDetails
from myApp.models.empsalary import EmpSalary
**# QuerySet**
queryset1 = EmpDetails.objects.values_list("Name", "Gender")
queryset1
queryset2 = EmpSalary.objects.values_list("Name","Gender")
queryset2
**# Union Operation**
queryset2.union(queryset1)
Limit the selected fields in union operation on models Django
您可能也喜欢阅读下面的 Python Django 教程。
- Python 改 Django 版本
- Python Django vs 金字塔
- Django 模板中的 If 语句
- 获取 Django 中的 URL 参数
- 加密和解密 Django 中的密码
- 使用 PostgreSQL 的 Django CRUD 示例
- 如何在 Django 中加密和解密密码
在本 Django 教程中，我们已经讨论了模型 Django 上的" Union 操作"，并且我们还讨论了本教程中的以下主题。
- 争取模特界的联盟行动
- 使用 Django 在相同模型上进行联合操作
- 使用 Django 在不同模型上联合操作
- 限制联合运算中的选定字段
Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。
如何在 Python Pandas 中更新列值
原文：https://pythonguides.com/update-column-values-in-python-pandas/
在这个 Python 教程中，我们将学习在 Python 熊猫中更新列值的各种方法。我们将使用一些内置函数来理解在 Python Pandas 中更新列值的不同方法。
作为一名开发人员，在开发 Python 项目时，我需要在 Python Pandas 中更新列值。
在这里我们将看到:
- 如何使用 at()更新 Python Pandas 中的列值
- 如何使用 replace()更新 Python Pandas 中的列值
- 如何使用 iloc()更新 Python Pandas 中的列值
- 如何使用 loc()更新 Python Pandas 中的列值
- 如何在 Python Pandas 中更新列名的大小写
- 如何使用 rename()更新 Python Pandas 中的列值
- 如何使用 update()更新不同数据长度的 Dataframe
- 如何使用 update()更新特定位置的 Dataframe
目录
- 如何在 Python Pandas 中更新列值
- 如何使用 at() 更新 Python Pandas 中的列值
- 如何使用 replace() 更新 Python Pandas 中的列值
- 如何使用 iloc() 更新 Python Pandas 中的列值
- 如何使用 loc() 更新 Python Pandas 中的列值
- 如何在 Python Pandas 中更新列名的大小写
- 如何使用 rename() 更新 Python Pandas 中的列值
- 如何使用 update() 更新不同数据长度的数据帧
- 如何使用 update()更新特定位置的数据帧
如何在 Python Pandas 中更新列值
在 Python 中，主要有一些常用的方法，在 Python Pandas 中更新列值时，理解这些方法非常重要。
如何使用 at() 更新 Python Pandas 中的列值
- 在本节中，我们将讨论如何使用【replace()来更新 Python Pandas 中的列值。
- 首先，我们将使用
pd.dataframe()函数创建一个数据帧，数据以行和列的形式存储在数据帧中。因此，它有资格作为一个矩阵，并有助于数据分析。
举例:
import pandas as pd
new_val = {"Country_name": ['USA','Germany','Australia','China'],"Zip_Code": [1456,8723,9562,8652]}
df = pd.DataFrame(new_val, index=[1,2,3,4])
df
下面是下面给出的代码的截图。
Created Dataframe in Python Pandas
- 现在创建一个 dataframe 后，我们将通过使用
at()函数来更新列值 - 基于行索引和列名，pandas 中的
at()方法用于从数据帧中提取单个值。 - 在 Python 的
at()方法的帮助下，我们可以一次一列地改变一行的值。
语法:
下面是 Python 中的 dataframe.at() 方法的语法
Dataframe.at[rowIndex, columnLabel]
注:–该参数取行索引和列标签两个参数。如果作为行索引和列标签给出的参数超出范围或在数据帧中缺失，则会引发键错误。
在本例中，我们使用了数据框和列“Country_name”的索引为 4 的 at() 函数。因此，行索引 4 处的列“ 国家名称 ”的值被修改。
源代码:
df.at[4,'Country_name']='Albania'
print(df)
下面是以下给定代码的实现。
at() method to update column values in dataframe
这就是我们如何在() 使用 更新数据帧中的列值。
如何使用 replace() 更新 Python Pandas 中的列值
- 现在让我们了解如何使用 replace()更新 Python Pandas 中的列值。
- 使用 Python 中的 replace()函数可以更新或更改数据框中任何字符串的值。没有必要给它提供索引和标签值。
- 可以使用 DataFrame.replace()函数更改列值(在所有列上用一个值替换另一个值)。这个函数返回一个新的 DataFrame，它接受要替换的参数、值、位置、限制、正则表达式和方法。当使用 inplace=True 参数时，它将替换现有的 DataFrame 对象并返回 None 结果。
语法:
下面是 Python Pandas 中*data frame . replace()*函数的语法
DataFrame.replace(to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad')
- 它由几个参数组成
- to_replace: 制作一个字符串、列表、字典、正则表达式、整数、浮点或其他数据类型，并指定要替换的值。
- value: 默认不取值，指定我们想要替换的值。
- 到位:是否执行到位。默认情况下，它采用一个假值。
- 极限:前进或后退时要填充的最大间隙。
- regex: 如果要替换 and/or 值应被视为 regex。
- 方法:默认情况下，它采用“填充”值，用于替换。
举例:
让我们举个例子，看看如何使用 replace() 在 Python Pandas 中更新列值。
源代码:
df.replace("Australia", "Argentina", inplace=True)
print(df)
你可以参考下面的截图
How to update column values in Python Pandas by using replace method
正如你在截图中看到的，我们已经讨论了如何使用 replace() 来更新 Python Pandas 中的列值。
阅读: Python 熊猫掉行示例
如何使用 iloc() 更新 Python Pandas 中的列值
- 在本节中，我们将讨论如何使用
iloc()来更新 Python Pandas 中的列值。 - 通过提供相应行/列的索引值，可以使用 Python
iloc()方法更新或更改行/列的值。
举例:
df.iloc[[1,3],[1]] = 100
print(df)
- 在本例中，我们已经将第 1、3 行和第一列“Num”的值更改为 100。
- 使用
iloc()函数，我们甚至可以对提供给该函数的行进行切片，以便一次修改许多行的值。
下面是下面给出的代码的截图。
How to update column values in Python Pandas by using iloc
这就是如何使用 iloc() 在 Python Pandas 中更新列值。
阅读:熊猫删除栏目
如何使用 loc() 更新 Python Pandas 中的列值
- 在本节中，我们将讨论如何使用
loc()来更新 Python Pandas 中的列值。 - 使用 loc 选择 pandas 数据帧的行和列。DataFrame 使用简单是其主要优势之一。用熊猫的时候可以验证一下。数据框。要选择或过滤数据帧行或列，请使用 loc[]属性。
- 通过提供列的标签和行的索引，Python 中的
loc()方法也可以用于更改与列相关的行的值。
语法:
下面是 Python Pandas 中 loc()方法的语法。
dataframe.loc[row index,['column-names']] = value
举例:
让我们举一个例子，检查如何使用 loc() 在 Python Pandas 中更新列值。
源代码:
df.loc[0:2,['index','Country_name']] = [100,'Angola']
print(df)
下面是以下给定代码的实现。
How to update column values in Python Pandas by using loc
这就是如何使用 loc() 更新 Python Pandas 中的列值。
阅读: Python 数据帧到 CSV
如何在 Python Pandas 中更新列名的大小写
- 现在让我们了解如何在 Python Pandas 中更新列名的大小写。
- 如您所见，我们数据中所有列名的首字母都大写。最好是所有列名都有一个标准的大小写。
举例:
让我们举一个例子，检查如何在 Python Pandas 中更新列名的大小写。
源代码:
df.columns.str.lower()
print(df)
你可以参考下面的截图。
How to update the case of the column names in Python Pandas
在这个例子中，我们已经理解了如何在 Python Pandas 中更新列名的大小写。
阅读:如何删除熊猫中的一个栏目
如何使用 rename() 更新 Python Pandas 中的列值
- 现在让我们了解如何使用【rename()来更新 Python Pandas 中的列值。
- 使用
rename()函数是重命名熊猫数据帧中的列的一种技术。当我们需要重命名一些特定的列时，这种方法工作得很好，因为我们只需要为需要更改的列提供信息。
语法:
让我们看一下语法并理解 Python 中的 df.rename() 函数的工作原理。
DataFrame.rename(mapper=None, *, index=None, columns=None, axis=None, copy=None, inplace=False, level=None, errors='ignore')
举例:
这里我们将举一个例子，检查如何使用【rename()来更新 Python Pandas 中的列值。
源代码:
result=df.rename(columns={'Country_name': 'Country'})
print(result)
下面是以下给定代码的执行。
How to update the column values in Python Pandas by using rename
这就是如何使用【rename()来更新 Python Pandas 中的列值。
如何使用 update() 更新不同数据长度的数据帧
- 本节我们将讨论如何使用
update()更新不同数据长度的 Dataframe。 - 让我们考虑这样一种情况，我需要用比原始数据帧更多的记录来更新数据帧。如果我使用
update()函数，记录将被更新，直到长度匹配初始数据帧的大小。
举例:
我们举个例子，检查一下如何使用 update() 更新不同数据长度的 Dataframe。
源代码:
import pandas as pd
new_data = pd.DataFrame({'Cities_of_U.S.A': ['NewYork', 'California', 'Phenix City'],
'new_val': [56,18,21]})
print("Original Dataframe: ",new_data)
result = pd.DataFrame({'new_val2':[4,5,6]})
new_data.update(result)
print("Changed Dataframe:",result)
下面是以下给定代码的实现。
How to update Dataframe with different data lengths using an update()
这就是如何使用一个 update() 用不同的数据长度更新 Dataframe。
如何使用 update()更新特定位置的数据帧
- 在本节中，我们将讨论如何使用 update()更新特定位置的 Dataframe。
- 在本例中，我将更改指定位置的值。我们必须首先使用 index 参数创建一个 dataframe，然后对它使用 update 方法。
举例:
让我们举一个例子，检查如何使用 update()更新特定位置的 Dataframe。
源代码:
import pandas as pd
new_data = pd.DataFrame({'Cities_of_U.S.A': ['NewYork', 'California', 'Phenix City'],
'new_val': [56,18,21]})
print("Original Dataframe: ",new_data)
new_result = pd.DataFrame({'new_val_2':[1,2]},index=[0,2])
new_data.update(new_result)
print("Modified Dataframe :",new_data)
下面是以下给定代码的执行过程
How to update Dataframe at a specific location using update()
这就是如何使用 update()更新特定位置的 Dataframe。
你可能也喜欢阅读下面的 Python 熊猫教程。
在本文中，我们已经讨论了如何在 Python 熊猫 中更新列值。我们还讨论了以下主题。
- 如何使用 at()更新 Python Pandas 中的列值
- 如何使用 replace()更新 Python Pandas 中的列值
- 如何使用 iloc()更新 Python Pandas 中的列值
- 如何使用 loc()更新 Python Pandas 中的列值
- 如何在 Python Pandas 中更新列名的大小写
- 如何使用 rename()更新 Python Pandas 中的列值
- 如何使用 update()更新不同数据长度的 Dataframe
- 如何使用 update()更新特定位置的 Dataframe
Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。
用 Python Tkinter 上传文件
原文：https://pythonguides.com/upload-a-file-in-python-tkinter/
在本教程中，我们将学习如何在 Python Tkinter 中上传文件。我们正在 Linux 操作系统上工作，但这段代码可以在 Windows 和 Mac 上执行。所以让我们来看看如何用 Python Tkinter** 上传文件。**
用 Python Tkinter 上传文件
- 这个项目演示了选择和上传文件的功能，也演示了 Python 中进度条的工作方式。要了解更多关于进度条的信息，请点击此 Url 。
tkinter.filedialog模块用于访问askopenfile函数。这允许用户使用文件资源管理器选择文件。要了解更多关于tkinter filedialog的信息，请点击此 Url
from tkinter import *
from tkinter.ttk import *
from tkinter.filedialog import askopenfile
import time
ws = Tk()
ws.title('PythonGuides')
ws.geometry('400x200')
def open_file():
file_path = askopenfile(mode='r', filetypes=[('Image Files', '*jpeg')])
if file_path is not None:
pass
def uploadFiles():
pb1 = Progressbar(
ws,
orient=HORIZONTAL,
length=300,
mode='determinate'
)
pb1.grid(row=4, columnspan=3, pady=20)
for i in range(5):
ws.update_idletasks()
pb1['value'] += 20
time.sleep(1)
pb1.destroy()
Label(ws, text='File Uploaded Successfully!', foreground='green').grid(row=4, columnspan=3, pady=10)
adhar = Label(
ws,
text='Upload Government id in jpg format '
)
adhar.grid(row=0, column=0, padx=10)
adharbtn = Button(
ws,
text ='Choose File',
command = lambda:open_file()
)
adharbtn.grid(row=0, column=1)
dl = Label(
ws,
text='Upload Driving License in jpg format '
)
dl.grid(row=1, column=0, padx=10)
dlbtn = Button(
ws,
text ='Choose File ',
command = lambda:open_file()
)
dlbtn.grid(row=1, column=1)
ms = Label(
ws,
text='Upload Marksheet in jpg format '
)
ms.grid(row=2, column=0, padx=10)
msbtn = Button(
ws,
text ='Choose File',
command = lambda:open_file()
)
msbtn.grid(row=2, column=1)
upld = Button(
ws,
text='Upload Files',
command=uploadFiles
)
upld.grid(row=3, columnspan=3, pady=10)
ws.mainloop()
输出:
这是上面代码的输出。在这个用户需要提交三份 jpeg 格式的文件。该界面有 3 个按钮用于选择文档，一个按钮用于上传文档。
Upload Files in Python Tkinter
一旦用户可以选择文件，然后他/她需要点击上传文件按钮发送文件到服务器上。我们尚未将此应用程序与任何服务器连接。用户将看到一个进度条，显示正在上传。
File upload in preogress
一旦所有的文件都被上传，应用程序将显示成功消息，如下图所示。
Upload Files in Python Tkinter
您可能会喜欢以下 Python 教程:
- 文件不存在 Python
- 如何在 Python 中读取视频帧
- Python 程序打印数组中的元素
- Python 连接列表与示例
- Python Tkinter 拖拽
- Python 程序打印质数
- Python Tkinter 测验
在这个 Python 教程中，我们学习了如何在 Python Tkinter 中上传文件。
Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。
在 Python Django 中验证 URL 字符串
原文：https://pythonguides.com/validate-url-string-in-python-django/
在这个 Python Django 教程中，我将解释如何用简单的步骤在 Python Django 中验证 URL 字符串。
我最近一直在使用 Django web 框架开发一个网站来下载 YouTube 视频。此外，我必须在 Python Django 项目中验证 URL 字符串。
为了将 YouTube 视频下载到您的内部系统并验证其 URL 字符串，我进行了研究并构建了逻辑。
在这里，我们将看到:
- pytube 库是什么？
- 如何使用 pytube
- 使用 Django web 框架设置项目
- 如何在 Python Django 中验证 URL 字符串
- 使用 Python Django 下载 YouTube 视频
在本文的最后，您还可以下载在 Python Django 中验证 URL 字符串的代码。
这是我们将在这里建造的。
Validate URL string and YouTube video downloader
目录
如何在 Python Django 中验证 URL 字符串
现在，让我们先来了解一下 pytube 库，并一步一步地学习在 Python Django 中下载 YouTube 视频和验证 URL 字符串。
pytube 库
YouTube 是一个知名的视频分享平台。从 YouTube 上下载一段视频需要付出努力。使用 Python Django 完成这项任务相当简单
有一个叫做 pytube 的 Python 库可以做到这一点。这是一个轻量级、无依赖性的 Python 库，用于处理 YouTube 视频下载。
如何设置 pytube 库
pytube 不是一个内置的库，我们需要在激活的虚拟环境中使用它之前安装它。现在，使用下面给出的命令安装它。
pip install pytube
Download pytube using pip
如何验证 URL 字符串并构建 YouTube 视频下载器
现在，我们将看到一个在 Python Django 中验证 URL 字符串和下载 YouTube 视频的示例。
在 Django web 框架中建立项目
要启动 Django 项目，请打开终端并输入以下命令。这里， YouTubeURLValidator 是 Django 项目的名称。
django-admin startproject YouTubeURLValidator
它将创建一个名为 YouTubeURLValidator 的文件夹，并在终端中输入下面的命令。
cd YouTubeURLValidator
通过在终端中键入下面的命令，在这个项目文件夹中创建一个名为 MyApp 的 Django 应用程序。
python manage.py startapp MyApp
Project setup in Django
将应用名称添加到位于 settings.py 文件中的 INSTALLED_APP 列表中，以激活该应用。
Install App in Django
Django 在项目目录中包含了一个 urls.py 文件，默认情况下，它将新构建的应用程序映射到其中。为此，在其中添加以下代码。
from django.contrib import admin
from django.urls import path,include
urlpatterns = [
path('admin/', admin.site.urls),
path('',include('MyApp.urls')),
]
使用 Python Django 创建表单
为了在 Django 中创建从用户那里获取 YouTube URLs 的表单，以验证 URL 字符串并下载视频，我们创建了 forms.py 文件和下面给出的代码。
from django import forms
class YouTubeForm(forms.Form):
video_url = forms.CharField()
- 这里，我们使用名为
YouTubeForm的表单类创建表单。 - 它由名为
video_url的CharField组成，用于获取 YouTube 视频的 url。
Django 模板验证 Python Django 中的 URL 字符串并下载 YouTube 视频
因为 Django 应用程序的前端被指定为模板。在主项目目录中创建一个名为 Templates 的子目录来存储所有的项目模板文件。
打开 settings.py 文件更新 DIRS 使用模板文件夹的路径。
Set DIRS Path Template
创建一个home.html文件，在模板文件夹中添加下载 YouTube 视频的 HTML 代码。
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<meta http-equiv="X-UA-Compatible" content="IE=edge">
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<title>Video Downloader</title>
<style>
table {
border: 8px outset;
border-radius: 10px;
border-spacing: 10px;
padding: 20px;
margin-left: auto;
margin-right: auto;
}
</style>
</head>
<body>
<h1 align="center">PythonGuides Video Downloader</h1>
<hr>
<h3 align="center">Please provide the URL of the YouTube video which you want to download.</h3>
<hr>
<br>
{% if messages %}
{% for message in messages %}
<div class="alert alert-primary" role="alert">
<p{% if message.tags %} class="" {% endif %}>{{ message }}</p>
</div>
{% endfor %}
{% endif %}
<form method="post">
{% csrf_token %}
<table>
{{form.as_table}}
</table>
<br><br>
<div style="text-align:center">
<button type="submit">Download</button>
</div>
</form>
</body>
</html>
- 表格的样式首先在
head标签中定义。 - HTML 标签
h1和h3然后被用来在主体标签内添加表单的标题。 - 分别使用
br和hr标签来断开线条并绘制一条水平线。 - 我们利用 if 和 for 语句中的消息标签来输出无效的 URL 错误消息。
- 接下来，我们使用表单元素中包含的
csrf_token来保护表单免受网络攻击，并允许我们安全地传递数据。 - 然后使用
form.as_table标签将表单呈现为表中的一个表。 - 最后添加一个提交按钮，允许用户下载 YouTube 视频。
创建一个success.html文件，在 Template 文件夹中添加 HTML 代码，用于显示 URL 验证成功的消息和下载 YouTube 视频。
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<meta http-equiv="X-UA-Compatible" content="IE=edge">
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<title>Success</title>
</head>
<body>
<h1 align="center">PythonGuides Video Downloader</h1>
<hr>
<h3 align="center">Thanking You for visting!!! Video downloaded succesfully.</h3>
<hr>
<br>
{% if messages %}
{% for message in messages %}
<div class="alert alert-primary" role="alert">
<p{% if message.tags %} class="" {% endif %}>{{ message }}</p>
</div>
{% endfor %}
{% endif %}
<p>
Want to download more YouTube video: <a href="{% url 'urlvalidate' %}">Click Here</a>
</p>
</body>
</html>
- HTML 标签
h1和h3然后被用来在主体标签内添加表单的标题。 - 分别使用
br和hr标签来断开线条并绘制一条水平线。 - 我们利用 if 和 for 语句中的消息标签输出视频下载成功的消息。
- 接下来，我们使用
p标签中的a href标签添加链接以返回到另一个视频下载的主页。
定义 Django 视图
要定义应用程序的主要逻辑，打开 views.py 文件并添加下面给出的代码。
from django.shortcuts import render
from pytube import YouTube
from django.core.validators import URLValidator
from django.core.exceptions import ValidationError
from django.contrib import messages
from .forms import YouTubeForm
# Create your views here.
def urlvalidate(request):
if request.method == 'POST':
form = YouTubeForm(request.POST)
if form.is_valid():
video_url = form.cleaned_data['video_url']
valiadte = URLValidator()
try:
valiadte(video_url)
messages.info(request,'URL valiadte successfully')
video = YouTube(video_url)
download_video = video.streams.get_lowest_resolution()
download_video.download()
return render(request, "success.html")
except ValidationError as exception:
print(exception)
messages.info(request,exception)
form = YouTubeForm()
return render(request, "home.html", {'form':form})
- 在这里，我们创建了一个名为
urlvalidate的视图，它从表单中检索video_url，使用validate函数对其进行检查，如果验证成功，则输出成功消息，否则输出验证错误。 - 此外，验证成功后，我们使用
YouTube函数下载我们在video_url字段中输入链接的 YouTube 视频。然后使用get_lowest_resolution方法来传输视频。 - 我们还使用
download方法在内部下载视频，视频下载成功后渲染到成功页面。
现在，我们必须用 URL 映射视图以便调用它，因此我们必须在 app 目录中创建一个名为 urls.py 的文件。包括下面的代码。
from django.urls import path
from . import views
urlpatterns = [
path('', views.urlvalidate, name='urlvalidate'),
]
这就是我们如何在 Python Django 中验证 URL 字符串并构建 YouTube 下载器。
执行 Django 项目
要启动开发服务器，请在终端中键入下面给出的命令。
python manage.py runserver
它成功地打开了 Django 页面，在 Python Django 中输入 URL 字符串。然后，点击下载。
Validate and Pass URL of video
它成功地将我们重定向到显示验证成功消息的成功页面。如果你想下载更多的 YouTube 视频到你的内部存储器，只需点击点击这里链接。
URL validates success message
Video Downloader
如果我们输入了不正确的 URL，它会向我们显示 URL 无效的错误消息。
Incorrect URL passed
Validation Error Message
下载验证 URL 字符串的 Python Django 完整代码
这是代码。
Valiadte URL string and Download YouTube Videos
结论
这样，我们已经成功地学会了在 Python Django 中检查一个字符串是否是有效的 URL。我们还学习了 pytube 库，并使用 Django web 框架构建了一个 YouTube 下载网站。
此外，我们还讨论了以下主题。
- pytube 库是什么？
- 如何使用 pytube
- 使用 Django web 框架设置项目
- 如何在 Python Django 中验证 URL 字符串
- 使用 Python Django 下载 YouTube 视频
您可能也喜欢阅读下面的 Python Django 教程。
Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。
value error:Python 中的数学域错误
在本 Python 教程中，我们将讨论如何修复 Python 中的数学领域错误。我们将检查如何修复名为值错误:数学域错误和值错误: 解包 python 的值太多。
目录
值错误:数学域错误
在 python 中，我们在使用 python 中的数学函数时会得到这个错误。当我们试图在 python 中找出负数的平方根时，通常会出现这种类型的错误。
举例:
from math import sqrt
my_number=float(input("Enter number : "))
print("Square root of a number :",sqrt(my_number))
写完上面的代码后，你将打印出 " sqrt(my_number) " ，然后错误将显示为"value error:math domain error"。在这里，发生这个错误是因为我们正在寻找一个负数的平方根。
你可以看到下面这个错误的截图
valueerror math domain error in python
为了解决这个 python 数学域错误,我们可以给数学函数正确的值，也可以避免负值，因为它没有真正的平方根。
举例:
from math import sqrt
my_number=float(input("Enter number : "))
print("Square root of a number :",sqrt(my_number))
写完上面的代码后，你将打印出"sqrt(my _ number)"，然后输出将显示为一个数字的平方根:2.44989742783178。这里，通过给出一个正数来解决错误。
你可以参考下面的截图，我的错误是如何解决的。
valueerror math domain error sqrt
值错误:解包 python 的值太多
由于列表元素的数量大于变量的数量，赋值时会出现 valueerror: 太多值无法解包错误。
举例:
my_list = [5,10,15,20]
a,b,c = my_list
print(a)
print(b)
print(c)
在编写了上面的代码之后，您将打印这些代码，然后错误将显示为" valueerror:太多的值要解包"。这里，当我们在列表中声明的值多于变量的数量时，就会出现这个错误。
你可以看到下面这个错误的截图
ValueError: too many values to unpack python
这个误差是通过给一个相等数量的对象来解决的。因此，我们通过分配匹配数量的变量来解包列表中的元素。
举例:
my_list = [5,10,15]
a,b,c = my_list
print(a)
print(b)
print(c)
写完上面的代码后，您将打印输出，输出将显示为 " 5 10 15" 。这里，列表元素的数量和变量的数量是匹配的。所以，通过这种方式，我们可以避免这种错误。
你可以看到下面的截图是如何解决 Python 中的 valueerror 的
ValueError: too many values to unpack python
您可能会喜欢以下 Python 教程:
- 检查一个数是否是素数 Python
- Python pip 不被识别为内部或外部命令
- Python 将元组转换为列表
- python 中的百分号是什么意思
- Python 内置函数示例
- 获取当前目录 Python
- Python if else with examples
- Python 类型错误:“列表”对象不可调用
这是如何修复 python 中的 ValueError 或value error:Python 中的数学域错误和 valueerror: 太多值无法解包 python 。
Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。
值错误:用序列设置数组元素
原文：https://pythonguides.com/valueerror-setting-an-array-element-with-a-sequence/
在本 Python 教程中，我们将讨论用序列设置数组元素的概念，还将了解如何修复错误， Valueerror:用序列设置数组元素:
- 不同维度的数组
- 用序列熊猫设置数组元素
- 值在 Sklearn 中用序列设置数组元素时出错
- 值在 Tensorflow 中用序列设置数组元素时出错
- 在 np.vectorize 中用序列设置数组元素时出错
- 在二进制文本分类中用序列设置数组元素
目录
- 什么是 ValueError？
- 用序列设置数组元素
- 值使用序列 python 设置数组元素时出错
- 解决方案
- 用序列熊猫设置数组元素
- 解决方案
- 值在 Sklearn 中用序列设置数组元素时出错
- 解决方案
- value 在 Tensorflow 中用序列设置数组元素时出错
- 解决方案
- value 用序列 np.vectorize 设置数组元素出错
- 解决方案
- 值使用 tfidfvectorizer 在二进制文本分类中用序列设置数组元素时出错
- 解决方案
什么是 ValueError？
当函数传递正确类型的参数但未知值时，会引发 ValueError。此外，这种情况不应被更精确的异常(如索引错误)所阻止。
用序列设置数组元素
- 在 Python 中，错误为 ValueError:用一个序列设置一个数组元素是我们大部分时候使用 numpy 库的时候。当您试图创建一个包含多维形状的列表的数组时，通常会出现此错误。
值使用序列 python 设置数组元素时出错
不同维度的数组
- 在这个例子中，我们将从具有不同维度的元素的列表中创建一个 numpy 数组，这将抛出一个错误，作为用序列设置数组元素的值错误
- 让我们看看并讨论这个错误及其解决方案
这是一个不同维度的数组的代码
import numpy as np
print(np.array([[4, 5,9], [ 7, 9]],dtype = int))
解释
- 首先，我们将导入 numpy 库。
- 然后，我们将使用函数 np.array 创建两个不同维度的数组。
- 下面是以下代码的截图
Value error array of a different dimension
您可以很容易地在显示中看到数值错误。这是因为 numpy 数组的结构不正确。
解决方案
在这个解决方案中，我们将声明两个数组的大小和长度相等，并修复值错误。
import numpy as np
print(np.array([[4, 5,9], [ 4,7, 9]],dtype = int))
下面是以下代码的截图
valueerror setting an array element with a sequence python
这就是如何通过用序列 python 设置数组元素来修复值错误。
用序列熊猫设置数组元素
在这个例子中，我们将导入 Python 熊猫模块。然后我们将创建一个变量，并使用库 pandas dataframe 来赋值。现在，我们将打印输入，然后它将更新列表中的值，并得到一个值错误。
这是熊猫的价值代码错误
import pandas as pd
out = pd.DataFrame(data = [[600.0]], columns=['Sold Count'], index=['Assignment'])
print (out.loc['Assignment', 'Sold Count'])
out.loc['Assignment', 'Sold Count'] = [200.0]
print (out.loc['Assignment', 'Sold Count'])
解释
基本问题是，我想在数据帧中设置一行和一列为列表。使用了 loc 方法并得到一个值错误
下面是以下代码的截图
Python Setting an array element with a sequence pandas
解决方案
在此解决方案中，如果您想要解决此错误，您将创建一个非数字的 dtype 作为对象，因为它只存储数字值。
这是代码
import pandas as pd
out = pd.DataFrame(data = [[600.0]], columns=['Sold Count'], index=['Assignment'])
print (out.loc['Assignment', 'Sold Count'])
out['Sold Count'] = out['Sold Count'].astype(object)
out.loc['Assignment','Sold Count'] = [1000.0,600.0]
print(out)
下面是以下代码的截图
valueerror: setting an array element with a sequence pandas
这是如何修复错误，值错误:设置一个序列熊猫数组元素。
值在 Sklearn 中用序列设置数组元素时出错
- 在这个方法中，我们将讨论 sklearn 中一个可迭代序列的错误。
- Scikit-learn 是一个免费的 Python 机器学习模块。它具有各种算法，如 SVM、随机森林和 k-neighbors，它还生成 Python 数值和科学库，如 NumPy 和 SciPy。
- 在机器学习模型中，有时 numpy 数组在代码中得到一个值错误。
- 在这个方法中，我们可以很容易地使用函数 SVC()并导入 sklearn 库。
下面是用序列设置数组元素的值错误代码
import numpy as np
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
X = np.array([[-3, 4], [5, 7], [1, -1], [3]])
y = np.array([4, 5, 6, 7])
clf = make_pipeline(StandardScaler(), SVC(gamma='auto'))
clf.fit(X, y)
解释
- 在上面的代码中，我们将导入一个 numpy 库和 sklearn。现在我们将创建一个数组 X 和 numpy 数组 X 的结束元素长度为 1，而另一个值的长度为 2。
- 这将显示带有序列的数组元素的值错误的结果。
下面是以下代码的截图
value error: setting an array element with a sequence sklearn
解决方案
- 在这个解决方案中，我们将改变给定数组中结束元素的大小。
- 我们将给所有元素相同的长度。
这是代码
import numpy as np
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
X = np.array([[-3, 4], [5, 7], [1, -1], [3,2]])
y = np.array([4, 5, 6, 7])
clf = make_pipeline(StandardScaler(), SVC(gamma='auto'))
clf.fit(X, y)
下面是以下代码的截图
Solution of an array element with a sequence in Sklearn
这是如何修复错误， valueerror 用序列 sklearn 设置数组元素。
value 在 Tensorflow 中用序列设置数组元素时出错
- 在这个方法中，我们将学习和讨论 Tensorflow 中一个序列的错误。
- 张量的形状是张量模的秩，并且每个维度的长度可能不总是完全已知的。在 tf.function 中，形状只是部分已知的。
- 在这个方法中，如果给定 numpy 数组中每个元素的形状都不等于 size，那么就会得到一个错误消息。
下面是 Tensorflow 中带有序列的值错误数组元素的代码。
import tensorflow as tf
import numpy as np
x = tf.constant([4,5,6,[4,1]])
y = tf.constant([9,8,7,6])
res = tf.multiply(x,y)
tf.print(res)
解释
在本例中，我们将导入一个 TensorFlow 模块，然后创建一个 numpy 数组，并分配不同长度的值。现在我们创建一个变量并使用函数 tf。倍增。
下面是以下代码的截图
Value error array of different sequences with TensorFlow
解决方案
- 在这个解决方案中，我们将显示和更改给定数组中结束元素的长度。
- 我们将给所有的值相同的长度，所有的值都是相同的形状。
这是代码
import tensorflow as tf
import numpy as np
x = tf.constant([4,5,6,4])
y = tf.constant([9,8,7,6])
res = tf.multiply(x,y)
tf.print(res)
下面是以下代码的截图
Solution of an array element with a sequence in Tensorflow
这是如何通过用序列 TensorFlow 设置数组元素来修复错误值 error。
value 用序列 np.vectorize 设置数组元素出错
- 在这种方法中，我们将学习和讨论 np.vectorize 中的序列错误
- np.vectorize 的主要目的是将不支持 numpy 的函数转换成能够提供和操作(并返回)numpy 数组的函数。
- 在这个例子中，给定的函数已经被矢量化，因此对于输入数组 t 中的每个值，numpy 数组都是一个输出。
下面是 np.vectorize 中带有序列的数组元素的代码。
import numpy as np
def Ham(t):
d=np.array([[np.cos(t),np.sqrt(t)],[0,1]],dtype=np.complex128)
return d
print(Ham)
解释
在上面的代码中，当 NumPy 和 python 之间存在更精确和冲突时，会出现此错误。如果未给出 dtype，可能会显示错误。
下面是以下代码的截图
Valueerror array different sequence with vectorize
解决方案
- 在这个方法中，问题是 np.cos(t)和 np.sqrt()计算长度为 t 的 numpy 数组，而第二行([0，1])保持相同的大小。
- 要在函数中使用 np.vectorize，必须声明输出类型。
- 在这个方法中，我们可以很容易地使用 hamvec 作为方法。
这是代码
import numpy as np
def Ham(t):
d=np.array([[np.cos(t),np.sqrt(t)],[0,1]],dtype=np.complex128)
return d
HamVec = np.vectorize(Ham, otypes=[np.ndarray])
x=np.array([1,2,3])
y=HamVec(x)
print(y)
下面是以下代码的截图
Solution of an array element with a sequence in np.vectorize
这是如何修复错误，value error 用序列 np.vectorize 设置数组元素。
值使用 tfidfvectorizer 在二进制文本分类中用序列设置数组元素时出错
- 在本节中，我们将学习和讨论使用 tfidfvectorizer 进行二进制文本分类时出现的序列错误。
- TF-IDF 代表词频逆文档频率。这种方法是一种数字统计，用于测量文档中单词的重要性。
- Scikit-Learn 提供 tfidf 矢量器的结果。
- 我正在使用 pandas 和 scikit——学习在数据帧上使用 TfidfVectorizer 编码的文本特征进行二进制文本分类。
以下是使用 tfidfvectorizer 进行二进制文本分类的代码
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.svm import LinearSVC
from sklearn.feature_extraction.text import TfidfVectorizer
data_dict = {'tid': [0,1,2,3,4,5,6,7,8,9],
'text':['This is the first.', 'This is the second.', 'This is the third.', 'This is the fourth.', 'This is the fourth.', 'This is the fourth.', 'This is the nintieth.', 'This is the fourth.', 'This is the fourth.', 'This is the first.'],
'cat':[0,0,1,1,1,1,1,0,0,0]}
df = pd.DataFrame(data_dict)
tfidf = TfidfVectorizer(analyzer='word')
df['text'] = tfidf.fit_transform(df['text'])
X_train, X_test, y_train, y_test = train_test_split(df[['tid', 'text']], df[['cat']])
clf = LinearSVC()
clf.fit(X_train, y_train)
下面是以下代码的截图
Value error Setting An Array Element with a Sequence in binary text classification
解决方案
- Tfidfvectorizer 返回一个二维数组。如果不增加维度，就不能将列 df['text']设置为矩阵。
- 尝试在健身程序中仅使用训练数据，并尝试扩展数据并设置更多值。
这是代码
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.svm import LinearSVC
from sklearn.feature_extraction.text import TfidfVectorizer
data_dict = {'tid': [0,1,2,3,4,5,6,7,8,9],
'text':['This is the first.', 'This is the second.', 'This is the third.', 'This is the fourth.', 'This is the fourth.', 'This is the fourth.', 'This is the nintieth.', 'This is the fourth.', 'This is the fourth.', 'This is the first.'],
'cat':[0,0,1,1,1,1,1,0,0,0]}
df = pd.DataFrame(data_dict)
tfidf = TfidfVectorizer(analyzer='word')
df_text = pd.DataFrame(tfidf.fit_transform(df['text']).toarray())
X_train, X_test, y_train, y_test = train_test_split(pd.concat([df[['tid']],df_text],axis=1), df[['cat']])
clf = LinearSVC()
clf.fit(X_train, y_train)
下面是以下代码的截图
Solution of the array element with a sequence in binary text classification
以下是修复错误的方法，value 使用 tfidfvectorizer 在二进制文本分类中用序列设置数组元素时出错。
您可能会喜欢以下 Python 教程:
- Python 熊猫中的 group by
- 如何在 Python 中使用 Pandas drop()函数
- Python NumPy 平均值与示例
- Python NumPy 绝对值
- 检查一个列表是否存在于另一个列表中 Python
在本教程中，我们学习了如何修复错误，用序列 python 设置数组元素的值错误。
- 不同维度的数组
- 值使用序列 python 设置数组元素时出错
- 用序列熊猫设置数组元素
- 值在 Sklearn 中用序列设置数组元素时出错
- 值在 Tensorflow 中用序列设置数组元素时出错
- 在 np.vectorize 中用序列设置数组元素时出错
- 在二进制文本分类中用序列设置数组元素
Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。
Python 中的 Matplotlib 内联是什么
在本 Python 教程中，我们将讨论什么是 Python 中的 matplotlib inline ，我们还将涉及以下主题:
- python 中的 matplotlib 内联是什么
- 为什么使用 matplotlib 内联
- 如何内联使用 matplotlib
- matplotlib inline jupyter
- matplotlib inline in pycharm
- spyder 中的 matplotlib 内联
- vscode 中的 matplotlib 内联
- matplotlib 内联与笔记本
目录
- python 中什么是 matplotlib 内联
- 为什么使用 matplotlib 内联
- 如何使用 matplotlib 内联
- matplotlib 内联 jupyter
- py charm 中的 matplotlib 内联
- spyder 中的 matplotlib 内联
- vs code 中的 matplotlib 内联
- matplotlib 内联 vs 笔记本
python 中什么是 matplotlib 内联
IPython 提供了几个预定义函数的集合，称为 magic functions ，可以通过命令行风格的语法来使用和调用。基本上有两种神奇的功能，面向行和面向单元格。
- 面向行的魔法函数(也称为行魔法)以一个百分号( % )开始，后跟行中其余部分的参数，没有任何引号或括号，就像操作系统命令行调用函数一样。这些函数返回一些结果，因此可以通过写在赋值语句的右边来存储。
一些行魔法 : %alias、%autowait、%colors、%conda、%config、%debug、%env、%load、 %matplotlib 、%notebook 等。,
- 面向单元格的魔法函数(也称为单元格魔法)以两个百分号( %% )开始，后面是整个单元格中的参数，即该行的其余部分以及它下面的行中的一个单独的参数。
一些单元格魔术 : %%bash，%%html，%%javascrit，%%python2，%%ruby，%%sh，%%script，%%perl 等。,
现在，tet 说说 %matplotlib 魔法函数:这个函数设置 matplotlib 交互工作。它可以让你在一个 IPython 会话中的任何地方激活 matplotlib 交互支持(就像在 jupyter 笔记本中一样)。调用该函数的语法如下所示:
%matplotlib [gui]
在上面的语法中:
gui是通过调用函数启用的 matplotlib 后端的名称。- 它提供后端:内联，笔记本，qt，qt4，qt5，tk，osx，pdf 等。,
您可以通过以下方式列出可用的 matplotlib 后端:
%matplotlib -l
# OR
%matplotlib --list
当您启用‘inline’matplotlib 后端时，所写绘图命令的输出将在 jupyter notebook 等前端内联显示。也就是说，绘图/图形将直接显示在单元格(写入绘图命令的位置)的下方，生成的绘图/图形也将包含(存储)在您的笔记本文档中。
为什么使用 matplotlib 内联
您可以使用神奇的函数 %matplotlib inline 来启用内嵌绘图，其中绘图/图形将显示在编写绘图命令的单元格的正下方。
它在前端中提供与后端的交互，就像 jupyter 笔记本一样。它还提供了一个功能，即前一个图的输出单元格下方的绘图命令不会影响前一个图，这意味着它可以分隔不同的图。
例如，在前一个绘图输出单元格下方的单元格中通过色彩映射表更改调色板不会更改该绘图的色彩映射表。
注意-如果您没有处于交互模式，并且使用 matplotlib 绘制图形，那么只有在以前版本的 jupyter notebook 中调用 matplotlib.pyplot.show() 函数时，图形才会出现。
在当前版本的 IPython 笔记本和 jupyter 笔记本中，不需要使用 %matplotlib inline 函数。因为，无论你是否调用 matplotlib.pyplot.show() 函数，图形输出都会显示出来。
如何使用 matplotlib 内联
在笔记本(jupyter 笔记本)中绘制命令之前，在单元格的开始处写入 %matplotlib inline 。
%matplotlib inline
...
... # Plotting commands
...
举例:
from matplotlib import pyplot as plt
import numpy as np
%matplotlib inline
x = np.arange(-10, 10, 1)
y = np.sin(x)
plt.title('%matplotlib inline function's magic')
plt.plot(x, y, 'b:')
How to use matplotlib inline
阅读: Matplotlib 绘制一条线
matplotlib 内联 jupyter
我们已经在上面的主题中讨论了在 jupyter 中使用%matplotlib 内联函数。这和我们在那里讨论的是一样的。
所以，我们来练习一个例子，让概念更清晰。
from matplotlib import pyplot as plt
import numpy as np
%matplotlib inline
x = np.arange(-10, 10, 1)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)
plt.figure(figsize=[9, 7])
plt.title('%matplotlib inline function\'s magic', fontsize=18)
plt.plot(x, y1, 'r--', linewidth=2, label='sin()')
plt.plot(x, y2, 'b-.', linewidth=2, label='cos()')
plt.plot(x, y3, 'g:', linewidth=2, label='tan()')
plt.axvline(x=0, color='black')
plt.axhline(y=0, color='black')
plt.xlabel('x-axis', fontsize=15)
plt.ylabel('y-axis', fontsize=15)
plt.legend(fontsize=15)
matplotlib inline jupyter
py charm 中的 matplotlib 内联
Matplotlib 图不显示在 Pycharm 中。
% 符号用于使用 python 中可用的神奇函数， %matplotlib inline 表示神奇函数 %matplotlib ，它指定 matplotlib 的后端，使用参数 inline 您可以显示图形并使图形交互。
但是 %matplotlib inline 只对 IPython notebook 会话有意义，如果在普通的 Python 会话中使用(比如在 pycharm 中)，会得到语法错误。
通过使用 matplotlib.pyplot.show() 函数，您可以在普通 python 会话的交互式窗口中显示您的绘图。
阅读: Python 情节多行
spyder 中的 matplotlib 内联
正如我们在上面的主题中所讨论的， %matplotlib inline 在脚本和普通 python 会话(如 pycharm、spyder 等)中不起作用。，)，仅在 IPython 笔记本会话中有效。
有两种方法可以导入 %matplotlib inline 函数的特性:
- 您可以导入 IPython 并使用神奇的函数 %matplotlib inline 。为此，请遵循以下代码:
from IPython import get_ipython
get_ipython().run_line_magic('matplotlib', 'inline')
举例:
from matplotlib import pyplot as plt
import numpy as np
from IPython import get_ipython
get_ipython().run_line_magic('matplotlib', 'inline')
x = np.linspace(1, 100, 2)
y = np.sin(x)
plt.title('matplotlib inline in spyder')
plt.plot(x, y, 'c:')
matplotlib inline in spyder
- 您可以在 spyder 中将图形后端设置为内嵌或自动，如下所示:
- 浏览:工具>>首选项>> IPython 控制台> >图形->内嵌/自动
- 然后，重启控制台，现在您将能够通过使用
get_ipython()命令绘制图形并在交互窗口中显示它，而无需重启控制台。
matplotlib inline in spyder automatically
Read: modulenotfounderror:没有名为“matplotlib”的模块
vs code 中的 matplotlib 内联
Visual Studio 代码还提供了一个普通的 python 会话，在这个会话中，您不能使用 %matplotlib inline 函数。
- 但是，您可以安装并使用可用于 vscode 的 jupyter notebook 扩展，在这里您可以像在 jupyter notebook 中一样编写代码，并可以使用 %matplotlib inline 命令。并且，使用这个神奇的功能将会和我们在 jupyter 笔记本上做的一样。
Jupyter Notebook extension for vs code
举例:
from matplotlib import pyplot as plt
import numpy as np
x = np.linspace(1, 100, 2)
y = 0.2 * x + 3
%matplotlib inline
plt.title('matplotlib inline in vscode')
plt.plot(x, y, 'o:')
matplotlib inline in jupyter notebook extension for vs code
- 或者，您可以在交互模式下使用 vscode，它会将您的代码拆分成单独的单元，这些单元可以像在 IPython 笔记本中一样单独运行。您可以使用 # %% 将您的代码分割成单独的单元格，它告诉 vscode 将下面的代码与上面的代码分开。当您以这种方式运行代码时，vscode 会自动打开一个交互式窗口，以内联方式显示绘图。
举例:
# $$
from matplotlib import pyplot as plt
import numpy as np
# $$
x = np.linspace(1, 100, 2)
y = 0.1 * x + 2
plt.title('matplotlib inline in vscode')
plt.plot(x, y, color='green', linestyle=':')
plt.show()
matplotlib inline in vscode
阅读: Python 元组排序列表
matplotlib 内联 vs 笔记本
当你想在你的 IPython 笔记本(jupyter notebook)中添加一个情节时，那么你可以根据需要使用带有不同参数的神奇函数 %matplotlib 。论据可以是内联、笔记本、 qt 等。，这将在一个窗口中打开图形。
%matplotlib inline :您可以使用该命令显示符合代码的图形(静态图形)。
from matplotlib import pyplot as plt
import numpy as np
%matplotlib inline
x = np.arange(-10, 11, 1)
y1 = np.square(x)
y2 = np.power(x, 3)
plt.figure(figsize=[9, 7])
plt.title('%matplotlib inline function\'s magic', fontsize=18)
plt.plot(x, y1, 'r--', label='x^2')
plt.plot(x, y2, 'b-.', label='x^3')
plt.axvline(x=0, color='black', linewidth=0.7)
plt.axhline(y=0, color='black', linewidth=0.7)
plt.xlabel('x-axis', fontsize=15)
plt.ylabel('y-axis', fontsize=15)
plt.legend(fontsize=15)
matplotlib inline vs notebook
%matplotlib notebook :您可以使用该命令在一个交互窗口中显示图形，您可以在该窗口中缩放或调整图形大小。
注意——IPython notebook 新版本不支持 %matplotlib notebook 并返回错误:Javascript 错误:IPython 未定义。
你可以使用另一种方法来显示交互式图表，我们将在另一篇文章中讨论。
你也喜欢阅读我们的最新文章。
在本 Python 教程中，我们已经讨论了 matplotlib 中的 %matplotlib inline ，并且我们还涵盖了以下主题:
- python 中的 matplotlib 内联是什么
- 为什么使用 matplotlib 内联
- 如何内联使用 matplotlib
- matplotlib inline jupyter
- matplotlib inline in pycharm
- spyder 中的 matplotlib 内联
- vscode 中的 matplotlib 内联
- matplotlib 内联与笔记本
Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。
什么是 Matplotlib，如何在 Python 中使用它
在本 Python 教程中，我们将讨论 matplotlib 库、什么是 matplotlib 、如何使用它，我们还将涉及以下主题:
- 什么是 matplotlib
- matplotlib 的特性
- Matplotlib 环境设置
- 导入 matplotlib 库
- Matplotlib pyplot API
- matplotlib 中的绘图类型
- matplotlib 中的图像函数
- matplotlib 中的轴函数
- matplotlib 中的图形函数
目录
- 什么是 matplotlib
- matplotlib 的特性
- Matplotlib 环境设置
- 导入 matplotlib 库
- Matplotlib pyplot API
- matplotlib 中的绘图类型
- matplotlib 中的图像函数
- matplotlib 中的轴函数
- matplotlib 中的图形函数
什么是 matplotlib
在 Python 中有许多库。并且 Matplotlib 是最成功和最常用的库之一，它提供了各种工具用于 Python 中的数据可视化。
它是 Python 中最强大的绘图库之一。它是一个跨平台库，提供了各种工具来从 python 中的列表或数组中的数据创建 2D 图。
它是由约翰·d·亨特在 2003 年用 T2 的 Python 编程语言编写的。matplotlib 目前的稳定版本是 3.4.2 ，发布于 2021 年 5 月 8 日。它利用了 NumPy ，一个为 Python 提供数字数学扩展的库。
**它还提供了一个面向对象的 API，使其能够通过使用各种可用的 Python GUI 工具包(Tkinter、PyQt 等)来扩展将静态图放入应用程序的功能。
它为用户提供了使用各种不同类型的图来可视化数据，以使数据易于理解。您可以使用这些不同类型的图(散点图、直方图、条形图、误差图、箱线图等。)通过用 python 写几行代码。
您可以使用任何 Python shell 、 IPython shell 、 Jupyter notebook 、 jupyter lab 、cloud(IBM Watson studio、 Google collab 等)、以及 web 应用服务器 ( flask 、 Django 使用 pycharm 或
matplotlib 的特性
- 它被用作 Python 编程语言的数据可视化库。
- 它提供了用 python 绘制数据的最简单和最常见的方法。
- 它提供了这样的工具，可用于跨平台以各种导出格式和各种环境(pycharm、jupyter notebook)创建出版标准的绘图和图表。
- 它提供了一个叫做
Pylab的程序接口，用来设计让它像MATLAB一样工作，一种科学家、研究人员使用的编程语言。MATLAB 是一个付费的应用软件，不是开源的。 - 它类似于
MATLAB中的绘图，因为它允许用户像 MATLAB 一样完全控制字体、线条、颜色、样式和轴属性。 - Matplotlib 和
NumPy可以被看作是MATLAB的开源等价物。 - 它提供了产生高质量静态可视化的极好方法，可用于出版物和专业演示。
- 它还提供了与各种其他第三方库和包的兼容性，扩展了它的功能。例如，
seaborn、ggplot 提供更多的绘图功能，以及底图和cartopy，用于绘制地理空间数据。 - Matplotlib 是一个跨平台的库，可用于各种 python 脚本、任何 python shell(在 IDLE、pycharm 等中可用)和 IPython shell(cond、jupyter notebook)、web 应用服务器(Django、flask)和各种 GUI 工具包( Tkinter 、PyQt、WxPythonotTkinter)。
- 显然，
matplotlib及其各种兼容的第三方库为用户提供了可视化各种数据的强大工具。
读取 Matplotlib 1.3.1 需要未安装的 nose】
Matplotlib 环境设置
Matplotlib 及其依赖包在标准 python 包存储库中以 wheel 包的形式提供，一旦在系统中安装了 Python，您就可以使用 pip 包管理器在 Windows 、 Linux 和 macOS 系统中轻松安装它们。您可以通过执行以下命令来实现这一点:
pip3 install matplotlib
如果没有为系统中的所有用户安装 Python 包，则必须安装 Microsoft Visual c++ 2008(Python 2.7 为 64 位或 32 位)或 Microsoft Visual c++ 2010(Python 3.4 为 64 位或 32 位)。
- 在
windows中，你可以从任何浏览器轻松下载安装上述依赖包。 - 如果您在
MacOS上使用 Python 2.7，那么执行以下命令:
xcode-select –install
当执行上述命令时，可以编译包的依赖关系，子进程 32 。
- 如果你正在使用安装了 Python 2.7 的旧版本 Linux，你必须安装主版本的 T2 子进程。
以上步骤针对各种 OS，设置 matplotlib 包要安装使用的环境。
导入 matplotlib 库
您可以使用 matplotlib，并通过将它导入到您的环境(Jupiter notebook、google collab、IDLE 等)中来利用它在 python 中的功能。导入 matplotlib 的代码如下:
-- Importing the matplotlib library
import matplotlib
-- Importing the matplotlib library and alias it with a shorter name
import matplotlib as plt
在上面的代码中，引用名(别名)可以是你的任何选择，但是最常用的名字是 plt 。所以，我们也会用它。引用名给了库一个方便和容易的使用，你必须键入更少的代码来引用它。
无论何时使用 python 中的 matplotlib 绘图，都要记住两件重要的事情:
- 图形类型:你可以定义图形的类型，可以是条形图，折线图，柱状图等。
- 并显示图表:在这里，您将显示图表。
Matplotlib pyplot API
matplotlib.pyplot 是 matplotlib 的基于状态的接口。它是一个命令式函数的集合，使得 matplotlib 像 MATLAB 一样工作。每个 pyplot 函数都会对绘图进行一些更改(如图)。
- 一个函数可以创建一个图形:matplotlib.pyplot.figure()，另一个在图形中创建绘图区域的函数:matplotlib.pyplot.plot()。
- 在绘图区域中绘制一些线，
- 用标签、注释等来修饰情节。
您可以通过以下代码导入 python 中的 pyplot API:
import matplotlib.pyplot as plt
-- OR
from matplotlib import pyplot as plt
在上面的代码中，matplotlib 库中的 pyplot API 被导入到程序中，并被引用为 plt 。您可以给出任何名称，但是 plt 是标准的并且是最常用的。
阅读: Matplotlib 二维表面图
matplotlib 中的绘图类型
matplotlib 中有多种可用的绘图，以下是一些最常用的绘图:
| 没有。 | 绘图功能 | 描述 |
|---|---|---|
| one | 绘图() | 您可以在轴上绘制标记和/或线条。 |
| Two | 散布() | 它创建了 x 对 y 的散点图。 |
| three | 酒吧() | 它创建了一个条形图。 |
| four | 巴尔赫() | 它创建了一个水平条形图。 |
| five | 历史() | 它绘制了一个直方图。 |
| six | hist2d() | 它创建了一个 2D 直方图。 |
| seven | boxplot() | 它创建了一个有胡须的盒子图。 |
| eight | 饼图() | 它绘制了一个饼图。 |
| nine | 堆栈图() | 它创建堆积面积图。 |
| Ten | 极坐标() | 它创造了一个极坐标图。 |
| Eleven | 茎() | 它创建了一个 stem 图。 |
| Twelve | 步骤() | 它创建了一个阶梯图。 |
| Thirteen | 颤动() | 它描绘了一个 2D 箭场。 |
Types of plots in matplotlib
图是理解所提供数据的模式、趋势和相关性的一种方式。我们可以说，这些是洞察一些定量信息的工具。
让我们看看如何在一些样本数据上实现上面提到的一些基本情节，所以打开 jupyter notebook 或任何 Ipython shell ，让我们做一些例子:
- 线形图:
# Importing the pyplot API from matplotlib library
from matplotlib import pyplot as plt
# x-axis values in a list
x = [3, 8, 1, 9, 7]
# y-axis values in a list
y = [7, 4, 2, 5, 10]
# function to plot line in matplotlib
plt.plot(x, y)
# Function to show the plot
plt.show()
Line plot in matplotlib
- 散点图:
# Importing the pyplot API from matplotlib library
from matplotlib import pyplot as plt
# x-axis values in a list
x = [3, 8, 1, 9, 7]
# y-axis values in a list
y = [7, 4, 2, 5, 10]
# function to plot scatter in matplotlib
plt.scatter(x, y)
# Function to show the plot
plt.show()
Scatter plot in matplotlib
- Bar plot:
# Importing the pyplot API from matplotlib library
from matplotlib import pyplot as plt
# x-axis values in a list
x = [3, 8, 1, 9, 7]
# y-axis values in a list
y = [7, 4, 2, 5, 10]
# function to plot bar graph in matplotlib
plt.bar(x, y)
# Function to show the plot
plt.show()
Bar plot in matplotlib
- 直方图:
# Importing the pyplot API from matplotlib library
from matplotlib import pyplot as plt
# y-axis values in a list
y = [7, 4, 2, 5, 10]
# function to plot histogram in matplotlib
plt.hist(y)
# Function to show the plot
plt.show()
Histogram in matplotlib
- 饼图:
# Importing the pyplot API from matplotlib library
from matplotlib import pyplot as plt
# x-axis values in a list
x = [7, 4, 2, 5, 10]
# y-axis values in a list
names = ['Sam', 'Aron', 'Bence', 'Hegrad', 'kristina']
# function to plot pie chart in matplotlib
plt.pie(y, labels=names)
# Function to show the plot
plt.show()
Pie chart in matplotlib
阅读: Matplotlib 当前正在使用 agg 一个非 gui 后端
matplotlib 中的图像函数
matplotlib 中可用的图像函数如下:
| 没有。 | 图像功能 | 描述 |
|---|---|---|
| one | imread() | 它将图像从文件读入数组。 |
| Two | imsave() | 它将数组保存为图像文件。 |
| three | imshow() | 它在轴上显示图像。 |
Image functions in matplotlib
matplotlib 中的轴函数
您可以使用 matplotlib 中可用的图像函数自定义轴属性，如下所述:
| 没有。 | 轴功能 | 描述 |
|---|---|---|
| one | 坐标轴() | 它为图形添加了轴。 |
| Two | 文本() | 它向轴添加文本。 |
| three | 标题() | 它为当前轴设置一个标题。 |
| four | xlabel() | 它设置当前轴的 x 轴的标签。 |
| five | 伊拉贝尔() | 它设置当前轴的 y 轴的标签。 |
| six | xlim() | 它获取或设置当前轴的 x 轴限制。 |
| seven | 超集() | 它获取或设置当前轴的 y 轴限制。 |
| eight | xscale() | 它设置当前轴的 x 轴的缩放比例。 |
| nine | yscale() | 它设置当前轴的 y 轴的缩放比例。 |
| Ten | xticks() | 它获取或设置当前刻度位置和标签的 x 界限。 |
| Eleven | yticks() | 它获取或设置当前刻度位置和标签的 y 界限。 |
Axis functions in matplotlib
matplotlib 中的图形函数
通过使用以下给定的函数，可以在 matplotlib 中创建、保存和显示图形:
| 没有。 | 图形功能 | 描述 |
|---|---|---|
| one | 图() | 它创造了一个新的形象。 |
| Two | 显示() | 它显示特定的图形。 |
| three | figtext() | 它向图形添加文本。 |
| four | savefig() | 它保存当前的数字。 |
| five | 关闭() | 它关闭一个图形窗口。 |
Figure functions in matplotlib
您可能会喜欢以下 Python Matplotlib 教程:
- 模块“matplotlib”没有属性“artist”
- Matplotlib 设定 y 轴范围
- 模块‘matplotlib’没有属性‘plot’
- Matplotlib xlim
- Matplotlib 更新循环中的绘图
- Matplotlib 饼图教程
在本 Python 教程中，我们讨论了什么是 matplotlib 库，以及如何在 Python 中使用它，还涵盖了以下主题:
- 什么是 matplotlib
- matplotlib 的特性
- Matplotlib 环境设置
- 导入 matplotlib 库
- Matplotlib pyplot API
- matplotlib 中的绘图类型
- matplotlib 中的图像函数
- matplotlib 中的轴函数
- matplotlib 中的图形函数
Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。
Python Django 是什么，用来做什么
在本 Python 教程中，我们将学习什么是 python Django，python Django 的各种特性，并尝试了解什么是 Python Django 用于。下面给出了本文所涉及主题的详细列表。
- 姜戈是什么
- 姜戈的历史
- python django 是用来做什么的
- Django 的特点
- 姜戈建筑
- 使用 Django 的公司
目录
什么是 Python Django
- Django 是一个流行的基于 python 的框架，它被用于 web 开发。它是一个高级 web 框架，允许快速构建安全且可维护的网站。
- Django 是一个免费的开源框架，这意味着它可以免费使用。
- Django 也遵循模型-视图-控制器 (MVC)架构，这是现在 web 应用程序开发的标准。
- 它也有一个充满活力和积极的社区，优秀的文档，以及各种免费和付费的支持选项。
Official Django Logo
阅读 Python Django 与 Flask 的主要区别
姜戈的历史
Django 是由《劳伦斯世界日报》的 Adrian Holovaty 和 Simon Willison 在 2003 年到 2005 年间创作的。它是作为《劳伦斯世界日报》的一个内部项目开始的。
有时，劳伦斯世界日报的 web 开发团队不得不在短时间内开发新功能，甚至完成应用程序。因此，Django 的创建是为了满足新闻网站的紧迫期限，同时仍然保持开发过程的整洁和可维护性。
到 2005 年，Django 已经发展到可以管理很多高地，所以开发者决定让它成为一个开源项目。所以，Django 在 2005 年被 BSD 许可释放。这个项目是以著名的爵士乐吉他手坦哥·雷恩哈特的名字命名的。
为了维护 Django，2008 年成立了一个名为 Django 软件基金会(DSF)的基金会。
从 2008 年 9 月的第一个版本(1.0)到最近的版本 3.1，Django 一直在发展和改进。
python django 用于T3 是什么
Django 最初是为一家报纸公司 Lawrence Journal-World 开发 web 应用程序的。因此，它非常适合处理包含大量文本内容、媒体文件和高流量的项目。然而，这个框架的使用并不仅限于出版业。
Django 的每个新版本都添加了新的特性，这使得构建任何类型的 web 应用程序都足够高效。我们可以使用 Django 开发任何类型的 web 应用程序，从社交媒体网站到电子商务商店。
以下是 Django 现在使用的一些领域。
- 具有 B2B CRM 系统、定制 CRM 系统的平台
- 具有数据分析、过滤等功能的平台。
- 创建管理仪表板
- 创建电子邮件系统
- 创建核查系统
- 创建基于算法的生成器
- 机器学习平台
姜戈的特征
到目前为止，我们已经了解了什么是 Django 框架，以及它的用途。现在，让我们来理解为什么 Django 是最流行的 web 开发框架之一。
Django 提供了各种各样的特性，使得开发过程变得干净而高效。它结合了许多功能，使其成为一个完整的框架。这里列出了 Django 提供的一些主要特性。
- 开源–Django 是一个开源的 python 框架，这意味着我们可以免费下载和使用它。这有助于降低应用程序的总成本。
- 快速开发–Django 的设计目标是创建一个框架，允许开发者在更短的时间内开发 web 应用程序。因此，Django 减少了项目实现，允许快速的 web 开发。
- 可扩展–Django 本质上是可扩展的，这意味着我们可以轻松地从小规模应用程序迁移到大规模应用程序。
Secure–Django 是一个安全的框架，因为它提供了帮助开发人员避免典型安全问题的工具。它还提供了一个身份验证系统来存储和管理用户帐户和密码。- 被广泛支持的库–Django 包含了大量的模块和库，可以用来管理不同的 web 开发任务。
- 管理界面–Django 有一个内置的管理界面。所以，我们不需要从头开始构建它。另外，我们可以根据需要定制界面。
- 大型社区–Django 是最流行的 web 开发框架之一。因此，它有一个大而友好的社区以及分享和联系的渠道。
阅读: Python 字典初始化
姜戈建筑
Django 遵循它自己的模型-视图-控制器(MVC)架构的惯例，命名为模型-视图模板(MVT)。MVT 是一种软件设计模式，主要由 3 个组件组成:模型、视图和模板。
Model-View-Template
MVT 体系结构中的模型是用于处理数据的数据访问层。模型在将整个架构连接到数据库方面起着至关重要的作用。每个模型都链接到一个数据库表，我们使用 models.py 文件。
MVT 体系结构中的视图用于定义数据流的整体逻辑。对于这个实现，我们使用 view.py 文件。此外，视图文件的目的是将响应发送给适当的用户。
MVT 体系结构中的模板是处理用户界面的表示层。
接下来，让我们了解 Django 使用 MVT 架构的工作流程。
Django Workflow
因此，每当用户请求某个资源时，Django 就充当控制器，在 urls.py 文件中寻找资源。如果 URL 映射，则调用与该 URL 关联的视图。在这之后，视图与模型和模板交互，并呈现模板。最后，Django 响应用户并返回模板作为响应。
更多细节还可以参考下面的官方文档。
Read: ModuleNotFoundError:没有名为 Django 的模块
公司使用 Django
因此，Django 简单易用，此外，它提供了如此多的东西，使它成为任何类型的 web 应用程序的完美框架。
Django 非常高效，一些大公司也在他们的 web 应用程序中使用它。以下是一些使用 Django 的公司。
- 照片墙
- Spotify
- 浏览器名
- 国家地理
- 拼趣
- Bitbucket
- Eventbrite
您可能也会喜欢以下文章:
所以在本教程中，我们已经了解了 Django 框架，它的特性，并且理解了 Django 的用途。在本文中，我们讨论了以下主题。
- 姜戈是什么
- 姜戈的历史
- python django 是用来做什么的
- Django 的特点
- 姜戈建筑
- 使用 Django 的公司
Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。
PyTorch 是什么以及如何使用它
在这个 Python 教程中，我们将学习什么是 Python 中的 PyTorch，我们还将涵盖与 PyTorch 相关的不同例子。此外，我们还将涉及以下主题。
- PyTorch 是什么
- 使用 Pip 安装 PyTorch
- 如何使用 conda 安装 PyTorch
- PyTorch 的优缺点
- 如何使用 PyTorch
- PyTorch 的组件
- PyTorch 的应用
目录
- py torch 是什么
- 使用 Pip 安装 py torch
- 如何使用 conda 安装 py torch
- py torch 的优缺点
- 如何使用 PyTorch
- py torch 的部件
- py torch 的应用
py torch 是什么
在本节中，我们将了解什么是 PyTorch 以及 PyTorch 在 Python 中的实现。
What is PyTorch
- PyThon 是一个开源免费的机器学习库。PyTorch 是在修改后的 BSD 许可证下发布的。
- PyTorch 用于计算机视觉和自然语言处理应用。
- 计算机视觉被定义为我们的计算机如何能够容易地理解并获得图像的重要信息的过程。
- PyTorch 用于计算机版本，由脸书人工智能研究实验室开发，具有
C++接口。
举例:
在这个例子中，我们将学习 PyTorch 的实现。
PyTorch 给出了两个重要特征。
- 它提供了类似于 numpy 的 n 维张量。
- 它还提供了在构建和训练神经网络方面的差异。
import numpy as num
import math
X = num.linspace(-math.pi, math.pi, 2500)
y = num.sin(X)
**# Randomly initialize weights**
i = num.random.randn()
j = num.random.randn()
k = num.random.randn()
l = num.random.randn()
learning_rate = 1e-6
for t in range(2500):
**# Forward pass: compute predicted y**
y_pred = i + j * X + k * X ` 2 + l * X ` 3
loss = num.square(y_pred - y).sum()
if t % 100 == 99:
print(t, loss)
** # Backprop to compute gradients of i, j, k, l with respect to loss**
gradient_y_pred = 2.0 * (y_pred - y)
gradient_a = gradient_y_pred.sum()
gradient_b = (gradient_y_pred * X).sum()
gradient_c = (gradient_y_pred * X ** 2).sum()
gradient_d = (gradient_y_pred * X ** 3).sum()
** # Update weights**
i -= learning_rate * gradient_a
j -= learning_rate * gradient_b
k -= learning_rate * gradient_c
l -= learning_rate * gradient_d
print(f'Result: y = {i} + {j} X + {k} X^2 + {l} 5^3')
在上面的代码中，我们将导入 NumPy 和 math 库来增加数学函数列表。
- X = num.linspace(-math.pi，math.pi，2500) 用于创建输入输出数据。
math.pi函数用于返回 pi 的值为 3.14。- loss = num . square(y _ pred–y)。sum() 用于计算损失。
- print(t，loss) 用于打印损失。
输出:
在下面的输出中，我们可以看到屏幕上显示了更新后的重量结果。
What is PyTorch with example
另外，检查:Python 中的tensor flow
使用 Pip 安装 py torch
在本节中，我们将学习如何使用 Python 中的 Pip 命令安装 PyTorch。
PyTorch 用于计算机版本和自然语言处理应用程序。
在安装 PyTorch 之前，我们需要检查 Pip 是否已经安装，如果已经安装，不需要再次安装。
只需使用这个命令检查 Pip 的版本。
pip --version
Pip version
检查完 Pip 的版本后，我们希望安装 PyTorch 的最新版本。
pip install torch
Installation of PyTorch
安装 Pytorch 后，我们可以使用以下命令检查 Pytorch 是否成功安装。
pip show torch
PyTorch installed successfully
如何使用 conda 安装 py torch
在本节中，我们将学习如何在 Python 中使用 conda 安装 PyTorch。
- Conda 是一个运行在 Windows、Linux 和 Mac 上的开源环境管理系统。
这里我们可以使用 conda 命令在 windows 中安装 PyTorch。
- 首先，我们将启动 anaconda 命令提示符来运行 conda 命令。
- 启动 anaconda 命令后，激活 conda 激活 pytorch。
- 之后，导航到您创建文件夹的文件夹。
- 到达该文件夹后，只需输入 jupyter-Notebook 并运行 conda 命令来安装 pytorch。
conda install -c pytorch pytorch
Installation of PyTorch using conda
py torch 的优缺点
在本节中，我们将了解 Python 中 PyTorch 的优点和缺点。
优点:
- PyTorch 是一个易于学习和编码的库。
- 它更快，并提供改进。
- PyTorch 同时支持 GPU 和 CPU。
- 使用调试工具很容易进行调试。
- 它有计算图形支持。
- 它支持云平台。
缺点:
- PyTorch 库并不为所有人所知，使用这个库的用户很少。
- 与其他社区相比，Pytorch 开发人员的社区非常小。
- 在 PyTorch 中，没有像张量板这样的监控工具。
阅读: PyTorch 保存模型
如何使用 PyTorch
在这一节中，我们将学习如何在 Python 中使用和实现 PyTorch 。
- PyTorch 是一个开源的机器学习库，用于计算机视觉和自然语言处理。
- PyTorch 是一个用于处理 n 维张量的库，类似于 NumPy。
- 张量被定义为数据的基本单位，可以是数字、矩阵、向量等。
为了使用 PyTorch 库，我们将首先导入 Torch 模块。
import torch
导入火炬模块后，我们将创建一个单一的数字张量。
t = torch.tensor(7.)
print(t)
print(t.dtype)
Use of PyTorch with tensor
在创建了作为数据的单个数字之后，现在我们正在创建一个带有 2d 张量的 PyTorch。
t = torch.tensor([[2., 3, 4],
[4, 6, 7],
[8, 9, 10]])
print(t)
Use of PyTorch with 2d tensor
创建二维张量后，我们将创建一个三维张量 PyTorch。
t = torch.tensor([
[[15\. , 16, 17],
[18, 19, 20]],
[[25, 26, 27],
[28, 29, 30]]
])
print(t)
Use of PyTorch with 3d tensor
py torch 的部件
在本节中，我们将学习 Python 中 PyTorch 的组件。
在 PyTorch 中，有几个最重要的组件帮助 Torch 实现。
PyTorch 的五个最重要的组成部分是:
- 张量
- 因素
- 模块
- 变量
- 功能
- 张量:张量是一个 n 维数组，类似于 numpy，也是数据的基本单位，可以是数字、矩阵等。
- 参数:当我们希望参数作为某些分量的张量时，使用它，而当我们使用变量时，这是不可能的。参数基本上包含在变量周围。
- 模块:定义为可以携带其他模块、参数等的组件。模块也称为所有神经网络的基类。
- 变量:变量定义为包含在张量周围的分量，用于携带梯度。它存在于火炬之下。
- 函数:它被定义为一个表达式和沃特变量之间的关系。它没有记忆来存储任何状态。
py torch 的应用
在本节中，我们将了解 Pytorch 在 Python 中的应用。
众所周知，PyTorch 用于计算机视觉和自然语言处理应用。
Pytorch 的三个最重要的应用是:
- 计算机视觉
- 自然语言处理
- 强化学习
- 计算机视觉:它被定义为我们的计算机如何从图像中轻松理解并获取重要信息的过程。程序员可以用图像来扩展高度精确的计算机版本模型。
- 自然语言处理(Natural Language Processing):它被定义为赋予计算机理解文本或单词的能力的过程，就像理解人类一样。它被用来开发一个聊天框和语言翻译器。
- 强化学习:它被定义为一种基于反馈的机器学习技术。代理通过执行动作和查看动作的结果来学习在环境中的行为。它被用来开发自动化机器人。
你可能也喜欢阅读下面的教程。
因此，在本教程中，我们讨论了什么是 PyTorch，它是如何使用的,我们还讨论了与其实现相关的不同示例。这是我们已经讨论过的例子列表。
- pytorch 是什么
- 使用 Pip 安装 PyTorch
- 如何使用 conda 安装 PyTorch
- PyTorch 的优缺点
- 如何使用 PyTorch
- PyTorch 的组件
- PyTorch 的应用
Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。
Scikit 在 Python 中学到了什么
想学习 Python 中的 Scikit learn？我们先从Python中的 Scikit 学的是什么？如何安装 scikit-learn 库？如何更新 scikit-learn 库？我们将讨论这些话题。
- scikit 在 Python 中学到了什么
- scikit 学习历史
- scikit 学习的好处
- scikit 学习优点和缺点
- 如何在 Python 中使用 Scikit Learn 的示例
- 如何安装 scikit 学习库
- 如何更新 scikit 学习库
- scikit learn 的功能
目录
- Python 中的 scikit 学的是什么
- sci kit 学习的历史
- sci kit 学习的好处
- scikit 学习的优缺点
- Scikit 在 Python 中学习示例
- 如何安装 scikit 学习
- 如何更新 scikit learn
- scikit learn 的特性
- 结论
Python 中的 scikit 学的是什么
Scikit learn 是一个用于机器学习的库，它专注于数据建模。它只是简单地关注建模，而不是加载和操作数据。
静态建模包括通过 python 中的恒定性接口进行分类、回归和聚类。
sci kit 学习的历史
在本节中，我们将了解 scikit learn 的历史，scikit learn 是在哪一年出现的。这是谁做的，我们简单地了解所有的事情。
- Scikit learn 也称为 sklearn。python 中的 Scikit learn 最初是由 David Cournapeau 在 2007 年开发的。
- 这是谷歌代码之夏项目的一部分。Scikit learn 在 2010 年公开发布了 v0.1 测试版，这对程序员非常有帮助。
- scikit learn 的最新版本是 0.23.1，于 2020 年 5 月发布。在最新版本发布后，一个受驱动的项目诞生了，任何人都可以为他的开发做出贡献。
- scikit learn 是最有用的开源且易于使用的库之一，它简化了编码任务并帮助了程序员。
- python 中的 Scikit learn 在 python 中主要用于关注建模。它只是关注建模，而不是加载数据。
从这个例子中，我们可以看到 scikit 是如何学习库工作的:
n_sample = 5000用于生成样本数据。- centers_init，indexes = k means _ plus plus(X，n_clusters=4，random_state=0) 用于计算 k mean plus plus 的种子。
plot.figure(1)用于在屏幕上绘制种子。plot . title(" K-Mean Clustering ")用于给屏幕上正在绘制的图形命名。
from sklearn.cluster import kmeans_plusplus
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plot
n_sample = 5000
n_component = 4
X, y_true = make_blobs(
n_samples=n_sample, centers=n_component, cluster_std=0.60, random_state=0
)
X = X[:, ::-1]
centers_init, indices = kmeans_plusplus(X, n_clusters=4, random_state=0)
plot.figure(1)
colors = ["red", "blue", "green", "yellow"]
for k, col in enumerate(colors):
cluster_data = y_true == k
plot.scatter(X[cluster_data, 0], X[cluster_data, 1], c=col, marker=".", s=10)
plot.scatter(centers_init[:, 0], centers_init[:, 1], c="b", s=50)
plot.title("K-Mean Clustering")
plot.xticks([])
plot.yticks([])
plot.show()
输出:
运行上面的代码后，我们得到了下面的输出，从中我们可以看到种子根据需要被放在不同的集群中。KMean_Plusplus 是 KMean 的默认初始化。
scikit learn K Mean plusplus clustering
阅读:Scikit-learn Vs tensor flow–详细对比
sci kit 学习的好处
在本节中，我们将了解 Python 中 scikit learn 的优势。
scikit learn 的主要好处是它是开源的，任何人都可以在任何时候使用这个库，并且它很容易使用。
sci kit learn 的好处有:
- 开放源码
- 使用方便
- 自由的
- 正确记录
- 用途广泛
以下是 scikit learn 的优势简介:
- 开源: scikit learn 是一个开源库，可供公众使用。这是公开可用的，甚至在这种情况下，用户可以修改或重定向整个代码。
- 易于使用:众所周知，scikit learn 是一个开源库，任何人都可以随时使用。许多研究机构在其运作中使用 scikit learn，他们一致认为 scikit learn 库易于使用。
- 免费: scikit learn library 是免费使用的，人们不需要任何许可证就可以运行这个库。用户在应用程序上工作时不必担心。
- 正确记录:在 scikit 中了解任务的记录是以正确的方式完成的。Scikit 学习库内容丰富，具有定义明确的 API 文档，可从其网站上获得。
- 用途广泛:Scikit library 是一个用户友好且方便的工具，它可以做多种事情，如识别用户行为，预测客户行为，这证明了它在本质上是多功能的。
scikit 学习的优缺点
这里我们将说明在 python 中使用 scikit learn 库的优点和缺点。
优点:
- scikit 学习库是一个用户友好和方便的工具，它可以做多种事情，如预测客户行为，创建神经图像等。
- 很好用，免费使用。
- Scikit 学习库由贡献者和国际在线社区更新。
- Scikit learn library 为希望将算法与其平台集成的用户提供了 API 文档。
- scikit learn 库是在 BSD 许可下传播的，这使得它在法律和许可限制下是免费的，用户可以在任何时候毫不犹豫地使用它，并在他们的平台上运行这个库。
- 在 scikit learn 中，任务中的文档是以正确的方式完成的，这个库非常广泛。
劣势:
Scikit learn 不是深度学习的最佳选择这是这个库的缺点。
阅读: Scikit 学习决策树
Scikit 在 Python 中学习示例
在这个例子中，我们将使用 sklearn 库。正如我们所知，sklearn 用于数据建模。它只关注数据建模，而不关注数据操作。
- 从 sklearn.datasets 导入 load_iris 用于加载 iris 数据集，该 iris 数据集已经包含在 scikit-learn 中。
X = iris.data用于存储特征矩阵(X)。y = iris.target用于响应向量(y)。feature _ names = iris . feature _ names用于存储特征名称。target _ names = iris . target _ names用于存储目标名称。- print("Feature names:"，feature_names) 用于打印我们数据集的特征。
- print("Target names:"，target_names) 用于打印我们数据集的目标。
- print("\nType of X is:"，type(X)) 在这个 X 和 y 是 numpy 数组。
- 打印(" \n 前 5 行 X:\n "，X[:5]) 用于打印前 5 个输入行。
from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data
y = iris.target
feature_names = iris.feature_names
target_names = iris.target_names
print("Feature names:", feature_names)
print("Target names:", target_names)
print("\nType of X is:", type(X))
print("\nFirst 5 rows of X:\n", X[:5])
输出:
在下面的输出中，我们可以看到在 sklearn 库的帮助下建模的数据被生成。这里我们可以看到 X 的前五行打印在屏幕上。
Scikit learn example
阅读: Scikit 学习功能选择
如何安装 scikit 学习
我们知道 scikit learn 用于关注建模数据。为了对我们的数据建模，我们可以安装 scikit learn 库。
在安装 scikit 之前，我们可以安装 Numpy 和 scipy。
以下命令可用于安装编号。
pip install numpy
在下图中，我们可以看到 NumPy 已经安装，它可以满足所有要求。
NumPy installation
以下命令可用于安装 scipy。
pip install scipy
在下面的输出中，我们可以看到已经安装了 scipy，并且收集了 scipy 的所有包。
如果已经安装了这两个库，则无需再次安装它们，然后进入下一步，安装 scikit 学习库。
pip install scikit-learn
在下面的输出中，我们可以看到我们使用 pip 安装了 scikit-learn 库，它满足了所有的要求。
如果所有的库都已经安装了，当我们不需要再次安装它们时，我们可以根据需要简单地使用和运行这个命令。
如何更新 scikit learn
正如我们所知，scikit 学习库主要用于数据建模。我们可以简单地通过输入 pip install scikit-learn 命令来安装这个库。安装 scikit-learn 库后，我们还可以更新它，以便为该库提供最新版本。
以下命令用于更新 scikit-learn
pip install -U scikit-learn
在下面的输出中，我们可以看到 scikit-learn 库已经更新，并且满足了所有要求。
Updating scikit learn
另外，检查:什么是 PyTorch 以及如何使用它
scikit learn 的特性
正如我们所知，scikit 学习库用于专注于建模数据而不是专注于操作或汇总数据。
这里我们将讨论 scikit 学习库的特性。特征是一个部分吸引力或者我们可以说是重要特征。
以下是 scikit learn 库的特性，我们将在下面进一步讨论:
- 监督学习
- 无监督学习
- 使聚集
- 降维
- 集成方法
- 交互效度分析
- 特征抽出
- 特征选择
- 开放源码
- 监督学习:监督学习是预测建模，它有一个目标变量，数据带有我们想要预测的附加质量。
监督学习进一步分为两类:
- 分类
- 回归
分类:当我们有分类的输出，如“黑”、“白”、“教”、“不教”时，这个问题就叫做分类问题。分类也是一种预测模型，它可以将给定的数据集分类。
回归:一个问题被称为回归问题，其中输出具有连续输出，或者我们可以说它只能预测连续输出。例如“距离”、“公里”等。
2.无监督学习:无监督学习不提供任何上级提供任何种类的指导。在无监督学习中，数据是没有标签的。这里我们有一个输入变量 x，那么就没有相应的输出变量，就像在监督学习中一样。模型需要允许它自己发现信息。
3.聚类:一个聚类问题被定义为你想在哪里发现内在的，或者我们可以说是数据中的永久分组，比如按照购买行为对客户进行分组。
4.降维:数学中的维度已经度量了一个物体的大小或距离。降维是预测建模，它可以减少数据集中输入变量的数量，或者说降维可以减少输入特征。
5.集成方法:集成模型的定义是，它也是一种机器学习技术，将多个模型组合起来形成预测模型，或者我们可以说，它也是多个监督模型的预测的组合。
6.交叉验证:交叉验证是 scikit learn 的特性，它用于研究监督模型的准确性，因为我们知道监督学习是一种预测建模，它有一个目标变量，数据以我们希望对未知数据进行预测的附加质量出现。
7.特征提取:顾名思义从数据集中提取特征，保护原始数据集中的信息或解释文本数据的属性。
8.特征选择:用于从数据集中选择特征，并调整模型使用的预测变量，也用于识别属性以建立监督模型。
9.开源:在这里，开源被定义为任何可以自由或公开使用的特性或程序代码，即使在这里，用户也可以修改或重定向整个代码。它基本上是为公众使用而制造的。开源软件是可供公众使用的计算机软件。
结论
Scikit learn 对于想要解决监督学习问题等预测问题的初学者很有帮助。 scikit learn 能够以简单易行的方式解决所有典型问题。所有的学术机构、研究所和工业组织都使用 scikit learn 库，以一种简单而容易的方式执行各种操作。
因此，在本教程中，我们讨论了 Scikit learn ，我们还讨论了与该库相关的不同示例。这是我们已经讨论过的例子列表。
- scikit 在 Python 中学到了什么
- scikit 学习历史
- scikit 学习的好处
- scikit 学习优点和缺点
- 如何在 Python 中使用 Scikit Learn 的示例
- 如何安装 scikit 学习库
- 如何更新 scikit 学习库
- scikit learn 的功能
Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。
Python 中的 Scipy 是什么
在本 Python 教程中，我们将通过 Scipy 的安装来了解“Python中的 Scipy 是什么”及其特点。此外，我们将讨论以下主题。
- Python 中的 Scipy 是什么？
- 为什么我们在 Python 中使用 Scipy
- SciPy 和 NumPy 的区别
- Scipy 的安装
- 使用 PIP 安装 Scipy
- 使用 Anaconda 安装 Scipy
- 如何在 Python 中导入 Scipy
- Pip 更新副本
- 将副本导入为
目录
- Python 中的 Scipy 是什么？
- 为什么我们在 Python 中使用 Scipy
- 【Scipy 和 NumPy 的区别
- 安装 Scipy
- 使用 Anaconda 安装 Scipy】
- Pip 更新 Scipy
- 将 Scipy 导入为
Python 中的 Scipy 是什么？
Scipy(科学 Python)是一个开源库，有助于计算复杂的数学或科学问题。它有一个内置的数学函数和库，可以在科学和工程中用来解决不同类型的问题。
此外，它还内置了优化算法，特征值问题，微分方程，积分，插值，代数方程，统计等。
Scipy 是 Numpy(数值 Python)的扩展，数据处理速度极快，效率极高。科学是书面语言。
高级命令和类为数据操作和可视化提供了一种简单的方法。它可以与许多不同的环境集成，并拥有大量科学领域的子包。
为什么我们在 Python 中使用 Scipy
Scipy 包含用于数据科学和其他工程领域的优化函数，它是 Numpy 的扩展。它可以执行许多不同种类的科学计算，处理不同的科学问题。
【Scipy 和 NumPy 的区别
Scipy 和 Numpy 是非常重要的库，在 Python 中有大量的函数或方法。下面给出了 Scipy 和 Numpy 的区别。
| 差异基于 | 我的天啊 | Numpy |
|---|---|---|
| 功能 | 它有不同种类的功能，非常详细。 | 它有不同种类的功能，但细节较少。 |
| 操作 | 它执行复杂的运算，如数值算法和代数函数。 | 它做基本的操作，如索引、排序等。 |
| 速度和语言 | Scipy 是用 Python 编写的，所以速度较慢，功能巨大。 |
Numpy 的基础语言是 C ，所以计算速度更快。 |
| 数组 | 它是一个基于函数的库，所以这里没有数组的概念。 | Numpy 中有数组的概念，它可以构建包含同类数据的对象的多维数组。 |
Difference between Scipy and Numpy
安装 Scipy
在这里，我们将按照下面的步骤在 Windows 和 Linux 两个系统上安装 Scipy。
在安装 Scipy 之前，请确保 Python 已经安装在您的系统上，如果您想安装，请访问我们的另一个教程“Python 下载和安装步骤(Windows 10/Unix/Mac/Ubuntu/CentOS)”。
在 Windows 上使用 pip 安装 Scipy】
首先，我们将使用 Python 包管理器***'pip'***在 Windows 上安装 Scipy，它有助于修改现有的包、安装包和删除不必要的包。
打开命令行并运行下面显示的命令来安装 Scipy。
pip install scipy
运行以上命令后，Scipy 成功安装在您的系统上，如下图所示。
What is Scipy and installation on windows
要检查 Scipy 的版本，请打开命令行，在 python 解释器中输入以下代码。
python
读取 Scipy 优化
如何在 Python 中导入 scipy
现在，一旦成功安装了 Scipy 包，下一步就是开始使用它。对于这个任务，首先，我们需要导入它。我们可以使用下面的命令导入包 Scipy。
import scipy
检查安装的 Scipy 的版本。
scipy.version.version
Scipy installation on windows version
输出显示 Scipy 的当前版本是*1.8.0*。
在 Linux 上使用 pip 安装 Scipy】
这里我们将使用 Python 包管理器*pip*在 Linux 系统上安装 Scipy。
首先，通过在终端中运行下面的命令来安装pip。
sudo apt install python3-pip
同样，打开一个终端或在同一个终端中输入下面的命令来安装 Scipy。
pip install scipy
这里，上面的代码在我们的系统上安装了 Scipy。
Scipy installation on Linux
要检查 Scipy 的版本，请打开命令行，在 python 解释器中输入以下代码。
python3
导入软件包 Scipy。
import scipy
检查安装的 Scipy 的版本。
scipy.version.version
Scipy installation on Linux version
上面的输出显示 Scipy 的安装版本是*1.8.0*。
使用 Anaconda 安装 Scipy】
在这里，我们将使用两种方法命令行和 Anaconda Navigator 在 Anaconda 中安装 Scipy。
#1 命令行
在您的系统上使用 Windows 的搜索栏搜索 Anaconda Prompt ，点击如下图所示。
Installation of Scipy using anaconda prompt
通过在提示符下键入以下命令来检查 python 版本。
python --version
然后使用下面的命令安装 Scipy。
pip install scipy
Installation of Scipy using anaconda
要检查 Scipy 的版本，请打开命令行，在 python 解释器中输入以下代码。
python3
导入软件包 Scipy。
import scipy
检查安装的 Scipy 的版本。
scipy.version.version
Installation of Scipy using anaconda prompt version
#2 巨蟒领航员
打开系统上的搜索栏，在搜索栏中键入 anaconda navigator，然后单击它打开，如下面的输出所示。
Installation of Scipy using anaconda navigator
打开*Anaconda Navigator*后，点击左侧面板的Environment选项卡，选择您的主环境，如这里选择的*base (root)*。
然后选择选项Not installed，如下图所示。
Installation of Scipy using anaconda navigator interface
执行上述步骤后，通过在右上角的 搜索包 栏中键入并选择如下输出所示的包来搜索*Scipy*。
Installation of Scipy using anaconda navigator example
选择后，软件包点击应用按钮，如下图所示。
Installation of Scipy using anaconda navigator tutorial
点击*Apply*按钮后，安装了一个 Scipy 包，如下图所示。
Installation of Scipy using anaconda navigator installation successful
Pip 更新 Scipy
当我们在 windows 上运行命令*pip update scipy*将 SciPy 版本更新到最新版本时，它显示一个错误*unknown command update*。
要将 SciPy 更新到最新版本，请使用下面显示的正确命令。
pip install --upgrade scipy
Pip Update Scipy
这就是如何使用命令*pip install --upgrade scipy*将 SciPy 版本更新到最新版本。
将 Scipy 导入为
要使用 SciPy 库或方法，首先，我们需要导入 SciPy 模块，导入 SciPy 库有不同的方法。
第一种是使用下面的代码所示的*import*命令直接导入库。
import scipy
现在使用下面的代码访问 SciPy 库中存在的任何模块。
scipy.linalg.inv
Import Scipy As
使用下面的代码再次导入不同名称的 SciPy 库。
import scipy as sp
在上面的代码中，我们导入了名为sp的库 SciPy，这个名字叫做别名。我们可以选择任何名字。
让我们使用别名访问 SciPy 的模块或方法。
sp.linalg.inv
Import Scipy As Example
这就是如何使用命令import scipy as sp导入 SciPy 库。
另外，看看更多的 Python 教程。
- Python Django 是什么，用于
- Scipy 常量–多个示例
- Scipy Sparse–有用的教程
- Scipy 旋转图像+示例
- Python 中的熊猫是什么
- Python 中的 NumPy 是什么
在本 Python 教程中，我们讨论了什么是 Python 中的 Scipy，我们还讨论了以下主题。
- Python 中的 Scipy 是什么？
- 为什么我们在 Python 中使用 Scipy
- SciPy 和 NumPy 的区别
- Scipy 的安装
- 使用 PIP 安装 Scipy
- 使用 Anaconda 安装 Scipy
- 如何在 Python 中导入 Scipy
- Pip 更新副本
- 将副本导入为
Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。
Tensorflow in Python
在本 Python 教程中，我们将讨论 Tensorflow 库、什么是 Tensorflow 、如何在 Python 中使用它，我们还将涉及以下主题:
- What is Tensorflow
- 张量流的特征
- 如何安装 Tensorflow Python
- Tensorflow 环境设置
- 如何在 Python 中使用 Tensorflow 的示例
- 张量流的优缺点
目录
Python 中的 Tensorflow 是什么
Tensorflow是一个用于机器学习的库，是一个用于数值计算的开源库。- 它用于开发机器学习应用程序，这个库最初是由 Google brain 团队创建的，它是最常见和最成功使用的库，为机器学习应用程序提供了各种工具。
- Tensorflow 库在
Airbnb等行业的很多公司都有使用。这家公司使用 TensorFlow 应用机器学习来检测对象并对图像进行分类。 - 在 Python 中，如果你想在图中移动数据，那么你可以很容易地使用 TensorFlow 库来创建数据流图。基本上，张量是一个 n 维矩阵，表示输入类型，流基于具有边和节点的流图工作。
- 它由谷歌大脑团队创建和编码，建立在移动操作系统和多个 GPU 和 CPU 上。Tensorflow 目前的稳定版本是 2021 年 11 月 1 日发布的 2.6.1。
- 第一个稳定版本在 Apache 开源许可下于
2015发布，随后在【2019 年 9 月发布，命名为Tensorflow 2.0。 - 它被用在许多编程语言中，如
Python、R、C++。它为用户提供了一个数据流图，使数据可以理解。 - 你可以在任何 Jupyter 笔记本、
google collab、Python shell，以及使用 anaconda 的 Django 等 web 应用服务器中使用 Tensorflow 包。
张量流的特征
- 它被用作 Python 编程语言的图形库的可视化。
- 它是一个用于复杂分析的开源库，并且易于构建神经网络。
- 为了处理大量的数据，我们可以很容易地使用 TensorFlow 库。它支持多种编程语言，如 Python、c++和 java。
- 它通过减少开发时间来定义抽象层次，并且很容易在像 CPU 和 GPU 这样的架构上进行训练。
- 它用于显示图像、图表以及部署机器学习模型。它也适用于任何环境，如 Android 和 IOS。
- 张量秩有三种结构，形状和类型。在 Python 中，如果你想训练神经网络模型，那么你可以很容易地使用 TPU(张量处理单元)。
同样，检查:张量流得到形状
Tensorflow 环境设置
- 大家来讨论一下，Tensorflow 在 Windows 10 中的下载安装。要下载 tensorflow 库，您必须安装 conda 软件包管理器。
- 要下载这个软件包，你必须在你的系统中安装 miniconda。打开 Miniconda 官方网站下载 conda 更新版本。
- 一旦你安装了 conda 软件包，然后在 windows 10 中打开开始菜单。之后，打开 conda 提示符创建一个环境。
步骤 1: 在 Conda 提示符下创建一个环境，默认情况下，它采用基本环境。现在检查如何创建一个环境。您可以通过执行以下命令来做到这一点
conda create --name tensor
这里我们必须使用环境名'张量'你可以选择任何名称
Tensorflow environment setup
步骤 2: 要激活这个环境，您可以实现下面的代码
conda activate tensor
上面的命令激活环境
步骤 3: 现在，通过执行以下命令来检查“Tensor”环境是否已成功安装在您的系统上
conda env list
environment setup of Tensorflow
步骤 4: 现在在您环境中的所有 Numpy 、 pandas 和 matplotlib 库中，使用下面的命令
conda install numpy pandas matplotlib scikit-learn
第 5 步:现在从您的开发环境中的 all Tensorflow 库中。您可以通过执行以下命令来做到这一点
conda install -c conda-forge tensorflow
TensorFlow install
为了测试一切是否正常，让我们使用下面的命令进行测试
conda list
通过使用这个命令，可以很容易地检查 TensorFlow 库在环境路径中是否可用
步骤 6: 现在让我们尝试导入 Tensorflow 库，但在导入库之前，您必须安装 jupyter 笔记本。在你的系统中安装 Jupyter 笔记本。您可以很容易地使用下面给出的命令
conda install jupyter notebook
install jupyter
步骤 7: 使用以下命令打开系统中的 jupyter 笔记本
jupyter notebook
现在，您可以通过在 jupyter 笔记本中执行以下命令来检查 Tensorflow 库是否已成功安装在您的系统上:
import tensorflow as tf
d= tf.__version__
print(d)
这是检查 TensorFlow 库在我们的系统中是否可用的最简单的方法。
屏幕上显示程序运行的图片
check version of Tensorflow
另外，检查:模块“TensorFlow”没有属性“session”
如何在 Python 中使用 Tensorflow 的示例
- 在这个程序中，我们首先要导入 TensorFlow 库，然后使用 constant 函数声明变量。
- 在我们的例子中，可以很容易地使用不同类型的张量，比如 tf.constant，tf.variable 等。
- 在这个例子中，我们将使用简单的运算，比如乘法和加法。为了完成这项任务，我们将使用常量函数，在 Python 中，该函数基本上初始化了一个对象，如数组或列表，在该函数中，我们可以轻松地使用-value dtype 参数。
- 使用 tf.variable 时，指示值可以互换，并且它还包含多个参数。当你要训练或设计机器学习的模型时，你必须应用所有这些参数。
语法:
让我们看一下语法，了解一下 tf.constant 和 tf.variables 的工作原理
tf.constant
(
value,
dtype=None,
shape=None,
name='const'
)
- 它由几个参数组成
- value:此参数表示缩放值
- dtype:默认情况下，它不接受任何参数，但是您可以在其中添加 dtype=int、float 值，
- shape:该参数指定数组形状(3，3)的维数。
举例:
import tensorflow as tf
m = tf.constant(34,dtype="int32",name="mul1")
n = tf.constant(34,dtype="int32",name="mul2")
new_output= tf.multiply(m,n)
print(new_output)
下面是以下代码的截图
tf constant Python
现在让我们以 Tensorflow Python 中的 tf.variable 为例
语法:
tf.variable
(
initial_value=None,
trainable=None,
validate_shape=True,
caching_device=None,
name=None,
variable_def=None,
dtype=None,
import_scope=None,
constraint=None,
synchronization=tf.VariableSynchronization.Auto,
aggregation=tf.compat.v1.VariableAggregation.None,
shape=None
)
举例:
import tensorflow as tf
a = tf.Variable([[14, 23],[34, 67]])
b = tf.Variable([[25, 78],[89, 178]])
new_output= tf.add(a,b)
print(new_output)
下面是以下给定代码的实现
tf variable python
tensor flow 的优缺点
优点:
- 这是一个开源库，意味着用户可以很容易地从官方网站下载文件。
- 它的优点是可以很容易地修改性能，还可以更新版本和功能。
- 它是一个通用和兼容的库，可以在 C++、Python、CUDA 等平台上运行。它是一个开源平台，可以在 Linux、Mac o.s 和移动操作系统上运行。
- 它设计后端软件，如(GPU，ASIC)。
缺点:
- 在这个库中，很难得到错误和调试，因为与其他库相比，它是一个更容易和更兼容的库。
- 它每 2-3 个月修改一次版本，最新版本是 Tensorflow 2.0。问题是许多 tf 函数在最新版本中不工作，比如 session 属性。
- 没有对 OpenCL 的支持，我们使用了 GPU 和 TPU。最新的 GPU 是 NVIDIA，它只支持 Python 语言。
您可能也喜欢阅读以下 Python TensorFlow 教程。
在本 Python 教程中，我们讨论了 Tensorflow 库、什么是 Tensorflow 、如何在 Python 中使用它，我们还讨论了以下主题:
- What is Tensorflow
- 张量流的特征
- 如何安装 Tensorflow Python
- Tensorflow 环境设置
- 如何在 Python 中使用 Tensorflow 的示例
- 张量流的优缺点
Python 是美国最流行的语言之一。我从事 Python 工作已经有很长时间了，我在与 Tkinter、Pandas、NumPy、Turtle、Django、Matplotlib、Tensorflow、Scipy、Scikit-Learn 等各种库合作方面拥有专业知识。我有与美国、加拿大、英国、澳大利亚、新西兰等国家的各种客户合作的经验。查看我的个人资料。
