目錄

第二章 k近鄰算法

1、array.sum(axies = 1) :

2、array.argsort(axies=0/1)

3、array.tile(mat,(m,n))

4、dict.get(key,value)

5、sorted函數(shù)

6、string.strip()函數(shù)

7、string.split()

8、scatter（）函數(shù)

9、min()&max()

10、enumerate（s,0/1）

11、np.where()

12、zip()函數(shù)，壓縮數(shù)據(jù)

13、*list——解壓

14、round(float類(lèi)型的數(shù)，保留小數(shù)的位數(shù)）——保留指定位數(shù)的小數(shù)

第十章 聚類(lèi)算法

1、nonzero()函數(shù)

解釋

2、matrix.A

3.add_axes()新增子區(qū)域

---

第二章 k近鄰算法

1、array.sum(axies = 1) :

返回?cái)?shù)組行向量和組成的數(shù)組

2、array.argsort(axies=0/1)

https://blog.csdn.net/Python798/article/details/81138040

返回返回的是數(shù)組值從小到大的索引值

axies = 0:按列排序

axies = 1:按行排列

3、array.tile(mat,(m,n))

https://www.jianshu.com/p/9519f1984c70

復(fù)制功能，將數(shù)組mat橫向復(fù)制m個(gè)，縱向復(fù)制n個(gè)

4、dict.get(key,value)

根據(jù)鍵名稱(chēng)來(lái)獲得在字典dictionary中對(duì)應(yīng)的值，若在dict中不存在該鍵key，則返回指定的value值，注意這不會(huì)改變?cè)甲值?#xff0c;即不會(huì)將不存在的key添加到字典中去

a = {1:2,3:1} print(a.get(1,999)) print(a.get(4,12)) print(a)2#key存在返回值 12#key不存在返回指定的value {1: 2, 3: 1}#不改變?cè)甲值涞逆I值對(duì)

以下方式會(huì)改變?cè)甲值涞逆I值對(duì)：

a = {1:2,3:1} key = "jjj" print(a) a[key] = a.get(key,0) print(a){1: 2, 3: 1} {1: 2, 3: 1, 'jjj': 0}

5、sorted函數(shù)

根據(jù)一定的規(guī)則（升序or降序）對(duì)指定維度（這里通過(guò)operator來(lái)指定）進(jìn)行排序

sorted(classCount.items(),#獲得所有的鍵值對(duì)，以元組的形式存在，元組存放在一個(gè)列表中key = operator.itemgetter(1),#對(duì)第二個(gè)元素進(jìn)行排序reverse = True)#True表示從大到小進(jìn)行排序

6、string.strip()函數(shù)

去掉字符串首尾空格

7、string.split()

按照指定的劃分規(guī)則將字符串劃分成一個(gè)個(gè)元素組成一個(gè)列表

8、scatter（）函數(shù)

https://blog.csdn.net/TeFuirnever/article/details/88944438?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param

plt.scatter(returnmat[:,0],returnmat[:,1],15*np.array(classLabelVector),#指的是標(biāo)記的大小15*np.array(classLabelVector))#表示的是顏色的值

9、min()&max()

返回最值

array.min(n)

當(dāng)n=0時(shí)，返回的是每一列的最小值組成的列表，當(dāng)n=1，返回的是每一行的最小值組成的列表

對(duì)于max來(lái)說(shuō)同理

10、enumerate（s,0/1）

https://www.cnblogs.com/tylf-lk/p/10133489.html

返回的是一個(gè)元組，（index，value），索引號(hào)和值組成的元組

for i in enumerate(s,1):print(i)

11、np.where()

https://www.cnblogs.com/massquantity/p/8908859.html

根據(jù)一定的篩選條件返回?cái)?shù)值

12、zip()函數(shù)，壓縮數(shù)據(jù)

https://blog.csdn.net/Trent1985/article/details/77096683

將多個(gè)序列的相同位置的元素組合成一個(gè)元組，最后變成一個(gè)列表返回

注意：這里zip所接受的多個(gè)序列的維度必須是一致的，各維度的·長(zhǎng)度也必須是一樣的，否則無(wú)法進(jìn)行配對(duì)

from numpy import array from numpy import int64 loc = (array([180, 180, 181, 181, 236, 236, 236, 236, 237, 237, 237, 237, 238,238, 238, 238], dtype=int64), array([580, 581, 580, 581, 566, 567, 568, 569, 566, 567, 568, 569, 566,567, 568, 569], dtype=int64))loc_ = loc[::-1]#反向進(jìn)行取值 print(*loc_) for i in (zip(*loc_)):print(i)''' [580 581 580 581 566 567 568 569 566 567 568 569 566 567 568 569] [180 180 181 181 236 236 236 236 237 237 237 237 238 238 238 238] (580, 180) (581, 180) (580, 181) (581, 181) (566, 236) (567, 236) (568, 236) (569, 236) (566, 237) (567, 237) (568, 237) (569, 237) (566, 238) (567, 238) (568, 238) (569, 238)'''

13、*list——解壓

將list中的元素獨(dú)立開(kāi)來(lái)，作為獨(dú)立的參數(shù)

https://blog.csdn.net/hellenlee22/article/details/89740923

14、round(float類(lèi)型的數(shù)，保留小數(shù)的位數(shù)）——保留指定位數(shù)的小數(shù)

第十章 聚類(lèi)算法

1、nonzero()函數(shù)

解釋

nonzero(a)

返回?cái)?shù)組a中非零元素的索引值數(shù)組。

（1）只有a中非零元素才會(huì)有索引值，那些零值元素沒(méi)有索引值；
（2）返回的索引值數(shù)組是一個(gè)2維tuple數(shù)組，該tuple數(shù)組中包含一維的array數(shù)組。其中，一維array向量的個(gè)數(shù)與a的維數(shù)是一致的。
（3）索引值數(shù)組的每一個(gè)array均是從一個(gè)維度上來(lái)描述其索引值。比如，如果a是一個(gè)二維數(shù)組，則索引值數(shù)組有兩個(gè)array，第一個(gè)array從行維度來(lái)描述索引值；第二個(gè)array從列維度來(lái)描述索引值。
（4） 該np.transpose(np.nonzero(x))
函數(shù)能夠描述出每一個(gè)非零元素在不同維度的索引值。
（5）通過(guò)a[nonzero(a)]得到所有a中的非零值

鏈接：https://blog.csdn.net/u013698770/article/details/54632047

2、matrix.A

將矩陣mat轉(zhuǎn)換成數(shù)組adrray

https://blog.csdn.net/qq_41800366/article/details/87866932

3.add_axes()新增子區(qū)域

個(gè)人理解就是類(lèi)似于photoshop中的圖層一樣，為圖中圖做準(zhǔn)備

add_axes新增子區(qū)域

add_axes為新增子區(qū)域，該區(qū)域可以座落在figure內(nèi)任意位置，且該區(qū)域可任意設(shè)置大小
可以用來(lái)做一些子圖，圖中圖
考慮如下代碼：
import numpy as np
import matplotlib.pyplot as plt
#新建figure
fig = plt.figure()
#定義數(shù)據(jù)
x = [1, 2, 3, 4, 5, 6, 7]
y = [1, 7, 15, 24, 30, 50, 55]

#新建區(qū)域ax1
#figure的百分比,從figure 10%的位置開(kāi)始繪制, 寬高是figure的80%
left, bottom, width, height = 0.1, 0.1, 0.8, 0.8
#獲得繪制的句柄
ax1 = fig.add_axes([left, bottom, width, height])
ax1.plot(x, y, ‘r’)
ax1.set_title(‘a(chǎn)rea1’)
#新增區(qū)域ax2,嵌套在ax1內(nèi)，看一看圖中圖是什么樣，這就是與subplot的區(qū)別
left, bottom, width, height = 0.2, 0.6, 0.25, 0.25
#獲得繪制的句柄
ax2 = fig.add_axes([left, bottom, width, height])
ax2.plot(x,y, ‘b’)
ax2.set_title(‘a(chǎn)rea2’)
plt.show()

參考鏈接：https://blog.csdn.net/qq_41011336/article/details/83017101

import matplotlib.pyplot as plt import numpy as np import cv2fig = plt.figure()# 獲得圖像窗口句柄 rect0 = [0.1,0.1,0.8,0.8] # left, bottom, width, height rect1 = [0.3,0.3,0.5,0.5] # left, bottom, width, height# 讀取圖片 img = plt.imread(r"E:\Portland.png") img1 = plt.imread(r"E:\二分聚類(lèi)結(jié)果.png")# 新增圖層，在同一個(gè)圖像窗口進(jìn)行繪制，這是每一個(gè)圖層的句柄 ax0 = fig.add_axes(rect0,label='ax0') ax1 = fig.add_axes(rect1,label='ax1')# 顯示圖像 ax0.imshow(img) ax1.imshow(img1)plt.show()

?

?

總結(jié)

以上是生活随笔為你收集整理的【机器学习实战】——常见函数积累的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。