这篇教程Python中Numpy和Matplotlib的基本使用指南写得很实用，希望能帮到您。
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5print(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] = 0print(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 + jprint(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 inlineimport 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 Axes3Dax = 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51zixue.net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51zixue.net！
python模块与C和C++动态库相互调用实现过程示例
python机器学习创建基于规则聊天机器人过程示例详解 |
