北京网站设计策划公司,建立网页的几个步骤,怎样学设计快速入门,网站效果用什么软件做先导入一下
import numpy as np
一、np.random用法 生成随机整数#xff1a;np.random.randint(low, high, size) low: 最小值high: 最大值size: 生成的数组大小#xff08;可以是多维#xff0c;下面同理#xff09; 生成随机浮点数#xff1a;np.random.uniform(low, …先导入一下
import numpy as np
一、np.random用法 生成随机整数np.random.randint(low, high, size) low: 最小值high: 最大值size: 生成的数组大小可以是多维下面同理 生成随机浮点数np.random.uniform(low, high, size) low: 最小值high: 最大值size: 生成的数组大小 在NumPy中np.random.uniform这个函数的名称中的uniform指的是均匀分布Uniform Distribution。这种分布中所有数值在一定范围内出现的概率是均等的也就是说这个范围内的任何一个数被选中的机会都是一样的。这和其他一些分布不同比如正态分布其中某些数值出现的机率比其他数值高。 具体来说当你使用np.random.uniform(low, high, size)时 low和high参数定义了数值的范围其中low是下限包含high是上限不包含。size参数决定了生成多少个这样的随机数。 举个例子如果你调用np.random.uniform(1, 5, 3)NumPy将会生成一个数组包含3个在1包含到5不包含之间均匀分布的随机浮点数。 因此这个函数被命名为uniform正是因为它生成的是遵循均匀分布规律的随机数。 生成服从正态分布的随机数np.random.normal(loc, scale, size) loc: 均值scale: 标准差size: 生成的数组大小 生成一个随机排列np.random.permutation(x) x: 输入的数组或整数 生成一个随机样本np.random.sample(size) size: 生成的数组大小 生成一个随机种子np.random.seed(seed) seed: 种子值 生成一个符合指定概率分布的随机数np.random.choice(a, size, replace, p) a: 输入的数组size: 生成的数组大小replace: 是否可以重复抽样p: 每个元素被抽样的概率 生成一个随机数组成的矩阵np.random.rand(d0, d1, ..., dn) d0, d1, ..., dn: 矩阵的维度 生成一个随机整数矩阵np.random.randint(low, high, size) low: 最小值high: 最大值size: 生成的矩阵大 小
import numpy as np# 生成一个随机整数
random_int np.random.randint(1, 10, 5)
print(random_int)# 生成一个随机浮点数
random_float np.random.uniform(1.0, 5.0, 5)
print(random_float)# 生成一个服从正态分布的随机数
random_normal np.random.normal(0, 1, 5)
print(random_normal)# 生成一个随机排列
random_permutation np.random.permutation([1, 2, 3, 4, 5])
print(random_permutation)# 生成一个随机样本
random_sample np.random.sample(5)
print(random_sample)# 生成一个随机种子
np.random.seed(0)
random_seed np.random.rand(3)
print(random_seed)# 生成一个符合指定概率分布的随机数
random_choice np.random.choice([1, 2, 3, 4, 5], 3, replaceFalse, p[0.1, 0.2, 0.3, 0.2, 0.2])
print(random_choice)# 生成一个随机矩阵
random_matrix np.random.rand(2, 3)
print(random_matrix)# 生成一个随机整数矩阵
random_int_matrix np.random.randint(1, 10, (2, 3))
print(random_int_matrix)# 生成一个服从均匀分布的随机数
random_uniform np.random.rand(2, 3)
print(random_uniform)输出结果
[9 6 4 8 5]
[1.87678294 4.17125097 4.34816045 4.56395443 1.99147984]
[-0.27015379 -1.82642694 0.96417976 1.38643896 0.23534789]
[5 1 3 2 4]
[0.73823778 0.70459439 0.67601929 0.45422436 0.67000757]
[0.5488135 0.71518937 0.60276338]
[3 4 2]
[[0.891773 0.96366276 0.38344152][0.79172504 0.52889492 0.56804456]]
[[6 9 5][4 1 4]]
[[0.95715516 0.14035078 0.87008726][0.47360805 0.80091075 0.52047748]]
二.一些数据处理函数 np.load
用途这个函数用于加载存储在.npy文件中的NumPy数组。这是一种高效存储和读取NumPy数组数据的方式特别适用于持久化大型数组。
np.astype
用途astype方法允许你复制数组并将其元素转换为一个指定的类型。这在数据处理中非常常见比如将整数数组转换为浮点数数组或者将浮点数数组转换为整数数组。类型转换是数据预处理的一个重要步骤。
np.shape 和 .shape
用途这些用法提供了一种获取NumPy数组维度的方法。np.shape是一个函数而.shape是数组对象的一个属性。了解数组的形状对于进行数组操作如重塑或切片是非常重要的。
np.reshape
用途reshape方法允许在不更改数组数据的前提下给数组一个新的形状。这在将数据准备为特定格式进行机器学习模型训练时尤其有用。
np.std
用途这个函数计算沿指定轴的标准差是度量数据分散程度的一个重要统计量。在数据分析和科学研究中标准差用于衡量数值的波动程度。
np.mean
用途mean函数计算沿指定轴的平均值。平均值是最常用的统计量之一用于描述数据集中趋势的中心位置。
np.max
用途这个函数计算沿指定轴的最大值。在数据分析中了解数据的范围最大值和最小值对于评估数据的分布和极值非常重要。
np.arange
用途arange函数返回一个有等差数列构成的数组。这个函数非常适用于生成序列数据例如生成连续的时间点序列。它是Python内置range函数的NumPy版本但可以生成浮点序列并具有更多的灵活性。
val_X.reshape(val_X.shape[0], -1)的操作并不是将数组重塑为一维数组而是重塑为二维数组其中第一维度保持不变第二维度自动计算以包含剩余的所有元素。
具体来说
val_X.shape[0]这是val_X数组的第一个维度的大小即行数。-1这个参数告诉NumPy自动计算第二个维度的大小以便保持所有数据元素的总数不变。
例如如果val_X原来的形状是(100, 2, 3)这表示有100个2x3的矩阵。执行val_X.reshape(val_X.shape[0], -1)后形状将变为(100, 6)这意味着每个原始的2x3矩阵现在被展平成一个包含6个元素的一维数组但在更大框架下它们作为100行的二维数组存在。
因此reshape操作并没有创建一个真正的一维数组而是创建了一个二维数组其第一维保持为原数组的行数第二维展平了原有的每个子矩阵。 假设我们有一个数组test_Y它表示某种测试数据的标签如下所示
test_Y np.array([1, 2, 1, 3, 2, 1, 3])
我们想要找出所有标签等于1的数据的索引。在这个例子中y的值设为1。 首先np.arange(num_data)生成一个从0开始的等差数列。假设num_data等于test_Y的长度即7那么生成的数组就是[0, 1, 2, 3, 4, 5, 6]。 接下来test_Y 1生成一个布尔数组表示test_Y中每个位置的值是否等于1。对于我们的test_Y结果是 [True, False, True, False, False, True, False] 这意味着在位置0、2和5的值等于1。 最后通过使用上一步生成的布尔数组作为索引我们从步骤1生成的等差数列中选择索引。因此np.arange(num_data)[test_Y 1]的结果将是 [0, 2, 5] 这个结果告诉我们在test_Y数组中值等于1的元素位于原数组的第0、第2和第5个位置。
总结一下这行代码的作用是找出test_Y中所有等于y值的元素的索引并以数组的形式返回这些索引。这种技巧在处理分类问题时特别有用例如当你需要根据分类结果选择或操作数据的子集时。
