-
import numpy as np import matplotlib.pyplot as plt def run(): # line # -pai ~ pai之间，包含256个点，显示最后结束点 x = np.linspace(-np.pi, np.pi, 256, endpoint=True) # 定义余弦函数和正弦函数 c, s = np.cos(x), np.sin(x) # 绘图 plt.figure(1) plt.plot(x, c, color='blue', linewidth=1.0, linestyle='-', label="Cos", alpha=0.2) # r代表red，*代表线型 plt.plot(x, s, "r*", label="Sin") plt.title("Cos & Sin") # 显示坐标轴 # 轴的编辑器 ax = plt.gca() # spines 是四周的边线，none代表隐藏 ax.spines["right"].set_color("none") ax.spines["top"].set_color("none") # 位置设置到数据域的 0 位置 ax.spines["left"].set_position(("data", 0)) ax.spines["bottom"].set_position(("data", 0)) plt.show() if __name__ == '__main__': run()查看全部
-
怎么记查看全部
-
print (np.zeros([2, 4]))#输出元素都为0的2行4列数组 print (np.ones([3, 5]))#输出元素都为1 的2行4列数组 print ("Rand:") print (np.random.rand(2, 4))#输出2行4列的随机数组，且都是均匀分布的 print (np.random.rand())#生成一个随机数 print (np.random.randint(1, 14, 5))#在1到14之间生成5个随机数 print (np.random.randn(2, 4))#输出2行4列标准正态分布随机数 print np.random.choice([10.20, 41])#在列表中的数随机选取一个 print (np.random.beta(1,10, 100))#生成一个1-10共100个beta数组查看全部
-
热力图代码查看全部
-
scipy 官网：https://www.scipy.org/查看全部
-
本节代码 #pandas表统计与整合 #均值 print(df.mean()) #方差 print(df.var()) s=pd.Series([1,2,4,np.nan,5,7,9,10],index=dates) print(s) print(s.shift(2)) print(s.diff()) print(s.value_counts()) #累加 print(df.apply(np.cumsum)) #极差 print(df.apply(lambda x:x.max()-x.min())) #表格拼接 pieces=[df[:3],df[-3:]] print (pieces) left=pd.DataFrame({"key":["x","y"],"value":[1,2]}) right=pd.DataFrame({"key":["x","z"],"value":[3,4]}) print("LEFT:",left) print("RIGHT:",right) print(pd.merge(left,right,on="key",how="outer")) df3=pd.DataFrame({"A":["a","b","c","d"],"B":list(range(4))}) print(df3.groupby("A").sum())查看全部
-
from keras.models import Sequential #sequential神经网络各个层的容器 from keras.layers import Dense, Activation #dense是加权求和的层，后者是激活函数 from keras.optimizers import SGD from sklearn.datasets import load_iris from sklearn.cross_validation import train_test_split from sklearn.preprocessing import LabelBinarizer def main(): iris = load_iris() train_data, test_data, train_target, test_target = train_test_split(iris.data, iris.target, test_size=0.2, random_state=1) labels_train = LabelBinarizer().fit_transform(train_target) model = Sequential( [ Dense(5, input_dim=4), Activation("relu"), Dense(3), # label 0 1 2 Activation("sigmoid") ] ) sgd=SGD(lr=0.01, decay=1e-6, momentum=0.9) model.compile(optimizer=sgd, loss="categorical_crossentropy") model.fit(train_data, labels_train, nb_epoch=200, batch_size=40) print(model.predict_classes(test_data)) print(test_target) if __name__=="__main__" : main()查看全部
-
scipy 库是 numpy 基础上增加的众多数学，科学以及工程计算常用的的库函数，例如线性代数，常微分方程，信号处理，图像处理，稀疏矩阵 等查看全部
-
import matplotlib.pyplot as plt import numpy as np %matplotlib inline x=np.linspace(-np.pi,np.pi,256,endpoint=True) c,s=np.cos(x),np.sin(x) plt.figure(1) plt.plot(x,c，color="blue",linewidth=1.0,linesyle="-",lable="COS",alpha=0.5)#plot 中指定自变量，因变量,alpha 定义透明度。 plt.plot(x,s,"r*"，lable="SIN")#r代表red，*代表线型 plt.title("cos&sin") ax=plt.gca() #轴的编辑器 ax.spines["right"].set_color("none") #spines 是四周的边线，none代表隐藏 ax.spines["top"].set_color("none") ax.spines["left"].set_position(("data",0)) #位置设置到数据域的 0 位置 ax.spines["buttom"].set_position(("data",0)) plt.show()查看全部
-
list = np.array([[[1, 2, 3, 4], [4, 5, 6, 7, ]], [[7, 8, 9, 10], [11, 12, 13, 14]], [[15, 16, 17, 18], [19, 20, 21, 22]] ]) axis取值跟维数有关，维数从 0 开始算起，axis值越大，深入的程度越深 print (list.sum(axis=0))# axis表示维度，sxis=0,表示最外层的元素相加 print (list.sum(axis=1))# 表示最外层减一层的元素相加 print (list.max(axis=0)) # 最外层元素中的最大元素值 print (list.min(axis=0)) # 最外层元素中的最小元素值 list1 = np.array([10, 20, 30, 40]) list2 = np.array(([4, 3, 2, 1])) print(list1 + list2) # 对两个list中的元素相加，ps:不是将一个数组中的元素放在另一个后面 print (list1-list2) # 对两个list中的元素相 print (list1**2) # 对两个list中的元素平方 print (list1/list2)# 对两个list中的元素相除 print (list1.reshape([2, 2])) print (list2.reshape([2, 2])) print (np.dot(list1.reshape([2, 2]), list2.reshape([2, 2]))) # 数组点乘 print(np.concatenate((list1,list2),axis = 0)) #将两个数组相连，即list2添加到list1中，传的是tup查看全部
-
python 中的 list 可以放多种类型，numpy 底层是 C 写的，为了达到运算速度，我们要求他只能装下一种类型，可以定义他只能装的数据类型。放入初始化的 list 的时候可以同时指定装入的类型 x=np.array(lst,dtype=np.float) 指定数据类型的时候要以 np. 开头 数据类型：bool,int/8/16/32/64/128,uint8/16/32/64/128,float/16/32/64,complex64/128,string np.array的属性 shape 多少行，多少列 ndim 维度 dtype 数值类型 itemsize 每个元素占的空间大小，字节为单位，float 64 每个元素占 8 个字节 size 大小，有6个元素，size 就是6，共占 6*8=48 字节查看全部
-
对于 numpy 有疑问或者想查阅什么资料，官网无疑是最该浏览的地方 http://www.numpy.org/查看全部
-
print (np.zeros([2, 4]))#输出元素都为0的2行4列数组 print (np.ones([3, 5]))#输出元素都为1 的2行4列数组 print ("Rand:") print (np.random.rand(2, 4))#输出2行4列的随机数组 print (np.random.rand())#生成一个随机数 print (np.random.randint(1, 14, 5))#在1到14之间生成5个随机数 print (np.random.randn(2, 4))#输出正态分布随机数 print np.random.choice([10.20, 41])#在所给的数中随机选取一个数 print (np.random.beta(1,10, 100))#生成一个beta数组查看全部
-
配置文件包括以下配置项： axex: 设置坐标轴边界和表面的颜色、坐标刻度值大小和网格的显示 backend: 设置目标暑促TkAgg和GTKAgg figure: 控制dpi、边界颜色、图形大小、和子区( subplot)设置 font: 字体集（font family）、字体大小和样式设置 grid: 设置网格颜色和线性 legend: 设置图例和其中的文本的显示 line: 设置线条（颜色、线型、宽度等）和标记 patch: 是填充2D空间的图形对象，如多边形和圆。控制线宽、颜色和抗锯齿设置等。 savefig: 可以对保存的图形进行单独设置。例如，设置渲染的文件的背景为白色。 verbose: 设置matplotlib在执行期间信息输出，如silent、helpful、debug和debug-annoying。 xticks和yticks: 为x,y轴的主刻度和次刻度设置颜色、大小、方向，以及标签大小。查看全部
-
老师讲得太好了 老师是学什么的？查看全部
举报
0/150
提交
取消