pycharm

撤銷快捷鍵 Ctrl+z
注釋快捷鍵 Ctrl+/

split()函式

Python split()通過指定分隔符對字串進行切片，如果引數num 有指定值，則僅分隔 num 個子字串

    split()方法語法：str.split(str=" ", num=string.count(str)).
    #str -- 分隔符，默認為所有的空字符，包括空格、換行(\n)、制表符(\t)等，
    #num -- 分割次數，

    >>>ipaddr = "10.122.19.101 "
    >>>print(ipaddr.split('.'))
    
      ['10', '122', '19', '101 ']


    >>>ipaddr = "10.122.19.101  nn "
    >>>print(ipaddr.split(' ',1))
    
 	['10.122.19.101', ' nn ']

append()

此方法用于在串列末尾添加新的物件，

append()方法語法：list.append(obj)      
#obj – 添加到串列末尾的物件，
#該方法無回傳值，但是會修改原來的串列

>>>c= [1, 2, 3]
>>>d = 4
>>>y = c.append(d)
>>>print(y)
>>>print(c)

None

[1, 2, 3, 4]

pow（x，y）

二元形式pow（x，y）等效于使用冪運算子：x ** y，
三元形式pow（x，y，z),則將x ** y，取余z， 它的計算比使用pow（x，y）％z更有效，

>>>print(pow(10, 2))
>>>print(pow(-10, 3))
>>>print(pow(10, 2, 3))

100
-1000
1

np.concatenate函式

>>> a = np.array([[1, 2], [3, 4]])
>>> b = np.array([[5, 6], [7, 8]])
>>> np.concatenate((a,b),axis=0)
     
      [[1, 2],
       [3, 4],
       [5, 6],
       [7, 8]]
       
>>> a = np.array([[1, 2], [3, 4]])
>>> b = np.array([[5, 6], [7, 8]])
>>> np.concatenate((a,b),axis=1)
     
      [[1, 2, 5, 6],
       [3, 4, 7, 8]]

>>> c = np.concatenate((a,b),axis=1)
>>> c
      [[1, 2, 5, 6],
       [3, 4, 7, 8]])
       
>>> c.shape
(2, 4)

np.reshape(-1)、np.reshape(-1, 1)、np.reshape(1, -1)詳解

np.reshape(-1)

>>>original = np.array([2, 4, 1, 3],[1, 2, 5, 2])
>>>orginal.shape 
(2, 4)

>>>new_1 = orginal.reshape(-1)
>>>print(new_1) 

[2, 4, 1, 3, 1, 2, 5, 2]

np.reshape(-1, 1)

>>>original = np.array([2, 4, 1, 3],[1, 2, 5, 2])
# 設定新排布的列數為1，行數為未知
>>>new_2 = orginal.reshape(-1, 1)
>>>print(new_2)  # 新排布為（8，1）

       [[ 2],
		[ 4],
		[ 1],
		[ 3],
		[ 1],
		[ 2], 
		[ 5],
		[ 2]]

np.reshape(1, -1)

>>>original = np.array([2, 4, 1, 3],[1, 2, 5, 2])
# 設定新排布的行數為1，列數為未知
>>>new_3 = orginal.reshape(1, -1)
>>>print(new_3)  # 新排布為（1，8）

[2, 4, 1, 3, 1, 2, 5, 2]

np.reshape(-1, 2)

>>>original = np.array([2, 4, 1, 3],[1, 2, 5, 2])
# 設定新排布的列數為2，行數為未知
>>>new_4 = original.reshape(-1, 2)
>>>print(new_4) # 新排布為（4，2）

[[2, 4],
 [1, 3],
 [1, 2],
 [5, 2]]

np.mean()函式

>>>a = np.array([[1, 2], [3, 4]])
>>>print(a)
>>>print(type(a))
>>>print(np.mean(a))
>>>print(np.mean(a, axis=0)) # axis=0，計算每一列的均值
>>>print(np.mean(a, axis=1)) # 計算每一行的均值

[[1 2]
 [3 4]]
<class 'numpy.ndarray'>
2.5
[2. 3.]
[1.5 3.5]

np.ptp( ) 函式

>>>a = np.arange(9).reshape((3,3))
>>>print(a)

[[0 1 2]
 [3 4 5]
 [6 7 8]]
 



>>>b = np.ptp(a, axis=0)  # axis=0 表示縱向
>>>print(b) # [6 6 6]  # 6-0, 7-1, 8-2
 
 6
>>>c = np.ptp(a, axis=1)  # axis=1 表示橫向
>>>print(c) # [2 2 2]  # 2-0, 5-3, 8-6
2

numpy.insert（） 函式

a = np.arange(12).reshape((3, 4))
print(a)
# [[ 0  1  2  3]
#  [ 4  5  6  7]
#  [ 8  9 10 11]]

print(np.insert(a, 2, 100))
# [  0   1 100   2   3   4   5   6   7   8   9  10  11]

b1 = np.arange(100, 104)
print(b1)
# [100 101 102 103]

print(np.insert(a, 1, b1, axis=0))
# [[  0   1   2   3]
#  [100 101 102 103]
#  [  4   5   6   7]
#  [  8   9  10  11]]

print(np.insert(a, 3, b1, axis=0))
# [[  0   1   2   3]
#  [  4   5   6   7]
#  [  8   9  10  11]
#  [100 101 102 103]]

print(np.insert(a, [0, 2], b1, axis=0))
# [[100 101 102 103]
#  [  0   1   2   3]
#  [  4   5   6   7]
#  [100 101 102 103]
#  [  8   9  10  11]]

print(a)
# [[ 0  1  2  3]
#  [ 4  5  6  7]
#  [ 8  9 10 11]]

print(np.insert(a, 1, 100, axis=1))
# [[  0 100   1   2   3]
#  [  4 100   5   6   7]
#  [  8 100   9  10  11]]

c1 = np.arange(100, 103)
print(c1)
# [100 101 102]

print(np.insert(a, 1, c1, axis=1))
# [[  0 100   1   2   3]
#  [  4 101   5   6   7]
#  [  8 102   9  10  11]]

print(np.insert(a, 3, c1, axis=1))
# [[  0   1   2 100   3]
#  [  4   5   6 101   7]
#  [  8   9  10 102  11]]

>>>a = np.array([[1, 2], [3, 4]])
>>>print(a.ndim)
>>>print(a.shape)
>>>print(a.size)

2
(2,2)
4

numpy.dot() 和 x.dot(y) 為矩陣乘法計算

>>>import numpy as np

>>>mat1 = np.array([[1, 2, 3], 
                 [4, 5, 6]])
>>>mat2 = np.array([[1, 2],
                 [1, 2],
                 [1, 2]])
>>>np.dot(mat1, mat2)         # numpy.dot()

array([[ 6, 12],
       [15, 30]])


>>>mat1.dot(mat2)             # x.dot(y)

array([[ 6, 12],
       [15, 30]])

python中的“.T”操作

其實就是對一個矩陣的轉置

>>>a=array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])
>>>a.T

array([[1, 4, 7],
       [2, 5, 8],
       [3, 6, 9]])

numpy中默認的一維陣列形式可能是
x = np.array([1,2,3,4])
此時對此陣列進行轉置操作 x.T 沒用，因為轉置操作只能用在二維陣列上

要對其變為列向量，采用以下操作
x = np.array([x])
此時變為array([[1, 2, 3, 4]]) 二維陣列，然后轉置

len()函式

>>>import numpy as np
>>>X1=np.array([[1,2,3,4],
                [5,6,7,8],
                [9,10,11,12]])
 
>>>length1=len(X1)  #回傳物件的長度   不是元素的個數,可以想象成資料長度/條數，即資料的行數
>>>print("length of X1:",length1)
 
length of X1: 3

>>>X2 = np.array([1, 2, 3, 4])
>>>length2=len(X2)  #回傳物件的長度   不是元素的個數,可以想象成資料長度/條數
>>>print("length of X2:",length2)

length of X2: 4

np.arange()用法

#一個引數 默認起點0，步長為1 輸出：[0 1 2]
a = np.arange(3)

#兩個引數 默認步長為1 輸出[3 4 5 6 7 8]
a = np.arange(3,9)

#三個引數 起點為0，終點為3，步長為0.1 輸出
#[ 0.   0.1  0.2  0.3  0.4  0.5  0.6  0.7  0.8  0.9  1.   1.1  1.2  1.3  1.4 1.5  1.6  1.7  1.8  1.9  2.   2.1  2.2  2.3  2.4  2.5  2.6  2.7  2.8  2.9]
a = np.arange(0, 3, 0.1)

numpy.std() ,pandas.std()計算矩陣標準差

計算得出的默認標準偏差型別在 numpy 的 .std() 和 pandas 的 .std() 函式之間是不同的，
默認情況下，numpy 計算的是總體標準偏差，ddof = 0，
另一方面，pandas 計算的是樣本標準偏差，ddof = 1，
如果我們知道所有的分數，那么我們就有了總體
因此，要使用 pandas 進行歸一化處理，我們需要將“ddof”設定為 0，


numpy.std() 求標準差的時候默認ddof = 0是除以 n 的，即是有偏的，
numpy.std無偏樣本標準差方式為加入引數 ddof = 1；
pandas.std() 默認ddof = 1是除以n-1 的，即是無偏的，
如果想有偏，需要加上引數ddof=0 ，即pandas.std(ddof=0) 


>>> a = np.array([[1, 2], [3, 4]])
>>> np.std(a) # 計算全域標準差
1.1180339887498949

>>> np.std(a, axis=0) # axis=0計算每一列的標準差
array([ 1.,  1.])

>>> np.std(a, axis=1) # 計算每一行的標準差
array([ 0.5,  0.5])