Python Numpy和Matplotlib使用 Python中Numpy和Matplotlib的基本使用指南

时间:2021-11-02 HandsomeToDeath 人气:1

想了解Python中Numpy和Matplotlib的基本使用指南的相关内容吗，HandsomeToDeath在本文为您仔细讲解Python Numpy和Matplotlib使用的相关知识和一些Code实例，欢迎阅读和指正，我们先划重点：python中matplotlib用法,numpy和matplotlib使用,python中numpy用法，下面大家一起来学习吧。

1. Jupyter Notebooks

作为小白，我现在使用的python编辑器是Jupyter Notebook,非常的好用，推荐！！！

你可以按[Ctrl] + [Enter]快捷键或按菜单中的运行按钮来运行单元格。

在function(后面按[shift] + [tab]，可以获得函数或对象的帮助。

你还可以通过执行function?获得帮助。

2. NumPy 数组

操作numpy数组是 Python 机器学习（或者，实际上是任何类型的科学计算）的重要部分。在这里我主要快速介绍一下重要基本的功能。

import numpy as np

# 设置随机种子来获得可重复性
rnd = np.random.RandomState(seed=520)

# 生成随机数组
# Array: shape(3, 5); 
#        value: [0, 1]
X = rnd.uniform(low=0.0, high=1.0, size=(3, 5)) 

print(X)

（请注意，NumPy 数组也是从 0 开始的索引）

# 元素访问

# 获取单个元素
# （这里是第一行第一列的元素）
print(X[0, 0])

# 获取一行
# （这里是第二行）
print(X[1])

# 获取一列
# （这里是第二列）
print(X[:, 1])

# 数组转置
print(X.T)

# 创建均匀间隔的数字的行向量。
y = np.linspace(0, 12, 5) # 从0开始，到12结束，数量为5
print(y)

# 将行向量转换为列向量
print(y[:, np.newaxis])


# 获得形状或改变数组形状

# 生成随机数组
rnd = np.random.RandomState(seed=520)
X = rnd.uniform(low=0.0, high=1.0, size=(3, 5))

# X的大小（3，5） 
print(X.shape)

# 将 X 大小变为 (5,3)
X_reshaped = X.reshape(5, 3)
print(X_reshaped)

# 使用整数数组的索引（花式索引）
indices = np.array([3, 1, 0])
print(indices)
# 取X的第4，2，1列作为新数组
X[:, indices]

3. SciPy 稀疏数组

虽然我们平时不会大量使用它们，但稀疏矩阵在某些情况下非常好用。在一些机器学习任务中，尤其是与文本分析相关的任务，数据可能大多为零。存储所有这些零是非常低效的，并且以仅包含“非零”值的方式表示可以更有效。我们可以创建和操作稀疏矩阵，如下所示：

# 创建一个包含大量零的随机数组
rnd = np.random.RandomState(seed=123)

X = rnd.uniform(low=0.0, high=1.0, size=(10, 5))
print(X)

# 将大多数元素设置为零
X[X < 0.7] = 0
print(X)

from scipy import sparse
# 将 X 转换为 CSR（压缩稀疏行）矩阵
X_csr = sparse.csr_matrix(X)
print(X_csr)

# 将稀疏矩阵转换为密集数组
print(X_csr.toarray())

（你可能偶然发现了一种将稀疏表示转换为密集表示的替代方法：numpy.todense；toarray返回一个 NumPy 数组，而todense返回一个 NumPy 矩阵。在本教程中，我们将使用 NumPy 数组，而不是矩阵；scikit-learn 不支持后者。）

CSR 表示对于计算非常有效，但它不适合添加元素。为此，LIL（List-In-List）表示更好：

# 创建一个空的 LIL 矩阵并添加一些项目
X_lil = sparse.lil_matrix((5, 5))

for i, j in np.random.randint(0, 5, (15, 2)):
    X_lil[i, j] = i + j

print(X_lil)
print(type(X_lil))

X_dense = X_lil.toarray()
print(X_dense)
print(type(X_dense))

通常，一旦创建了 LIL 矩阵，将其转换为 CSR 格式很有用（许多 scikit-learn 算法需要 CSR 或 CSC 格式）

X_csr = X_lil.tocsr()
print(X_csr)
print(type(X_csr))

可用于各种问题的可用稀疏格式包括：

CSR（压缩稀疏行）
CSC（压缩稀疏列）
BSR（块稀疏行）
COO（坐标）
DIA（对角线）
DOK（键的字典）
LIL（列表中的列表）

scipy.sparse子模块还有很多稀疏矩阵的函数，包括线性代数，稀疏求解器，图算法等等。

4. Matplotlib

机器学习的另一个重要部分是数据可视化。 Python 中最常用的工具是matplotlib。这是一个非常灵活的包，我们将在这里介绍一些基础知识。

由于使用的是 Jupyter，所以使用 IPython 方便的内置“魔术函数”，即“matoplotlib内联”模式，它将直接在笔记本内部绘制图形。

%matplotlib inline

import matplotlib.pyplot as plt

# 绘制直线
x = np.linspace(0, 10, 100)
plt.plot(x, np.sin(x));

# 散点图
x = np.random.normal(size=500)
y = np.random.normal(size=500)
plt.scatter(x, y);

# 使用 imshow 展示绘图
# - note that origin is at the top-left by default!

x = np.linspace(1, 12, 100)
y = x[:, np.newaxis]

im = y * np.sin(x) * np.cos(y)
print(im.shape)

plt.imshow(im);

# 轮廓图
# - 请注意，此处的原点默认位于左下角！
plt.contour(im);

# 3D 绘图
from mpl_toolkits.mplot3d import Axes3D
ax = plt.axes(projection='3d')
xgrid, ygrid = np.meshgrid(x, y.ravel())
ax.plot_surface(xgrid, ygrid, im, cmap=plt.cm.viridis, cstride=2, rstride=2, linewidth=0);

有许多可用的绘图类型。查看matplotlib库是一个很快的学习方法。

总结

加载全部内容