Python中Numpy和Matplotlib基本使用代码示例
本篇文章小编给大家分享一下Python中Numpy和Matplotlib基本使用代码示例，文章代码介绍的很详细，小编觉得挺不错的，现在分享给大家供大家参考，有需要的小伙伴们可以来看看。
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, line);
有许多可用的绘图类型。 查看matplotlib库是一个很快的学习方法。
