国产xxxx99真实实拍_久久不雅视频_高清韩国a级特黄毛片_嗯老师别我我受不了了小说

資訊專欄INFORMATION COLUMN

Python 數據科學基礎知識

lwx12525 / 1959人閱讀

摘要:例如,和是非常著名的數據科學支持包。是用進行科學計算的基礎包。意味著是維數組。下面的代碼得到二維數組的,返回的元組中的第一個元素是行數,第二個元素是列數。

翻譯:瘋狂的技術宅
原文:https://towardsdatascience.co...
Python 數據類型

在 Python 中有許多數據類型。最常見的是float(浮點型),int(整型),str(字符串),bool(布爾),list 和 dict(字典)。

float - 用于表示實數。

int - 用于表示整數。

str - 表示文本。可以使用單引號 "value" 、雙引號 “value” 或三引號 """value""" 來定義字符串。三引號字符串可以用在多行文本上,還可以用于注釋。

bool - 用于布爾值。

list - 用于存儲值的集合。

dict - 用于存儲鍵值對。

可以用 type(variable_name) 函數來檢查特定變量的類型。 Python 中的運算符根據變量的類型而表現不同,每個運算符都有不同的內置方法。

下面是在 Python 中創建浮點數、整數、字符串和布爾值變量的例子。

year_of_birth = 1994
height_cm = 170.50
subject = "Data Science"
is_success = True

print(type(year_of_birth), type(height_cm), type(subject), type(is_success))

# 輸出:    
Python 列表

Python 列表是一種基本的序列類型。我們可以使用此類型來存儲值的集合。一個列表可以包含任何類型的值,同時一個列表也可以包含另一個列表進行嵌套。你也可以創建一個混合使用 Python 類型的列表,不過這并不常用。可以使用如下方法創建一個列表:

fruits = ["pineapple", "apple", "lemon", "strawberry", "orange", "kiwi"]
列表子集

可以用索引從列表中獲取單個或多個元素。在Python中,索引從 0 開始。因此,列表中的第一個元素對應索引 0。我們還可以使用負索引來訪問元素,列表中的最后一個元素的索引為 -1,倒數第二個元素的索引是 -2,依此類推。我們在Python中也有一個名為 切片 的東西,可用于從列表中獲取多個元素。可以這樣使用: sliceable[start_index:end_index:step]

start_index 是切片的起始索引,此索引所在的元素包含在結果中,默認值為 0

end_index 是切片的結束索引,此索引處的元素不會被包含到結果當中,默認值將是列表的長度。此外,如果 step 為負值,則默認值可以是 負的列表的長度 - 1。如果跳過此步驟,你會得到從開始索引到結尾的所有元素。

step 是索引增加的數量,默認值為 1。如果把 step 設為負值,會從后向前移動。

fruits = ["pineapple", "apple", "lemon", "strawberry", "orange", "kiwi"]
fruits[1]  # apple
fruits[0]  # "pineapple"
fruits[-1] # "kiwi"
fruits[5]  # "kiwi"
fruits[-3] # "strawberry"

# List slicing
fruits[::]    # ["pineapple", "apple", "lemon", "strawberry", "orange", "kiwi"]
fruits[0:2]   # ["pineapple", "apple"]
fruits[-2:-1] # ["orange"]
fruits[3:]    # ["strawberry", "orange", "kiwi"]
fruits[:4]    # ["pineapple", "apple", "lemon", "strawberry"]
fruits[:]     # ["pineapple", "apple", "lemon", "strawberry", "orange", "kiwi"]
fruits[::-1]  # ["kiwi", "orange", "strawberry", "lemon", "apple", "pineapple"]
fruits[::-2]  # ["kiwi", "strawberry", "apple"]
fruits[::2]   # ["pineapple", "lemon", "orange"]

# Understanding some default values
fruits[0:6:1]    # 與fruits[::]的結果相同
fruits[-1:-7:-1] # 與fruits[::-1]的結果相同
操作列表

可以用 append 方法或 + (加法運算符)將單個或多個元素添加到列表當中。如果你對兩個列表使用加法運算符,Python 將給出兩個列表合并后的新列表。

可以用方括號來修改列表中的單個或多個元素。

可以用 remove(value) 方法從列表中刪除一個元素。此方法用參數傳入的值刪除列表中存儲的第一個相同元素。

# 添加一個元素
fruits.append("peach")
fruits 
#輸出 ["pineapple", "apple", "lemon", "strawberry", "orange", "kiwi", "peach"]

fruits = fruits + ["fig", "melon"]
fruits 
#輸出 ["pineapple", "apple", "lemon", "strawberry", "orange", "kiwi", "peach", "fig", "melon"]

# 修改
fruits[0:2] = ["grape", "mango"]
fruits 
#輸出 ["grape", "mango", "lemon", "strawberry", "orange", "kiwi", "peach", "fig", "melon"]

# 從列表中刪除
fruits.remove("mango")
fruits 
#輸出 ["grape", "lemon", "strawberry", "orange", "kiwi", "peach", "fig", "melon"]

了解列表背后的工作機制非常重要。當創建新列表 my_list 時,列表會存儲在計算機內存中,該列表的地址被存儲在 my_list 變量中。變量 my_list 不包含列表中的元素,它只包含對列表的引用。如果我們用等號去復制一個列表時,比如 my_list_copy = my_list,你復制的只是列表的引用而不是列表的值。所以如果要復制列表實際的值,可以用 list(my_list) 函數或切片 [ : ]

numbers = [10, 42, 28, 420]
numbers_copy = numbers
numbers_copy[2] = 100
numbers      # [10, 42, 100, 420]
numbers_copy # [10, 42, 100, 420]

ratings = [4.5, 5.0, 3.5, 4.75, 4.00]
ratings_copy = ratings[:]
ratings_copy[0] = 2.0
ratings      # [4.5, 5.0, 3.5, 4.75, 4.0]
ratings_copy # [2.0, 5.0, 3.5, 4.75, 4.0]

characters = ["A", "B", "C"]
characters_copy = list(characters)
characters_copy[-1] = "D"
characters      # ["A", "B", "C"]
characters_copy # ["A", "B", "D"]
Python字典

字典用于存儲鍵值對形式的數據。當你希望通過唯一鍵對值進行索引時很有用。在 Python 中,可以使用花括號創建字典,鍵和值由冒號分隔。如果想獲得給定鍵的值,可以這樣做:our_dict[key]

字典與列表

讓我們看一個例子,比較一下列表和詞典。假如有一些電影,我們想存儲它們的評級,另外還希望通過電影名稱來非常快速地訪問電影的評級。這時可以用兩個列表或一個字典來完成這類操作。在例子中,movies.index(“Ex Machina”)代碼返回電影 “Ex Machina” 的索引。

使用列表

movies = ["Ex Machina", "Mad Max: Fury Road", "1408"]
ratings = [7.7, 8.1, 6.8]

movie_choice_index = movies.index("Ex Machina")
print(ratings[movie_choice_index]) # 7.7

使用字典

ratings = {
    "Ex Machina": 7.7,
    "Mad Max: Fury Road": 8.1,
    "1408" : 6.8
}

print(ratings["Ex Machina"]) # 7.7

可以看出,使用字典更加直觀和方便。

操作字典

可以對詞典中的數據進行添加更新刪除操作。當添加或更新數據時,可以簡單地使用 our_dict[key] = value,想要刪除一個鍵值對時,可以用 del(our_dict[key]) 操作。

ratings["Deadpool"] = 8.0
print(ratings) 
# {"Ex Machina": 7.7, "Mad Max: Fury Road": 8.1, "1408": 6.8, "Deadpool": 8.0}

ratings["Ex Machina"] = 7.8
print(ratings) 
# {"Ex Machina": 7.8, "Mad Max: Fury Road": 8.1, "1408": 6.8, "Deadpool": 8.0}

del(ratings["1408"])
print(ratings) 
# {"Ex Machina": 7.8, "Mad Max: Fury Road": 8.1, "Deadpool": 8.0}

還可以檢查給定的鍵是否在字典中:key in our_dict

print("Ex Machina" in ratings) # True
函數

函數是解決特定問題的可重用代碼。可以用 def 關鍵字編寫函數:

def is_prime(n):
    if n <= 1:
        return False
    elif n <= 3:
        return True
    elif n % 2 == 0 or n % 3 == 0:
        return False
    current_number = 5
    while current_number * current_number <= n:
        if n % current_number == 0 or n % (current_number + 2) == 0:
            return False
        current_number = current_number + 6
    return True

不過 Python 中有許多內置函數,例如 max( iterable[,key] )min( iterable [,key] )type( object )round( number[,ndigits] ) 等。所以當我們需要一個解決某個問題的函數時,可以先研究一下是否存在相關的內置函數或 Python 包。沒有必要去“重新發明輪子”。

方法

我們已經知道 Python 中有字符串,浮點數,整數,布爾值等類型。這些數據結構都是一個對象。方法是一種可用于給定對象的函數,具體取決于對象的類型。所以每個對象都有一個特定的類型和一組方法,具體形式取決于給出的類型。

# 字符串方法
text = "Data Science" 
text.upper() # "DATA SCIENCE"
text.lower() # "data science"
text.capitalize() # "Data science"

# 列表方法
numbers = [1, 4, 0, 2, 9, 9, 10]
numbers.reverse()
print(numbers) # [10, 9, 9, 2, 0, 4, 1]
numbers.sort()
print(numbers) # [0, 1, 2, 4, 9, 9, 10]

# 字典方法
ratings = {
    "Ex Machina": 7.7,
    "Mad Max: Fury Road": 8.1,
    "1408" : 6.8
}

print(ratings.keys()) # dict_keys(["Ex Machina", "Mad Max: Fury Road", "1408"])
print(ratings.values()) # dict_values([7.7, 8.1, 6.8])
print(ratings.items()) # dict_items([("Ex Machina", 7.7), ("Mad Max: Fury Road", 8.1), ("1408", 6.8)])

不同類型的對象可以有相同名稱的方法。根據對象的類型,方法有各自不同的行為。

numbers = [10, 30, 55, 40, 8, 30]
text = "Data Science"

numbers.index(8)  # 4
text.index("a")   # 1

numbers.count(30) # 2
text.count("i")   # 1

務必要小心!某些方法可以更改調用它們的對象。例如在列表類型上調用append()方法時。

模塊是包含 Python 定義和聲明的文件。用于定義解決特定問題的函數、方法和新的 Python 類型。

包是模塊的集合。有許多 Python 包涵蓋了不同領域的解決方案。例如,NumPy、matplotlib、seaborn 和 scikit-learn 是非常著名的數據科學支持包。

NumPy 用于有效地處理數組

matplotlib 和 seaborn 是流行的數據可視化庫

scikit-learn 是一個功能強大的機器學習庫

默認情況下,Python 中有一些內置包,但是我們還需要更多的包,這些默認是不安裝的。如果想要使用某個軟件包,它就必須是已經安裝好的,或者先用 pip 安裝( Python的包管理系統 )。

另外,還有一種叫做Anaconda 的東西。

Anaconda Distribution 是一個免費,易于安裝的包管理器、環境管理器和 Python 發行版,其中包含1,000多個開源軟件包,并提供免費的社區支持。

所以如果你不想安裝太多的包,我建議你用 Anaconda。這個發行版中有很多有用的包。

導入聲明

安裝所需的包后,可以把它們導入 Python 代碼文件。可以從中導入整個包、子模塊或特定函數。另外還可以為包設置別名。可以從下面的例子中看到 import 語句的不同方式。

簡單的導入

import numpy
numbers = numpy.array([3, 4, 20, 15, 7, 19, 0])

導入的同時設置別名

import numpy as np # np 是 numpy 包的別名
numbers = np.array([3, 4, 20, 15, 7, 19, 0]) # 工作正常
numbers = numpy.array([3, 4, 20, 15, 7, 19, 0]) # 出錯,NameError: name "numpy" is not defined

從包導入子模塊并設置別名

# 從 matplotlib 包中導入 pyplot 子模塊并設置別名 "plt"
import matplotlib.pyplot as plt

僅從包中導入一個函數

from numpy import array
numbers = array([3, 4, 20, 15, 7, 19, 0]) # 工作正常
numbers = numpy.array([3, 4, 20, 15, 7, 19, 0]) # 出錯,NameError: name "numpy" is not defined
type(numbers) # 輸出:numpy.ndarray

我們也可以這樣導入: from numpy import *。星號表示從該模塊導入所有內容。這條 import 語句會在當前命名空間中為 numpy 模塊定義的所有公共對象創建引用。換句話說,我們可以使用 numpy 中的所有可用函數,在函數名稱可以不帶前綴。例如,現在我們可以這樣使用 NumPy 的絕對值函數: absolute(),而不是numpy.absolute()

但是,我不建議你使用它,因為:

如果從某些模塊中導入所有函數,那么當前的命名空間將填充過多的函數,如果有人查看我們的代碼的話,他可能會對某個函數到底屬于哪個包而感到困惑。

如果兩個模塊具有相同名稱的函數,則第二個導入的將會覆蓋第一個模塊的函數。

NumPy

NumPy 是用 Python 進行科學計算的基礎包。它非常快速且易于使用。這個包能夠幫助我們按元素進行計算(逐個元素)。

常規的 Python 列表不知道如何以元素方式進行操作。當然我們也可以用 Python 列表去做科學計算,但是它非常慢,而且還需要編寫更多的代碼來得到想要的結果。更多時候使用 NumPy 才是一個聰明的主意。

與常規 Python 列表不同,NumPy 數組中的元素總是只有一種類型。如果我們將一個不同類型的數組傳遞給np.array(),可以用參數 dtype 設定想要的類型。如果沒有給出此參數,則會將類型確定為保存對象所需的最小類型。

NumPy 數組 —— 類型轉換

np.array([False, 42, "Data Science"])   # array(["False", "42", "Data Science"], dtype="

NumPy 數組有自己的屬性和方法。你是不是還記得前面說過 Python 運算符在不同的數據類型上表現也不一樣?在NumPy 中運算符在這方面表現得很好。

NumPy 數組上的運算符

np.array([37, 48, 50]) + 1 # array([38, 49, 51])
np.array([20, 30, 40]) * 2 # array([40, 60, 80])
np.array([42, 10, 60]) / 2 # array([ 21.,   5.,  30.])

np.array([1, 2, 3]) * np.array([10, 20, 30]) # array([10, 40, 90])
np.array([1, 2, 3]) - np.array([10, 20, 30]) # array([ -9, -18, -27])

如果檢查 NumPy 數組的類型,結果會是 numpy.ndarray。 ndarray 意味著是 n 維數組。在前面的例子中用了一維數組,但是也可以使用 2, 3, 4 甚至更多維數組。我們可以在數組上進行子集化,而這與該數組的維數無關。下面是一些二維數組的例子。

二維數組的子集

numbers = np.array([
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9],
    [10, 11, 12]
])

numbers[2, 1]     # 8
numbers[-1, 0]    # 10
numbers[0]        # array([1, 2, 3])
numbers[:, 0]     # array([ 1,  4,  7, 10])
numbers[0:3, 2]   # array([3, 6, 9])
numbers[1:3, 1:3] # array([[5, 6],[8, 9]])

如果想要知道一個 numpy 數組有多少個維度,以及每個維度有多少個元素,可以用 shape 屬性。下面的代碼得到二維數組的shape,返回的元組中的第一個元素是行數,第二個元素是列數。

NumPy 的 shape屬性

numbers = np.array([
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9],
    [10, 11, 12],
    [13, 14, 15]
])

numbers.shape # (5, 3)
基本統計

分析數據的第一步是熟悉數據。 NumPy 有一些基本方法來幫助我們做到這一點。

np.mean() - 返回算術平均值(元素之和除以元素的個數)。

np.median() - 返回中位數(傳入的數組的中間值,如果數組的長度是偶數,將計算兩個中間值的平均值)

np.corrcoef() - 返回一個相關矩陣。當我們想要查看數據集中兩個變量之間是否存在相關性時,或者在兩個具有相同長度的數組之間存在相關性時,這個函數非常有用。

np.std() - 返回標準偏差

learning_hours = [1, 2, 6, 4, 10]
grades = [3, 4, 6, 5, 6]

np.mean(learning_hours)   # 4.6
np.median(learning_hours) # 4.0
np.std(learning_hours)    # 3.2
np.corrcoef(learning_hours, grades) 
# 輸出:[[ 1.          0.88964891][ 0.88964891  1.        ]]

使用 NumPy 生成基本統計信息

從上面的例子中,我們可以看到學習時間和成績之間存在高度相關性。

此外還可以看到:

學習時間的平均值是 4.6

學習時間的中位數為 4.0

學習時間的標準差為 3.2

NumPy 還有一些基本函數,如 np.sort()np.sum() ,在基本的 Python 列表中也有同樣的函數。不過需要注意的是 NumPy 在數組中會強制統一類型,這加快了計算速度。

文章版權歸作者所有,未經允許請勿轉載,若此文章存在違規行為,您可以聯系管理員刪除。

轉載請注明本文地址:http://specialneedsforspecialkids.com/yun/43584.html

相關文章

  • 學習Python:做數據科學還是網站開發?

    摘要:屬于前一種,而且日益被用于數學計算機器學習和多種數據科學應用。近來,由于擁有多個針對機器學習自然語言處理數據視覺化數據探索數據分析和數據挖掘的插件,豐富的數據科學生態體系得到了較大的發展,甚至有將數據科學社區化的趨勢。 譯者注:本文的英文原文地址是:Python for Data Science vs Python for Web Development,發布時間是10月29日。譯者一...

    neu 評論0 收藏0
  • 從入門到求職,成為數據科學家的終極指南

    摘要:我強烈推薦這本書給初學者,因為本書側重于統計建模和機器學習的基本概念,并提供詳細而直觀的解釋。關于完善簡歷,我推薦以下網站和文章怎樣的作品集能幫助我們找到第一數據科學或機器學習方面的工作簡歷是不夠的,你還需要作品集的支撐。 showImg(https://segmentfault.com/img/bVblJ0R?w=800&h=533); 作者 | Admond Lee翻譯 | Mik...

    yanwei 評論0 收藏0
  • ApacheCN 人工智能知識樹 v1.0

    摘要:貢獻者飛龍版本最近總是有人問我,把這些資料看完一遍要用多長時間,如果你一本書一本書看的話,的確要用很長時間。為了方便大家,我就把每本書的章節拆開,再按照知識點合并,手動整理了這個知識樹。 Special Sponsors showImg(https://segmentfault.com/img/remote/1460000018907426?w=1760&h=200); 貢獻者:飛龍版...

    劉厚水 評論0 收藏0
  • ApacheCN 編程/大數據/數據科學/人工智能學習資源 2019.6

    摘要:請回復這個帖子并注明組織個人信息來申請加入。權限分配靈活,能者居之。數量超過個,在所有組織中排名前。網站日超過,排名的峰值為。導航歸檔社區自媒體平臺微博知乎專欄公眾號博客園簡書合作侵權,請聯系請抄送一份到贊助我們 Special Sponsors showImg(https://segmentfault.com/img/remote/1460000018907426?w=1760&h=...

    Bmob 評論0 收藏0
  • [原] 容器定義應用:數據科學的容器革命

    摘要:概述隨著容器化技術的興起,數據科學現在最大的一場運動已經不是由一個新的算法或者統計方法發起的了,而是來自的容器化技術。本文將介紹利用容器技術如何加速數據科學在生產環境中的實際應用。 showImg(https://segmentfault.com//img/bVxzYL); 概述 隨著容器化技術的興起,數據科學現在最大的一場運動已經不是由一個新的算法或者統計方法發起的了,而是來自Doc...

    alin 評論0 收藏0

發表評論

0條評論

最新活動
閱讀需要支付1元查看
<