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
到此这篇关于Python中Numpy和Matplotlib基本使用的文章就介绍到这了,更多相关Python Numpy和Matplotlib使用内容请搜索编程网以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程网！
