制作一个网站数据库怎么做,wordpress修改文章固定id,尖叫直播,360制作网站NumPy#xff08;Numerical Python#xff09;是一个开源的Python库#xff0c;广泛用于科学计算。它提供了一个高性能的多维数组对象#xff0c;以及用于处理这些数组的工具和函数。NumPy是数据分析、机器学习、工程和科学研究中不可或缺的工具之一#xff0c;因为它提供… NumPyNumerical Python是一个开源的Python库广泛用于科学计算。它提供了一个高性能的多维数组对象以及用于处理这些数组的工具和函数。NumPy是数据分析、机器学习、工程和科学研究中不可或缺的工具之一因为它提供了简单而高效的数值运算功能。
1.NumPy的主要功能 高效的数组运算NumPy的数组比Python的内置数据结构更加高效和快速。 广播功能能够处理不同大小数组之间的运算。 数学函数包含大量的数学函数用于在数组上执行各种数学运算。 线性代数、傅里叶变换和随机数生成提供了丰富的库和API支持。
NumPy的使用广泛几乎是所有使用Python进行数据科学的项目的基础库之一。
2.NumPy的使用方法
以下是Numpy库的常用方法以下代码可直接复制到jupyter notebook运行。
生成随机数组
# 构造4x4的随机数组
from numpy import *
random.rand(4,4)# 输出array([[0.99764728, 0.06364547, 0.02182546, 0.16433105],[0.63289943, 0.29763976, 0.58491023, 0.28307729],[0.42512921, 0.27926124, 0.11818588, 0.58845666],[0.07451536, 0.65541451, 0.50638315, 0.27005101]])将数组转换成矩阵matrix
# 调用mat函数将数组转换成矩阵matrix
randMatmat(random.rand(4,4))
randMat
# 输出matrix([[0.27496011, 0.9093084 , 0.0018111 , 0.13143669],[0.85885902, 0.94750823, 0.96820938, 0.06107537],[0.67165439, 0.69433003, 0.82237952, 0.25712598],[0.65327732, 0.30190633, 0.65090624, 0.05763251]])求矩阵的逆矩阵
# 矩阵求逆运算
randMat.I# 输出matrix([[-2.27475911, 1.74370229, 0.3710643 , -0.63203529],[ 1.15524442, 0.27630249, -1.52858325, 1.38871436],[ 2.0517843 , -2.27912633, 0.3015267 , 3.06149341],[ 0.98720611, -0.61572784, 0.95857182, -0.9405201 ]])矩阵乘法
# 矩阵乘法
invRandmatrandMat.I
randMat*invRandmat
# 输出matrix([[ 1.00000000e00, 0.00000000e00, 8.32667268e-17,-1.59594560e-16],[ 0.00000000e00, 1.00000000e00, -1.66533454e-16,1.11022302e-16],[-1.11022302e-16, 2.22044605e-16, 1.00000000e00,1.11022302e-16],[ 0.00000000e00, 4.51028104e-17, 0.00000000e00,1.00000000e00]])用矩阵与逆矩阵相乘得到单位阵实际存在误差
# 矩阵乘以其逆矩阵应该是单位矩阵
myEyerandMat*invRandmat # 矩阵乘其逆矩阵结果应为单位阵
myEye-eye(4) # eye(4)将得到一个4阶单位阵
# 输出matrix([[ 0.00000000e00, 0.00000000e00, 8.32667268e-17,-1.59594560e-16],[ 0.00000000e00, 0.00000000e00, -1.66533454e-16,1.11022302e-16],[-1.11022302e-16, 2.22044605e-16, 0.00000000e00,1.11022302e-16],[ 0.00000000e00, 4.51028104e-17, 0.00000000e00,0.00000000e00]])shape函数获得数组的形状
# shape函数是numpy.core.fromnumeric中的函数它的功能是读取矩阵的长度比如shape[0]就是读取矩阵第一维度的长度。
eeye(3)
e.shape[0]# 输出3xrandom.rand(4,3) # 生成一个4x3的数组
x.shape[0]
# 输出4numpy tile方法numpy.tile(A,B)将重复A数组B次这里的B可以时int类型也可以是元组类型。
# tile方法
tile([1,2],5) # 列方向重复5次行默认1次
# 输出array([1, 2, 1, 2, 1, 2, 1, 2, 1, 2])# tile方法
tile([1,2],(2,1)) # 列方向重复2次行1次
# 输出array([[1, 2],[1, 2]])zeros函数创建0数组
# zeros函数
zeros(5)
# 输出array([0., 0., 0., 0., 0.])# zeros函数
zeros([2,3])
# 输出array([[0., 0., 0.],[0., 0., 0.]])3.KNN算法
# kNN算法
from numpy import * # 从NumPy库导入所有功能模块
import operator # 该模块包含一系列对标准运算符的函数化实现例如加法乘法等
def CreateDataSet():grouparray([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]]) # 一个NumPy数组包含了四个二维坐标点。这些点是数据集中的样本labels[A,A,B,B] # 包含了与 group 数组中每个点相对应的类别标签return group,labels # 返回两个值group数组和labels列表group,labelsCreateDataSet() # 将返回的两个值赋值给group和labels变量
group
# 输出array([[1. , 1.1],[1. , 1. ],[0. , 0. ],[0. , 0.1]])labels
# 输出[A, A, B, B]def classify0(inX,dataSet,labels,k): # inX需要分类的输入样本dataSet训练数据集包含多个已知分类的点labels训练数据集中每个点对应的标签k在kNN算法中决定“邻居”数量的参数dataSetSizedataSet.shape[0] # 获取数据集的行数即样本数量print(dataSetSize)diffMattile(inX,(dataSetSize,1))-dataSet # 将输入的点与训练样本做差使用 tile 函数将输入向量 inX 复制成与数据集相同大小的矩阵然后与数据集中的每个点相减计算输入点与数据集中每个点的差异print(这个是dataSet,dataSet)print(这个是测试的输入向量,tile(inX,(dataSetSize,1)))print(这个是点差,diffMat)sqDiffMatdiffMat**2 # 计算出距离平方print(这个是距离平方,sqDiffMat)sqDistancessqDiffMat.sum(axis1) # 计算距离平方和print(这个是距离平方和,sqDistances)distancessqDistances**2 # 开方得出距离sortedDistIndiciesdistances.argsort() # 从小到大排序返回索引print(距离排序后对应的索引,sortedDistIndicies)classCount{} # 初始化一字典来存储每个类别的票数for i in range(k): # 遍历最近的 k 个点并对其类别进行计票voteIlabellabels[sortedDistIndicies[i]]print(voteIlabel)classCount[voteIlabel]classCount.get(voteIlabel,0)1sortedClassCountsorted(classCount.items(),keyoperator.itemgetter(1),reverseTrue) # 根据票数对类别进行排序print(sortedClassCount)return sortedClassCount[0][0]
xclassify0([0,0],group,labels,3)
x# 输出4
这个是dataSet [[1. 1.1][1. 1. ][0. 0. ][0. 0.1]]
这个是测试的输入向量 [[0 0][0 0][0 0][0 0]]
这个是点差 [[-1. -1.1][-1. -1. ][ 0. 0. ][ 0. -0.1]]
这个是距离平方 [[1. 1.21][1. 1. ][0. 0. ][0. 0.01]]
这个是距离平方和 [2.21 2. 0. 0.01]
距离排序后对应的索引 [2 3 1 0]
B
B
A
[(B, 2), (A, 1)]B4.使用k-近邻算法改进约会网站的配对效果
from numpy import zerosdef file2matrix(filename):# 定义标签映射字典label_map {largeDoses: 2, smallDoses: 1, didntLike: 0} # 将字符串标签映射到整数fr open(filename)arrayOLines fr.readlines() # 用readlines()方法读取文件中的每一行并存储在列表arrayOLines中fr.close() # 读取完数据后应关闭文件numberOfLines len(arrayOLines) # 获取行数# 创建返回的NumPy矩阵, 行数为numberOfLines, 列数固定为3returnMat zeros((numberOfLines, 3))classLabelVector [] # 初始化标签列表index 0for line in arrayOLines:line line.strip() # 去掉每行首尾空白listFromLine line.split(\t) # 按\t分割字符串returnMat[index, :] listFromLine[0:3] # 前三个元素存入矩阵# 使用映射字典获取标签classLabelVector.append(label_map[listFromLine[-1]])index 1 # 索引递增为处理下一行数据做准备return returnMat, classLabelVector # 返回数据矩阵和对应的分类标签# 调用函数示例
filename rF:\桌面\python100\files\data\datingTestSet.txt
datingDataMat, datingLabels file2matrix(filename)# 输出数据矩阵查看结果
datingDataMat
# 结果矩阵1-3列分别表示飞行常客里程数、玩视频游戏所耗时间、每周消费的冰激凌数array([[4.0920000e04, 8.3269760e00, 9.5395200e-01],[1.4488000e04, 7.1534690e00, 1.6739040e00],[2.6052000e04, 1.4418710e00, 8.0512400e-01],...,[2.6575000e04, 1.0650102e01, 8.6662700e-01],[4.8111000e04, 9.1345280e00, 7.2804500e-01],[4.3757000e04, 7.8826010e00, 1.3324460e00]])结果数据的可视化散点图取后两维
# 制作原始数据的散点图
import matplotlib
import matplotlib.pyplot as pltfigplt.figure()
axfig.add_subplot(111)
ax.scatter(datingDataMat[:,1],datingDataMat[:,2]) # 取矩阵的第二列玩视频游戏所耗时间、第三列数据每周消费的冰激凌数
plt.show() 取结果矩阵的后两维特征进行可视化优化
# 个性化标记散点图上的点
import matplotlib
import matplotlib.pyplot as pltfigplt.figure() # 创建一个图形实例fig
axfig.add_subplot(111) # 向fig添加一个子图 ax参数 111 表示在一个1x1的网格上创建第一个也是唯一一个子图这是一种快捷方式
ax.scatter(datingDataMat[:,1],datingDataMat[:,2],15.0*array(datingLables),15.0*array(datingLables)) # 将标签数组datingLables转换为NumPy数组并乘以15.0目的是让不同的标签对应的点大小有明显区分
plt.show()取结果矩阵的前两维特征进行可视化
# 个性化标记散点图上的点
# 采用列1飞行常客里程数--x轴和列2玩视频游戏时间--y轴的属性值可以取得更好的效果
import matplotlib
import matplotlib.pyplot as pltfigplt.figure()
axfig.add_subplot(111)
ax.scatter(datingDataMat[:,0],datingDataMat[:,1],15.0*array(datingLables),15.0*array(datingLables)) # 分别取数据矩阵的第一列和第二列作为x轴和y轴的数据
plt.show()以上内容总结自网络如有帮助欢迎转发我们下次再见
