快捷導(dǎo)航

Python中Numpy和Matplotlib的基本使用指南

更新時(shí)間：2021年11月02日 11:27:28 作者：HandsomeToDeath

numpy庫處理的最基礎(chǔ)數(shù)據(jù)類型是由同種元素構(gòu)成的多維數(shù)組（ndarray）,而matplotlib 是提供數(shù)據(jù)繪圖功能的第三方庫,其pyplot子庫主要用于實(shí)現(xiàn)各種數(shù)據(jù)展示圖形的繪制,這篇文章主要給大家介紹了關(guān)于Python中Numpy和Matplotlib的基本使用指南,需要的朋友可以參考下

1. Jupyter Notebooks

作為小白，我現(xiàn)在使用的python編輯器是Jupyter Notebook,非常的好用，推薦?。?！

你可以按[Ctrl] + [Enter]快捷鍵或按菜單中的運(yùn)行按鈕來運(yùn)行單元格。

在function(后面按[shift] + [tab]，可以獲得函數(shù)或?qū)ο蟮膸椭?/p>

你還可以通過執(zhí)行function?獲得幫助。

2. NumPy 數(shù)組

操作numpy數(shù)組是 Python 機(jī)器學(xué)習(xí)（或者，實(shí)際上是任何類型的科學(xué)計(jì)算）的重要部分。在這里我主要快速介紹一下重要基本的功能。

import numpy as np

# 設(shè)置隨機(jī)種子來獲得可重復(fù)性
rnd = np.random.RandomState(seed=520)

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

print(X)

（請(qǐng)注意，NumPy 數(shù)組也是從 0 開始的索引）

# 元素訪問

# 獲取單個(gè)元素
# （這里是第一行第一列的元素）
print(X[0, 0])

# 獲取一行
# （這里是第二行）
print(X[1])

# 獲取一列
# （這里是第二列）
print(X[:, 1])

# 數(shù)組轉(zhuǎn)置
print(X.T)

# 創(chuàng)建均勻間隔的數(shù)字的行向量。
y = np.linspace(0, 12, 5) # 從0開始，到12結(jié)束，數(shù)量為5
print(y)

# 將行向量轉(zhuǎn)換為列向量
print(y[:, np.newaxis])


# 獲得形狀或改變數(shù)組形狀

# 生成隨機(jī)數(shù)組
rnd = np.random.RandomState(seed=520)
X = rnd.uniform(low=0.0, high=1.0, size=(3, 5))

# X的大?。?，5） 
print(X.shape)

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

# 使用整數(shù)數(shù)組的索引（花式索引）
indices = np.array([3, 1, 0])
print(indices)
# 取X的第4，2，1列作為新數(shù)組
X[:, indices]

3. SciPy 稀疏數(shù)組

雖然我們平時(shí)不會(huì)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(jī)器學(xué)習(xí)任務(wù)中，尤其是與文本分析相關(guān)的任務(wù)，數(shù)據(jù)可能大多為零。存儲(chǔ)所有這些零是非常低效的，并且以僅包含“非零”值的方式表示可以更有效。我們可以創(chuàng)建和操作稀疏矩陣，如下所示：

# 創(chuàng)建一個(gè)包含大量零的隨機(jī)數(shù)組
rnd = np.random.RandomState(seed=123)

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

# 將大多數(shù)元素設(shè)置為零
X[X < 0.7] = 0
print(X)

from scipy import sparse
# 將 X 轉(zhuǎn)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(zhuǎn)換為密集數(shù)組
print(X_csr.toarray())

（你可能偶然發(fā)現(xiàn)了一種將稀疏表示轉(zhuǎn)換為密集表示的替代方法：numpy.todense；toarray返回一個(gè) NumPy 數(shù)組，而todense返回一個(gè) NumPy 矩陣。在本教程中，我們將使用 NumPy 數(shù)組，而不是矩陣；scikit-learn 不支持后者。）

CSR 表示對(duì)于計(jì)算非常有效，但它不適合添加元素。為此，LIL（List-In-List）表示更好：

# 創(chuàng)建一個(gè)空的 LIL 矩陣并添加一些項(xiàng)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，一旦創(chuàng)建了 LIL 矩陣，將其轉(zhuǎn)換為 CSR 格式很有用（許多 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（坐標(biāo)）
DIA（對(duì)角線）
DOK（鍵的字典）
LIL（列表中的列表）

scipy.sparse子模塊還有很多稀疏矩陣的函數(shù)，包括線性代數(shù)，稀疏求解器，圖算法等等。

4. Matplotlib

機(jī)器學(xué)習(xí)的另一個(gè)重要部分是數(shù)據(jù)可視化。 Python 中最常用的工具是matplotlib。這是一個(gè)非常靈活的包，我們將在這里介紹一些基礎(chǔ)知識(shí)。

由于使用的是 Jupyter，所以使用 IPython 方便的內(nèi)置“魔術(shù)函數(shù)”，即“matoplotlib內(nèi)聯(lián)”模式，它將直接在筆記本內(nèi)部繪制圖形。

%matplotlib inline

import matplotlib.pyplot as plt

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

# 散點(diǎn)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(qǐng)注意，此處的原點(diǎn)默認(rèn)位于左下角！
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);

有許多可用的繪圖類型。查看matplotlib庫是一個(gè)很快的學(xué)習(xí)方法。