#numpy的其他操作  

FFT   

np.fft.fft(np.array([1,1,1,1,1,1,1,])  #阶跃响应  

np.corrcoef([1, 0, 1],[0, 2, 1]) # 皮尔逊相关系数计算   

np.poly1d([3,1,3]) # 生成一元多次函数

矩阵操作

 from numpy.linalg import *

1. 求逆矩阵  inv（）

2. 转置矩阵  transpose（）

3. 行列式   det（）

4. 特征值与特征向量   eig（）第一个特征值 第二个特征向量

5. 求解方程   solve（a,b）
   
   

#常用array操作

np.arange(1, 11)  #产生一个1-11（不含11）的等差数列

np.arange(1, 11)reshape([2, 5]) # 变成两行五列 五也可换为-1

np.exp(list) # list 的自然指数

np.exp2(list） # list 的自然指数的平方

np.【sqrt，sin，log，square,sum,max,min】(list) 

# list 的正弦，自然对数，开方，平方,求和，最大值，最小值

#np.dot  点乘  （也可直接进行加减乘除等操作 ）

np.copy(list1)  #对数组进行拷贝

np.concateenata[vstack,hstack]  #对数组进行追加  split 分开

常用数组

np.zeros([2, 4])   #输出元素都为0的2行4列数组  

(np.ones([3, 5]) #输出元素都为1 的2行4列数组   

随机数生成

np.random.rand(2, 4))#输出2行4列的随机数组  范围(0,1)  

np.random.rand() #生成一个随机数   

np.random.randint(1, 14, 5) #在1到14之间生成5个随机整数  

np.random.randn(2, 4) #输出2行4列标准正态分布随机数     

np.random.choice([10,20, 41])#随机生成一个列表中的数    

分布

np.random.beta(1,10, 100) #生成一个1-10共100个beta分布 (也可生成狄利克雷分布，二项式分布等等)

numpy

array 转换为 ndarray 类型

shape  几行几列

ndim 维度

dtype  数据类型 (可定义数据类型，默认float64)

itensize 每个元素所占字节

size 元素个数

#encoding=utf-8
import numpy as np

def main():
    lst=[[1, 3, 5], [2, 4, 6]]#建立一个二维list
    print(type(lst))#打印lst的数据类型 结果：<type ‘list’>
    np_lst=np.array(lst)#array是numpy中的数据结构，目的是统一list类型中不同的数据类型，降低维护成本
    print(type(np_lst))#结果：<type 'numpy.ndarray'>
    np_lst=np.array(lst.dtype=np.float)#指定数据类型为float
    #数据类型有bool, int, int8/16/32/64/128, unit8/16/32/128, float16/32/64, complex64/128
    print(np_lst.shape)#打印array的形状
    print(np_lst.ndim)#打印array的维度
    print(np_lst.dtype)#打印array的数据类型 结果：float64
    print(np_lst.itemsize)#打印array中每个元素的大小（字节数） 结果： 8
    print(np_lst.size)#打印array的大小（元素数） 结果： 6
if __name__=="__main__":
    main()

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:")#生成随机数
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("RandInt:")#生成随机整数
print(np.random.randint(1,10))#生成1个1到10之间的随机整数
print(np.random.randint(1,10,3))#生成3个1到10之间的随机整数[a b c]
print("Randn:")#生成正态分布的随机数
print(np.random.randn())#生成一个标准正态分布的随机数
print(np.random.randn(2, 4))#生成2行4列标准正态分布的随机数
print("Choice:")#从给定数组中随机选取一个数
print(np.random.choice([10, 20, 30]))#从给定数组中随机选取一个打印出来
print("Distribute:")#生成数学上某种指定分布
print(np.random.beta(1, 10, 100))#生成从1到10一共100个beta分布的数

#encoding=utf-8
import numpy as np
import pandas as pd



def main():
        #Data structure
        s=pd.Series([i*2 for i in range(1,11)])
        print(type(s))
        dates=pd.date_range('20170301',periods=8)
        df=pd.DataFrame(np.random.randn(8,5),index=dates,columns=list('ABCDE'))
        print(df)
        # basic
        print(df.head(3))  # head()打印出前几行
        print(df.tail(3))  # tail()打印出后几行
        print(df.index)  # index()打印出索引
        print(df.values)  # values()打印出values
        print(df.T)  # T 转置
        print(df.sort_values("C"))  # 第C列的values按从小到大的顺序排序
        print(df.sort_index(axis=1, ascending=False))  # 将index进行降序排序
        print(df.describe())  # 打印出所有属性值 的数量 平均值 标准差 最小值 最大值等
        #select
        print(type(df["A"]))
        print(df[:3])
        print(df.loc[dates[0]])
        print(df.iloc[1:3])
        print(df[df.B>0][df.A<0])
if __name__ == '__main__':
              main()

#encoding=utf-8
import numpy as np
import pandas as pd



def main():
        #Data structure
        s=pd.Series([i*2 for i in range(1,11)])
        print(type(s))
        dates=pd.date_range('20170301',periods=8)
        df=pd.DataFrame(np.random.randn(8,5),index=dates,columns=list('ABCDE'))
        print(df)


if __name__ == '__main__':
        main()

多种库的总结

numpy

scipy matplotlib

scikit learn

pandas

keras

继续加油

Dense全连接层

Activation激活层

SGD随机梯度下降算法

标签先独热码化

人工神经网络ANN

反向传播

激活函数

多层神经元

映射到分类种类

keras简化了构建深度学习的步骤

高层库

底层库为tensorflow