這篇文章主要為大家展示了“python常用庫(kù)之NumPy和sklearn怎么用”，內(nèi)容簡(jiǎn)而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領(lǐng)大家一起研究并學(xué)習(xí)一下“python常用庫(kù)之NumPy和sklearn怎么用”這篇文章吧。

創(chuàng)新互聯(lián)是工信部頒發(fā)資質(zhì)IDC服務(wù)器商，為用戶提供優(yōu)質(zhì)的重慶服務(wù)器托管服務(wù)

Numpy 和 scikit-learn 都是python常用的第三方庫(kù)。numpy庫(kù)可以用來(lái)存儲(chǔ)和處理大型矩陣，并且在一定程度上彌補(bǔ)了python在運(yùn)算效率上的不足，正是因?yàn)閚umpy的存在使得python成為數(shù)值計(jì)算領(lǐng)域的一大利器；sklearn是python著名的機(jī)器學(xué)習(xí)庫(kù)，它其中封裝了大量的機(jī)器學(xué)習(xí)算法，內(nèi)置了大量的公開(kāi)數(shù)據(jù)集，并且擁有完善的文檔，因此成為目前最受歡迎的機(jī)器學(xué)習(xí)學(xué)習(xí)與實(shí)踐的工具。

1. NumPy庫(kù)

首先導(dǎo)入Numpy庫(kù)

import numpy as np

1.1 numpy.array 與 list

a = [1,2,3,4,5,6] # python內(nèi)置數(shù)組結(jié)構(gòu)
b = np.array(a) # numpy數(shù)組結(jié)構(gòu)

python有內(nèi)置數(shù)組結(jié)構(gòu)（list），我們?yōu)槭裁催€要使用numpy的數(shù)組結(jié)構(gòu)呢？為了回答這個(gè)問(wèn)題，我們先來(lái)看看python內(nèi)置的數(shù)組結(jié)構(gòu)有什么樣的特點(diǎn)。我們?cè)谑褂胠ist的時(shí)候會(huì)發(fā)現(xiàn)，list數(shù)組中保存的數(shù)據(jù)類型是不用相同的，可以是字符串、可以是整型數(shù)據(jù)、甚至可以是個(gè)類實(shí)例。這種存儲(chǔ)方式很使用，為我們使用帶來(lái)了很多遍歷，但是它也承擔(dān)了消耗大量?jī)?nèi)存的缺陷或不足。為什么這么說(shuō)呢？實(shí)際上list數(shù)組中的每個(gè)元素的存儲(chǔ)都需要1個(gè)指針和1個(gè)數(shù)據(jù)，也就是說(shuō)list中保存的其實(shí)是數(shù)據(jù)的存放地址（指針），它比原生態(tài)的數(shù)組多了一個(gè)存放指針的內(nèi)存消耗。因此，當(dāng)我們想去減少內(nèi)存消耗時(shí)，不妨將list替換成np.array，這樣會(huì)節(jié)省不少的空間，并且Numpy數(shù)組是執(zhí)行更快數(shù)值計(jì)算的優(yōu)秀容器。

1.2 numpy常用操作

創(chuàng)建數(shù)組

np.array([1,2,3]) # 創(chuàng)建一維數(shù)組
np.asarray([1,2,3])
np.array([1,2,3], [4,5,6]) # 創(chuàng)建多維數(shù)組

np.zeros((3, 2)) # 3行2列 全0矩陣
np.ones((3, 2)) #全1矩陣
np.full((3, 2), 5) # 3行2列全部填充5

np.array 和 np.asarray 的區(qū)別：

def asarray(a, dtype=None, order=None):
 return array(a, dtype, copy=False, order=order)

可見(jiàn)，它們區(qū)別主要在于： array會(huì)復(fù)制出一個(gè)新的對(duì)象，占用一份新的內(nèi)存空間，而asarray不會(huì)執(zhí)行這一操作。array類似深拷貝，asarray類似淺拷貝。

數(shù)值計(jì)算

基礎(chǔ)計(jì)算

arr1 = np.array([[1,2,3], [4,5,6]])
arr2 = np.array([[6,5], [4,3], [2,1]])

# 查看arr維度
print(arr1.shape) # (2, 3)

#切片 
np.array([1,2,3,4,5,6])[:3] #array([1,2,3])
arr1[0:2,0:2] # 二維切片

#乘法
np.array([1,2,3]) * np.array([2,3,4]) # 對(duì)應(yīng)元素相乘 array([2,6, 12])
arr1.dot(b) # 矩陣乘法

#矩陣求和
np.sum(arr1) # 所有元素之和 21
np.sum(arr1, axis=0) #列求和 array([5, 7, 9])
np.sum(arr1, axis=1) # 行求和 array([ 6, 15])

# 大最小
np.max(arr1, axis=0/1)
np.min(a, axis=0/1)

進(jìn)階計(jì)算

arr = np.array([[1,2], [3,4], [5,6]])

#布爾型數(shù)組訪問(wèn)方式
print((arr>2))
 """
 [[False False]
 [ True True]
 [ True True]]
 """
print(arr[arr>2]) # [3 4 5 6]

#修改形狀
arr.reshape(2,3)
 """ 
 array([[1, 2, 3],
 [4, 5, 6]])
 """
arr.flatten() # 攤平 array([1, 2, 3, 4, 5, 6])
arr.T # 轉(zhuǎn)置

2. sklearn庫(kù)

若你想快速使用sklearn，我的另一篇博客應(yīng)該可以滿足您的需求，點(diǎn)擊跳轉(zhuǎn)：《ML神器：sklearn的快速使用》

是python的重要機(jī)器學(xué)習(xí)庫(kù)，其中封裝了大量的機(jī)器學(xué)習(xí)算法，如：分類、回歸、降維以及聚類；還包含了監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、數(shù)據(jù)變換三大模塊。sklearn擁有完善的文檔，使得它具有了上手容易的優(yōu)勢(shì)；并它內(nèi)置了大量的數(shù)據(jù)集，節(jié)省了獲取和整理數(shù)據(jù)集的時(shí)間。因而，使其成為了廣泛應(yīng)用的重要的機(jī)器學(xué)習(xí)庫(kù)。下面簡(jiǎn)單介紹一下sklearn下的常用方法。

監(jiān)督學(xué)習(xí)

sklearn.neighbors #近鄰算法
sklearn.svm #支持向量機(jī)
sklearn.kernel_ridge #核-嶺回歸
sklearn.discriminant_analysis #判別分析
sklearn.linear_model #廣義線性模型

sklearn.ensemble #集成學(xué)習(xí)
sklearn.tree #決策樹(shù)
sklearn.naive_bayes #樸素貝葉斯
sklearn.cross_decomposition #交叉分解
sklearn.gaussian_process #高斯過(guò)程

sklearn.neural_network #神經(jīng)網(wǎng)絡(luò)
sklearn.calibration #概率校準(zhǔn)
sklearn.isotonic #保守回歸
sklearn.feature_selection #特征選擇
sklearn.multiclass #多類多標(biāo)簽算法

以上的每個(gè)模型都包含多個(gè)算法，在調(diào)用時(shí)直接import即可，譬如：

from sklearn.linear_model import LogisticRefression
lr_model = LogisticRegression()

無(wú)監(jiān)督學(xué)習(xí)

sklearn.decomposition #矩陣因子分解
sklearn.cluster # 聚類
sklearn.manifold # 流形學(xué)習(xí)
sklearn.mixture # 高斯混合模型
sklearn.neural_network # 無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)
sklearn.covariance # 協(xié)方差估計(jì)

數(shù)據(jù)變換

sklearn.feature_extraction # 特征提取
sklearn.feature_selection # 特征選擇
sklearn.preprocessing # 預(yù)處理
sklearn.random_projection # 隨機(jī)投影
sklearn.kernel_approximation # 核逼近

數(shù)據(jù)集

此外，sklearn還有統(tǒng)一的API接口，我們通?？梢酝ㄟ^(guò)使用完全相同的接口來(lái)實(shí)現(xiàn)不同的機(jī)器學(xué)習(xí)算法，一般實(shí)現(xiàn)流程：

　　step1. 數(shù)據(jù)加載和預(yù)處理

　　step2. 定義分類器, 比如： lr_model = LogisticRegression()

　　step3. 使用訓(xùn)練集訓(xùn)練模型 ： lr_model.fit(X,Y)

　　step4. 使用訓(xùn)練好的模型進(jìn)行預(yù)測(cè)： y_pred = lr_model.predict(X_test)

　　step5. 對(duì)模型進(jìn)行性能評(píng)估：lr_model.score(X_test, y_test)

常見(jiàn)命令：

1. 數(shù)據(jù)集分割

# 作用：將數(shù)據(jù)集劃分為 訓(xùn)練集和測(cè)試集
# 格式：train_test_split(*arrays, **options)
from sklearn.mode_selection import train_test_split
X, y = np.arange(10).reshape((5, 2)), range(5)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)
"""
參數(shù)
---
arrays：樣本數(shù)組，包含特征向量和標(biāo)簽

test_size：
　　float-獲得多大比重的測(cè)試樣本 （默認(rèn)：0.25）
　　int - 獲得多少個(gè)測(cè)試樣本

train_size: 同test_size

random_state:
　　int - 隨機(jī)種子（種子固定，實(shí)驗(yàn)可復(fù)現(xiàn)）
　　
shuffle - 是否在分割之前對(duì)數(shù)據(jù)進(jìn)行洗牌（默認(rèn)True）

返回
---
分割后的列表，長(zhǎng)度=2*len(arrays), 
　　(train-test split)
"""

以上是“python常用庫(kù)之NumPy和sklearn怎么用”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對(duì)大家有所幫助，如果還想學(xué)習(xí)更多知識(shí)，歡迎關(guān)注創(chuàng)新互聯(lián)成都網(wǎng)站設(shè)計(jì)公司行業(yè)資訊頻道！

另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無(wú)理由+7*72小時(shí)售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國(guó)服務(wù)器、虛擬主機(jī)、免備案服務(wù)器”等云主機(jī)租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡(jiǎn)單易用、服務(wù)可用性高、性價(jià)比高”等特點(diǎn)與優(yōu)勢(shì)，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場(chǎng)景需求。

網(wǎng)站欄目：python常用庫(kù)之NumPy和sklearn怎么用-創(chuàng)新互聯(lián)
文章起源：http://m.rwnh.cn/article16/gehdg.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站建設(shè)、網(wǎng)站導(dǎo)航、搜索引擎優(yōu)化、動(dòng)態(tài)網(wǎng)站、面包屑導(dǎo)航、定制網(wǎng)站

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)