正文

数据分析与展示——numpy库入门

Python学习者  Python学习者  2022-09-25  627

关键词：

这是我学习北京理工大学嵩天老师的《Python数据分析与展示》课程的笔记。嵩老师的课程重点突出、层次分明，在这里特别感谢嵩老师的精彩讲解。

NumPy库入门

数据的维度

维度是一组数据的组织形式。数据维度就是在数据之间形成特定关系表达多种含义的一个概念。

一维数据:

一维数据由对等关系的有序或无序数据构成，采用线性方式组织。对应列表、数组和集合等概念。

列表和数组：一组数据的有序结构。

区别：

列表：数据类型可以不同

数组：数据类型相同

二维数据：

二维数据由多个一维数据构成，是一维数据的组合形式。

表格是典型的二维数据。其中，表头是二维数据的一部分

多维数据：

多维数据由一维或二维数据在新维度上扩展形成。例如增加时间维度的表格

高维数据：

高维数据仅利用最基本的二元关系展示数据间的复杂结构。利用键值对将数据组织起来的形成的数据关系。

数据维度的Python表示

一维数据：列表（有序）和集合（无序）类型

二维数据：列表类型

多维数据：列表类型

高维数据：字典类型或数据表示格式（JSON、XML、YAML）

NumPy的数组对象：ndarray

NumPy是一个开源的Python科学计算基础库。NumPy提供了一个强大的N维数组对象ndarray，广播功能函数，整合C/C++/Fortran代码的工具，线性代数、傅里叶变换、随机数生成等功能。NumPy是SciPy、Pandas等数据处理或科学计算库的基础。

Numpy引用：

import numpy as np

尽管别名可以省略或更改，建议使用上述约定的别名

引入ndarray的好处：

范例：计算A² + B³ ，其中，A和B是一维数组

def pySum():
    a = [0,1,2,3,4]
    b = [9,8,7,6,5]
    c = []

    for i in range(len(a)):
        c.append(a[i]**2 + b[i]**3)

    return c

print(pySum())

import numpy as np
def npSum():
    a = np.array([0,1,2,3,4])
    b = np.array([9,8,7,6,5])

    c = a**2 + b**3

    return c

print(npSum())

数组对象可以去掉元素间运算所需要的循环，使一维向量更像单个数据。设置专门的数组对象，经过优化，可以提升这类应用的运算速度。

观察：科学计算中，一个维度所有数据的类型往往相同。

数组对象采用相同的数据类型，有助于节省运算和存储空间。

N维数组对象：ndarray

ndarray是一个多维数组对象，由两部分构成：实际的数据、描述这些数据的元数据（数据维度、数据类型等）。ndarray数组一般要求所有元素类型相同（同质），数组下标从0开始。

使用np.array()生成一个ndarray数组（ndarray在程序中的别名是：array），np.array()输出成 [] 形式，元素由空格分割。

轴（axis）：保存数据的维度
秩（rank）：轴的数量

范例：生成一个ndarray数组

In [1]: import numpy as np

In [2]: a = np.array([[0,1,2,3,4],
   ...:             [9,8,7,6,5]])
   ...:             

In [3]: a
Out[3]: 
array([[0, 1, 2, 3, 4],
       [9, 8, 7, 6, 5]])

In [4]: print(a)
    [[0 1 2 3 4]
    [9 8 7 6 5]]

ndarray对象的属性

属性	说明
.ndim	秩，即轴的数量或维度的数量
.shape	ndarray 对象的尺寸，对于矩阵，n行m列
.size	ndarray对象元素的个数，相当于.shape中的n*m的值
.dtype	ndarray对象元素类型
.itemsize	ndarray对象中每个元素的大小，以字节为单位

范例：测试ndarray的属性

In [5]: a.ndim
Out[5]: 2

In [6]: a.shape
Out[6]: (2, 5)

In [7]: a.dtype
Out[7]: dtype(‘int32‘)

In [8]: a.itemsize
Out[8]: 4

ndarray的元素类型

数据类型	说明
bool	布尔类型，True或False
intc	与C语言中的int类型一致，一般是int32或int64
intp	用于索引的整数，与C语言sszie_t一致，int32或int64
int8	字节长度的整数，取值：[-128,127]
int16	16位长度的整数，取值：[-32768,32767]
int32	32位长度的整数，取值：[-2³¹,2³¹-1]
int64	64位长度的整数，取值：[-2⁶³,2⁶³-1]
uint8	8位无符号整数，取值：[0,255]
uint16	16位无符号整数，取值：[0,255]
uint32	32位无符号整数，取值：[0,2³²-1]
uint64	64位无符号整数，取值：[0,2⁶⁴-1]
float16	16位半精度浮点数：1位符号位，5位指数，10位尾数（(符号)尾数*10^指数）
float32	32位半精度浮点数：1位符号位，5位指数，23位尾数
float64	64位半精度浮点数：1位符号位，11位指数，23位尾数
float64	64位半精度浮点数：1位符号位，11位指数，52位尾数
复数：实部（.real） + j虚部（.imag）
complex64	复数类型，实部和虚部都是32位浮点数
complex128	复数类型，实部和虚部都是64位浮点数

对比：Python语法仅支持整数、浮点数和复数3种类型。ndarray支持多种元素类型的原因：

科学计算涉及数据较多，对存储和性能都有较高要求。
对元素类型精细定义，有助于Numpy合理使用存储空间并优化性能。
对元素类型精细定义，有助于程序员对程序规模有合理评估。

非同质的ndarray对象

ndarray数组可以由非同质对象构成。非同质ndarray元素为对象类型，无法有效发挥Numpy优势，尽量避免使用。

范例：非同质的ndarray对象的类型为Object

In [9]: x = np.array([[0,1,2,3,4],
   ...:             [9,8,7,6] ])
   ...:             

In [10]: x.shape
Out[10]: (2,)

In [11]: x.dtype
Out[11]: dtype(‘O‘)

In [12]: x
Out[12]: array([list([0, 1, 2, 3, 4]), list([9, 8, 7, 6])], dtype=object)

In [13]: x.itemsize
Out[13]: 8

In [14]: x.size
Out[14]: 2

ndarray数组的创建和变换

ndarray数组的创建方法

（1）从Pyhton中的列表、元祖等类型创建ndarray数组。

x = np.array(list/tuple)
x = np.array(list/tuple,dtype=np.float32)

当np.array()不指定dtype时，NumPy将根据数据情况关联一个dtype类型。

范例：创建ndarray数组

In [15]: x = np.array([0,1,2,3])  # 从列表类型创建

In [16]: print(x)
[0 1 2 3]

In [17]: x = np.array((4,5,6,7))  # 从元组类型创建

In [18]: print(x) 
[4 5 6 7]

In [19]: x = np.array([[1,2],[9,8],(0.1, 0.2)])  # 从列表和元组混合类型创建

In [20]: print(x)
[[ 1.   2. ]
 [ 9.   8. ]
 [ 0.1  0.2]]

（2）使用Numpy中函数创建ndarray数组，如：arange，ones，zeros等。

函数	说明
np.arange(n)	类似range()函数，返回ndarray类型，元素从0到n-1
np.ones(shape)	根据shape生成一个全1数组，shape是元组类型
np.zeros(shape)	根据shape生成一个全0数组，shape是元组类型
np.full(shape,val)	g根据shape生成一个数组，每个元素值都是val
np.eye(n)	创建一个正方形的n*n单位矩阵，对角线为1，其余为0
np.ones_like(a)	根据数组a的形状生成一个全1数组
np.zeros_like(a)	根据数组a的形状生成一个全0数组
np.full_like(a,val)	根据数组a形状生成一个数组，每个元素值都是val
使用Numpy中其他函数创建ndarray数组
np.linspace()	根据起止数据等间距地填充数据，形成数组
np.concatenate()	将两个或多个数组合并成一个新的数组

范例：创建ndarray数组

In [21]: np.arange(10)
Out[21]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

In [22]: np.ones((3,6))
Out[22]: 
array([[ 1.,  1.,  1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.,  1.,  1.]])

In [23]: np.zeros((3,6),dtype=np.int32)
Out[23]: 
array([[0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0]])

In [24]: np.eye(5)
Out[24]: 
array([[ 1.,  0.,  0.,  0.,  0.],
       [ 0.,  1.,  0.,  0.,  0.],
       [ 0.,  0.,  1.,  0.,  0.],
       [ 0.,  0.,  0.,  1.,  0.],
       [ 0.,  0.,  0.,  0.,  1.]])

In [25]: x = np.ones((2,3,4))

In [26]: print(x)
[[[ 1.  1.  1.  1.]
  [ 1.  1.  1.  1.]
  [ 1.  1.  1.  1.]]

 [[ 1.  1.  1.  1.]
  [ 1.  1.  1.  1.]
  [ 1.  1.  1.  1.]]]

In [27]: x.shape
Out[27]: (2, 3, 4)

In [28]: a = np.linspace(1, 10, 4)

In [29]: a
Out[29]: array([  1.,   4.,   7.,  10.])

In [30]: b = np.linspace(1, 10, 4, endpoint=False)

In [31]: b
Out[31]: array([ 1.  ,  3.25,  5.5 ,  7.75])

In [32]: c = np.concatenate((a,b))

In [33]: c
Out[33]: array([  1.  ,   4.  ,   7.  ,  10.  ,   1.  ,   3.25,   5.5 ,   7.75])

（3）从字节流（raw bytes）中创建ndarray数组。

（4）从文件中读取特定格式，创建ndarray数组。

ndarray数组的变换

对于创建后的ndarray数组，可以对其进行维度变换和元素类型变换。

ndarray数组的维度变换

方法	说明
.reshape(shape)	不改变数组元素，返回一个shape形状的数组，原数组不变
.resize(shape)	与.reshape()功能一致，但修改原数组
.swapaxes(ax1,ax2)	将数组n个维度中两个维度进行调换
.flatten()	对数组进行降维，返回折叠后的一维数组，原数组不变


In [34]: a = np.ones((2,3,4), dtype=np.int32)

In [35]: a.reshape((3,8))
Out[35]: 
array([[1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1]])

In [36]: a
Out[36]: 
array([[[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]],

       [[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]]])

In [37]: a.resize((3,8))

In [38]: a
Out[38]: 
array([[1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1, 1, 1, 1]])

In [39]: a = np.ones((2,3,4), dtype=np.int32)

In [40]: a.flatten()
Out[40]: 
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1])

In [41]: a
Out[41]: 
array([[[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]],

       [[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]]])

In [42]: b = a.flatten()

In [43]: b
Out[43]: 
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1])

ndarray数组的类型变换

new_a = a.astype(new_type)

范例：数组类型变换

In [44]: a = np.ones((2,3,4), dtype=np.int)

In [45]: a
Out[45]: 
array([[[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]],

       [[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]]])

In [46]: b = a.astype(np.float)

In [47]: b
Out[47]: 
array([[[ 1.,  1.,  1.,  1.],
        [ 1.,  1.,  1.,  1.],
        [ 1.,  1.,  1.,  1.]],

       [[ 1.,  1.,  1.,  1.],
        [ 1.,  1.,  1.,  1.],
        [ 1.,  1.,  1.,  1.]]])

astype()方法一定会创建新的数组（原始数据的一个拷贝），即使两个类型一致。

ndarray数组向列表的转换

ls = a.tolist()

范例：ndarray数组向列表的转换

In [48]: a = np.full((2,3,4), 25, dtype=np.int32)

In [49]: a
Out[49]: 
array([[[25, 25, 25, 25],
        [25, 25, 25, 25],
        [25, 25, 25, 25]],

       [[25, 25, 25, 25],
        [25, 25, 25, 25],
        [25, 25, 25, 25]]])

In [50]: a.tolist()
Out[50]: 
[[[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]],
 [[25, 25, 25, 25], [25, 25, 25, 25], [25, 25, 25, 25]]]

ndarray数组的操作

数组的索引和切片

索引：获取数组中特定位置元素的过程

切片：获取数组元素子集的过程

一维数组的索引和切片：与Python的列表类似

In [51]: a = np.array([9,8,7,6,5])

In [52]: a[2]
Out[52]: 7

In [53]: a[1:4:2]     # 起始编号 : 终止编号（不含） : 步长（3元素冒号分割），编号0开始从左递增，或-1开始从右递减
Out[53]: array([8, 6])

多维数组的索引：

In [54]: a = np.arange(24).reshape((2,3,4))

In [55]: a
Out[55]: 
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

In [56]: a[1,2,3]         # 每个维度一个索引值，逗号分割
Out[56]: 23

In [57]: a[0,1,2]
Out[57]: 6

In [58]: a[-1,-2,-3] 
Out[58]: 17

多维数组的切片：

In [59]: a[: , 1, -3]         # 选取一个维度用
Out[59]: array([ 5, 17])

In [60]: a[: , 1:3, :]         # 每个维度切片方法与一维数组相同
Out[60]: 
array([[[ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[16, 17, 18, 19],
        [20, 21, 22, 23]]])

In [61]: a[: , :, ::2]         # 每个维度可以使用步长跳跃切片
Out[61]: 
array([[[ 0,  2],
        [ 4,  6],
        [ 8, 10]],

       [[12, 14],
        [16, 18],
        [20, 22]]])

ndarray数组的运算

数组与标量之间的运算

数组与标量之间的运算作用于数组的每一个元素

范例：计算a与元素平均值的商

In [62]: a.mean()
Out[62]: 11.5

In [63]: a = a/a.mean()

In [64]: a
Out[64]: 
array([[[ 0.        ,  0.08695652,  0.17391304,  0.26086957],
        [ 0.34782609,  0.43478261,  0.52173913,  0.60869565],
        [ 0.69565217,  0.7826087 ,  0.86956522,  0.95652174]],

       [[ 1.04347826,  1.13043478,  1.2173913 ,  1.30434783],
        [ 1.39130435,  1.47826087,  1.56521739,  1.65217391],
        [ 1.73913043,  1.82608696,  1.91304348,  2.        ]]])

Numpy一元函数

对ndarray中的数据执行元素级运算的函数

函数	说明
np.abs(x) np.fabs(x)	计算数组各元素的绝对值
np.sqrt(x)	计算数组各元素的平方根
np.square(x)	计算数组各元素的平方
np.log(x) np.log10(x) np.log2(x)	计算数组各元素的自然对数、10底对数和2底对数
np.ceil(x) np.floor(x)	计算数组各元素的ceiling值或floor值
np.rint(x)	计算数组各元素的四舍五入值
np.modf(x)	将数组各元素的小数
np.cos(x) np.cosh(x) np.sin(x) np.sinh(x) np.tan(x) np.tanh(x)	计算数组各元素的普通型和双曲型三角函数
np.exp(x)	计算数组各元素的指数值
np.sign(x)	计算数组各元素的符号值，1(+),0,-1(-)

范例：一元函数实例

In [65]: a = np.arange(24).reshape((2,3,4))

In [66]: np.square(a)
Out[66]: 
array([[[  0,   1,   4,   9],
        [ 16,  25,  36,  49],
        [ 64,  81, 100, 121]],

       [[144, 169, 196, 225],
        [256, 289, 324, 361],
        [400, 441, 484, 529]]], dtype=int32)

In [67]: a = np.sqrt(a)

In [68]: a
Out[68]: 
array([[[ 0.        ,  1.        ,  1.41421356,  1.73205081],
        [ 2.        ,  2.23606798,  2.44948974,  2.64575131],
        [ 2.82842712,  3.        ,  3.16227766,  3.31662479]],

       [[ 3.46410162,  3.60555128,  3.74165739,  3.87298335],
        [ 4.        ,  4.12310563,  4.24264069,  4.35889894],
        [ 4.47213595,  4.58257569,  4.69041576,  4.79583152]]])

In [69]: np.modf(a)
Out[69]: 
(array([[[ 0.        ,  0.        ,  0.41421356,  0.73205081],
         [ 0.        ,  0.23606798,  0.44948974,  0.64575131],
         [ 0.82842712,  0.        ,  0.16227766,  0.31662479]],
 
        [[ 0.46410162,  0.60555128,  0.74165739,  0.87298335],
         [ 0.        ,  0.12310563,  0.24264069,  0.35889894],
         [ 0.47213595,  0.58257569,  0.69041576,  0.79583152]]]),
 array([[[ 0.,  1.,  1.,  1.],
         [ 2.,  2.,  2.,  2.],
         [ 2.,  3.,  3.,  3.]],
 
        [[ 3.,  3.,  3.,  3.],
         [ 4.,  4.,  4.,  4.],
         [ 4.,  4.,  4.,  4.]]]))

NumPy二元函数

函数	说明
+ - * / **	两个数组各元素进行对应运算
np.maximum(x,y) np.fmax() np.minimum(x,y) np.fmin()	元素级的最大值/最小值计算
np.mod(x,y)	元素级的模运算
np.copysign(x,y)	将数组y中各元素值的符号赋值给数组x对应元素
> < >= <= == !=	算术比较，产生布尔型数组

范例：NumPy二元函数

In [70]: a = np.arange(24).reshape((2,3,4))

In [71]: b = np.sqrt(a)

In [72]: a
Out[72]: 
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

In [73]: b
Out[73]: 
array([[[ 0.        ,  1.        ,  1.41421356,  1.73205081],
        [ 2.        ,  2.23606798,  2.44948974,  2.64575131],
        [ 2.82842712,  3.        ,  3.16227766,  3.31662479]],

       [[ 3.46410162,  3.60555128,  3.74165739,  3.87298335],
        [ 4.        ,  4.12310563,  4.24264069,  4.35889894],
        [ 4.47213595,  4.58257569,  4.69041576,  4.79583152]]])

In [74]: np.maximum(a,b)
Out[74]: 
array([[[  0.,   1.,   2.,   3.],
        [  4.,   5.,   6.,   7.],
        [  8.,   9.,  10.,  11.]],

       [[ 12.,  13.,  14.,  15.],
        [ 16.,  17.,  18.,  19.],
        [ 20.,  21.,  22.,  23.]]])

In [75]: a > b
Out[75]: 
array([[[False, False,  True,  True],
        [ True,  True,  True,  True],
        [ True,  True,  True,  True]],

       [[ True,  True,  True,  True],
        [ True,  True,  True,  True],
        [ True,  True,  True,  True]]], dtype=bool)

数据分析与展示——numpy数据存取与函数

NumPy库入门NumPy数据存取和函数数据的CSV文件存取CSV文件CSV（Comma-SeparatedValue,逗号分隔值）是一种常见的文件格式，用来存储批量数据。np.savetxt(frame,array,fmt=‘%.18e‘,delimiter=None)frame：文件、字符串或产生器，可以是.gz或.bz2的压... 查看详情

数据分析与展示——matplotlib库入门

Matplotlib库入门Matplotlib库介绍Matliotlib库是Python优秀的数据可视化第三方库。Matliotlib库的效果见：http://matplotlib.org/gallery.htmlMatplotlib库由各种可视化类构成，内部结构复杂，受Matlab启发。matplotlib.pyplot是绘制各类可视化图形的命令... 查看详情

数据分析之numpy库入门

1.列表与数组在python的基础语言部分，我们并没有介绍数组类型，但是像C、Java等语言都是有数组类型的，那python中的列表和数组有何区别呢？一维数据：都表示一组数据的有序结构区别：列表：数据类型可以不同，如：【3.1413,... 查看详情

数据可视化之数据分析与展示

Python数据分析与展本课程共包括4周内容，分别讲解：（1）Python第三方库NumPy，讲解N维数据的表达及科学计算的基本概念和运算方法；（2）Python第三方库Matplotlib，讲解绘制坐标系、散点图、极坐标图等直观展示数据趋势和特点... 查看详情

[学习笔记][数据分析]02numpy入门与应用

01、NumPy基本功能　　　　　　　　※数据类型的转换在实际操作过程中很重要！！！※ 　　　　※ndarray的基本索引与切片※　　布尔型数组的长度必须跟被索引的轴长度一致　　花式索引是利用“整数数组”进行索引。整... 查看详情

python数据分析与展示-数据分析之表示-numpy数据存取与函数(代码片段)

NumPy数据存取与函数数据的CSV文件存取CSV文件CSV(Comma-SeparatedValue,逗号分隔值)CSV是一种常见的文件格式，用来存储批量数据。将数据写入CSV文件np.savetxt(frame,array,fmt=‘%.18e‘,delimiter=None)-frame:文件、字符串或产生器，可以... 查看详情

python机器学习入门——科学计算库（numpy）(代码片段)

目录Numpy优势Numpy效率ndarray介绍ndarray与Python原生list运算效率对比N维数组-ndarrayndarray的属性ndarray的形状,ndarray的类型基本操作生成数组的方法生成0和1的数组:生成数组的方法从现有数组生成生成固定范围的数组生成随机数组使用... 查看详情

numpy库入门

ndarray数组的元素类型 ndarray数组的创建 ndarray数组的操作ndarray数组的运算查看详情

入门python数据分析，请问看啥书籍？

如果你已经决定学习Python数据分析，但是之前没有编程经验，那么，这6本书将会是你的正确选择。《Python科学计算》从发行版的安装开始，这本书将科学计算及可视化的常见函数库，如numpy、scipy、sympy、matplotlib、traits、tvtk、may... 查看详情

numpy库入门

‘‘‘importnumpyasnp一、简介In[17]:a=np.array([[0,1,2,3,4],[9,8,7,6,5]])In[18]:aOut[18]:‘array([[0,1,2,3,4],[9,8,7,6,5]])‘In[19]:print(a)‘[[01234][98765]]‘np.array()生成一个ndarray数组ndarray在程序中所谓别名是：arraynp.arr 查看详情

numpy快速入门笔记

我正以Python作为突破口，入门机器学习相关知识。出于机器学习实践过程中的需要，我快速了解了一下NumPy这个科学计算库的使用方法。下面记录相关学习笔记。简介NumPy是一个科学计算库。结合Python生态系统的其它库，如SciPy、... 查看详情

001.pandas入门

001.Pandas入门（一）1.简介Python的数据分析库基于Numpy实现，经常和Numpy以及Matplotlib一起使用2.定义3.Pandas库的理解3.1数据类型查看详情

pandas之入门(代码片段)

pandas入门由于最近公司要求做数据分析，pandas每天必用，只能先跳过numpy的学习，先学习大Pandas库Pandas是基于Numpy构建的，让以Numpy为中心的应用变得更加简单pandas的数据结构介绍Series由一组数据以及一组数据标签即索引组成import... 查看详情

tensorflow机器学习入门——cifar10数据集的读取展示与保存(代码片段)

基本信息官网：http://www.cs.toronto.edu/~kriz/cifar.html共60000张图片：50000张用于训练、10000张用于测试图片大小为：32X32数据集图片分为10类：每类6000张数据集下载解压后的目录结构：读取、打印和保存数据集中指定的图片：importpicklei... 查看详情

机器学习入门之使用numpy和matplotlib绘制图形(代码片段)

...配置非常简单，结合matplotlib能够非常方便的将计算结果展示成各种图形，如点状图，折线图，散点图。　　先搭建开发环境，首先到 https://www.anaconda.com/download/现在适合你自己的安装包，查看详情

数据分析与展示——matplotlib基础绘图函数示例

Matplotlib库入门Matplotlib基础绘图函数示例pyplot基础图表函数概述函数说明plt.plot(x,y,fmt,...)绘制一个坐标图plt.boxplot(data,notch,position)绘制一个箱体图plt.bar(left,height,width,bottom)绘制一个条形图plt.barh(width,bottom,left,height)绘制一个横向条... 查看详情

kaggle入门题titanic

...harmpython版本：2.7（anaconda库）用到的库：科学计算库numpy,数据分析包pandas,画图包matplotlib,机器学习库sklearn大体步骤分为三步：1.数据分析2.交叉验证3.预测并输出结果导入库函数importnumpyasnpimportpandasaspaimportmatplotlib.pyplotasplfrom... 查看详情

c++线性代数入门库

...在编程的可视化方面也有一些变化。在调试的时候，如何展示中间变量的张量，方便观察和调试是码农的一大需求。python的强大友好编程，直接没有这个问题，直接打印展示，非常方便，这估计也是流查看详情