python常用庫之NumPy和sklearn怎么用

這篇文章主要為大家展示了“python常用庫之NumPy和sklearn怎么用”，內容簡而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領大家一起研究并學習一下“python常用庫之NumPy和sklearn怎么用”這篇文章吧。

Numpy 和 scikit-learn 都是python常用的第三方庫。numpy庫可以用來存儲和處理大型矩陣，并且在一定程度上彌補了python在運算效率上的不足，正是因為numpy的存在使得python成為數值計算領域的一大利器；sklearn是python著名的機器學習庫，它其中封裝了大量的機器學習算法，內置了大量的公開數據集，并且擁有完善的文檔，因此成為目前最受歡迎的機器學習學習與實踐的工具。

1. NumPy庫

首先導入Numpy庫

import numpy as np

1.1 numpy.array 與 list

a = [1,2,3,4,5,6] # python內置數組結構
b = np.array(a) # numpy數組結構

python有內置數組結構（list），我們為什么還要使用numpy的數組結構呢？為了回答這個問題，我們先來看看python內置的數組結構有什么樣的特點。我們在使用list的時候會發現，list數組中保存的數據類型是不用相同的，可以是字符串、可以是整型數據、甚至可以是個類實例。這種存儲方式很使用，為我們使用帶來了很多遍歷，但是它也承擔了消耗大量內存的缺陷或不足。為什么這么說呢？實際上list數組中的每個元素的存儲都需要1個指針和1個數據，也就是說list中保存的其實是數據的存放地址（指針），它比原生態的數組多了一個存放指針的內存消耗。因此，當我們想去減少內存消耗時，不妨將list替換成np.array，這樣會節省不少的空間，并且Numpy數組是執行更快數值計算的優秀容器。

1.2 numpy常用操作

創建數組

np.array([1,2,3]) # 創建一維數組
np.asarray([1,2,3])
np.array([1,2,3], [4,5,6]) # 創建多維數組

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 的區別：

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

可見，它們區別主要在于： array會復制出一個新的對象，占用一份新的內存空間，而asarray不會執行這一操作。array類似深拷貝，asarray類似淺拷貝。

數值計算

基礎計算

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]) # 對應元素相乘 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])

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

進階計算

arr = np.array([[1,2], [3,4], [5,6]])

#布爾型數組訪問方式
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 # 轉置

2. sklearn庫

若你想快速使用sklearn，我的另一篇博客應該可以滿足您的需求，點擊跳轉：《ML神器：sklearn的快速使用》

是python的重要機器學習庫，其中封裝了大量的機器學習算法，如：分類、回歸、降維以及聚類；還包含了監督學習、非監督學習、數據變換三大模塊。sklearn擁有完善的文檔，使得它具有了上手容易的優勢；并它內置了大量的數據集，節省了獲取和整理數據集的時間。因而，使其成為了廣泛應用的重要的機器學習庫。下面簡單介紹一下sklearn下的常用方法。

監督學習

sklearn.neighbors #近鄰算法
sklearn.svm #支持向量機
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 #集成學習
sklearn.tree #決策樹
sklearn.naive_bayes #樸素貝葉斯
sklearn.cross_decomposition #交叉分解
sklearn.gaussian_process #高斯過程

sklearn.neural_network #神經網絡
sklearn.calibration #概率校準
sklearn.isotonic #保守回歸
sklearn.feature_selection #特征選擇
sklearn.multiclass #多類多標簽算法

以上的每個模型都包含多個算法，在調用時直接import即可，譬如：

from sklearn.linear_model import LogisticRefression
lr_model = LogisticRegression()

無監督學習

sklearn.decomposition #矩陣因子分解
sklearn.cluster # 聚類
sklearn.manifold # 流形學習
sklearn.mixture # 高斯混合模型
sklearn.neural_network # 無監督神經網絡
sklearn.covariance # 協方差估計

數據變換

sklearn.feature_extraction # 特征提取
sklearn.feature_selection # 特征選擇
sklearn.preprocessing # 預處理
sklearn.random_projection # 隨機投影
sklearn.kernel_approximation # 核逼近

數據集

此外，sklearn還有統一的API接口，我們通常可以通過使用完全相同的接口來實現不同的機器學習算法，一般實現流程：

　　step1. 數據加載和預處理

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

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

　　step4. 使用訓練好的模型進行預測： y_pred = lr_model.predict(X_test)

　　step5. 對模型進行性能評估：lr_model.score(X_test, y_test)

常見命令：

1. 數據集分割

# 作用：將數據集劃分為 訓練集和測試集
# 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
---
arrays：樣本數組，包含特征向量和標簽

test_size：
　　float-獲得多大比重的測試樣本 （默認：0.25）
　　int - 獲得多少個測試樣本

train_size: 同test_size

random_state:
　　int - 隨機種子（種子固定，實驗可復現）
　　
shuffle - 是否在分割之前對數據進行洗牌（默認True）

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

以上是“python常用庫之NumPy和sklearn怎么用”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！