Python中Numpy及Matplotlib使用

HandsomeToDeath發表於2021-11-01
Python

Python中Numpy及Matplotlib使用

1. Jupyter Notebooks

作為小白，我現在使用的python編輯器是Jupyter Notebook,非常的好用，推薦！！！
你可以按[Ctrl] + [Enter]快捷鍵或按選單中的執行按鈕來執行單元格。

在function(後面按[shift] + [tab]，可以獲得函式或物件的幫助。

你還可以通過執行function?獲得幫助。

2. NumPy 陣列

操作numpy陣列是 Python 機器學習（或者，實際上是任何型別的科學計算）的重要部分。 在這裡我主要快速介紹一下重要基本的功能。

import numpy as np

# 設定隨機種子來獲得可重複性
rnd = np.random.RandomState(seed=520)

# 生成隨機陣列
# Array: shape(3, 5); 
#        value: [0, 1]
X = rnd.uniform(low=0.0, high=1.0, size=(3, 5)) 

print(X)

（請注意，NumPy 陣列也是從 0 開始的索引）

# 元素訪問

# 獲取單個元素
# （這裡是第一行第一列的元素）
print(X[0, 0])

# 獲取一行
# （這裡是第二行）
print(X[1])

# 獲取一列
# （這裡是第二列）
print(X[:, 1])

# 陣列轉置
print(X.T)

# 建立均勻間隔的數字的行向量。
y = np.linspace(0, 12, 5) # 從0開始，到12結束，數量為5
print(y)

# 將行向量轉換為列向量
print(y[:, np.newaxis])


# 獲得形狀或改變陣列形狀

# 生成隨機陣列
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)

# 將 X 大小變為 (5,3)
X_reshaped = X.reshape(5, 3)
print(X_reshaped)

# 使用整數陣列的索引（花式索引）
indices = np.array([3, 1, 0])
print(indices)
# 取X的第4，2，1列作為新陣列
X[:, indices]

3. SciPy 稀疏陣列

雖然我們平時不會大量使用它們，但稀疏矩陣在某些情況下非常好用。 在一些機器學習任務中，尤其是與文字分析相關的任務，資料可能大多為零。 儲存所有這些零是非常低效的，並且以僅包含“非零”值的方式表示可以更有效。 我們可以建立和操作稀疏矩陣，如下所示：

# 建立一個包含大量零的隨機陣列
rnd = np.random.RandomState(seed=123)

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

# 將大多數元素設定為零
X[X < 0.7] = 0
print(X)

from scipy import sparse
# 將 X 轉換為 CSR（壓縮稀疏行）矩陣
X_csr = sparse.csr_matrix(X)
print(X_csr)

# 將稀疏矩陣轉換為密集陣列
print(X_csr.toarray())

（你可能偶然發現了一種將稀疏表示轉換為密集表示的替代方法：numpy.todense；toarray返回一個 NumPy 陣列，而todense返回一個 NumPy 矩陣。在本教程中，我們將使用 NumPy 陣列，而不是矩陣；scikit-learn 不支援後者。）

CSR 表示對於計算非常有效，但它不適合新增元素。 為此，LIL（List-In-List）表示更好：

# 建立一個空的 LIL 矩陣並新增一些專案
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，一旦建立了 LIL 矩陣，將其轉換為 CSR 格式很有用（許多 scikit-learn 演算法需要 CSR 或 CSC 格式）

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

可用於各種問題的可用稀疏格式包括：

  • CSR（壓縮稀疏行）
  • CSC（壓縮稀疏列）
  • BSR（塊稀疏行）
  • COO（座標）
  • DIA（對角線）
  • DOK（鍵的字典）
  • LIL（列表中的列表）

scipy.sparse子模組還有很多稀疏矩陣的函式，包括線性代數，稀疏求解器，圖演算法等等。

4. Matplotlib

機器學習的另一個重要部分是資料視覺化。 Python 中最常用的工具是matplotlib。 這是一個非常靈活的包，我們將在這裡介紹一些基礎知識。

由於使用的是 Jupyter，所以使用 IPython 方便的內建“魔術函式”，即“matoplotlib內聯”模式，它將直接在筆記本內部繪製圖形。

%matplotlib inline

import matplotlib.pyplot as plt

# 繪製直線
x = np.linspace(0, 10, 100)
plt.plot(x, np.sin(x));

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

# 使用 imshow 展示繪圖
# - 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);

# 輪廓圖
# - 請注意，此處的原點預設位於左下角！
plt.contour(im);

# 3D 繪圖
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);

有許多可用的繪圖型別。 檢視matplotlib庫是一個很快的學習方法。

相關文章