pytorch常用的库函数 - 日理万妓 2022-11-16 01:36 139阅读 0赞 pytorch常用的库函数 # sklearn # (安装顺序:Numpy --> Scipy --> matplotlib --> sklearn) # Numpy # [引用][Link 1] ### 常用方法/函数的名字 ### .ndim :维度 .shape :各维度的尺度 (2,5) .size :元素的个数 10 .dtype :元素的类型 dtype(‘int32’) .itemsize :每个元素的大小,以字节为单位 ,每个元素占4个字节 * ndarray数组的创建 * 数组的维度变换 * 数组的类型变换 * 数组切片 * 数组的运算 * 数据的CSV文件存取 * numpy随机数函数 * numpy的统计函数 * numpy的梯度函数 * 图像的表示和变换 # Pandas # pandas是一个强大的分析结构化数据的工具集;它的使用基础是Numpy(提供高性能的矩阵运算);用于数据挖掘和数据分析,同时也提供数据清洗功能。 <table style="width:500px;"> <tbody> <tr> <th>Series</th> <th>DateFrame</th> </tr> <tr> <td>类似一维数组的对象,</td> <td>类似多维数组/表格数组;每列数据可以是不同的类型;索引包括列索引和行索引。</td> </tr> </tbody> </table> ## Series类型 ## [引用][Link 2] ### Series 类型创建 ### Series类型是一组数据及与之相关的数据索引组成 index 获得索引 .values 获得数据 in : 判断“键”是否在字段中 返回 True / False b.get(‘f’, 100) 获取b的索引为‘f’的数据,若不存在,返回100 ### DataFrame类型创建 ### DataFrame是表格型类,可理解为二维数据类型, 其由共用相同索引的一组列组成: index(axis=0),colum(axis=1) 从ndarray创建DataFrame类型 d= pd.DataFrame(np.arange(10).reshape(2,5)) 注意:必须先\[‘one’\]后\[‘b’\],先列后行 ### Pandas数据类型操作 ### 重新索引 reindex(index=None, columns=None,…)方法 可改变或重排Series和DataFrame索引 fill\_value 在重新索引,用于填充缺失位置的值 method 填充方法,ffill当前值向前填充, bfill向后填充 limit 最大填充量 copy 默认为True,生成新的对象,False时,新旧相等,但不复制 ### 索引类型常用方法 ### .append(idx) 连接另外一个Index对象,产生新的Index对象 .diff(idx) 计算差集,产生新的Index对象 .intersection(idx) 计算交集,产生新对象 .union(idx) 计算并集 .delete(loc) 删除loc位置处的元素 .insert(loc, e) 在loc位置增加一各元素e ### 数据排序 ### .sort\_index()方法在指定轴上根据索引进行排序,默认升序。 .sort\_index(axis=0,ascending = True) ascending是指递增排序 .sort\_values()方法在指定轴上根据数值进行排序,默认升序。 Serier.sort\_values(axis= 0, ascending=True) DataFrame.sort\_values(by, axis = 0, ascending = True) by: 只对axis轴上的某个 索引 或 索引列表 进行排序 ### Pandas统计分析函数 ### .sum() 计算数据总和,按0轴计算 .count() 非NaN值的数量 .mean() .median() 计算算术平均值、算术中位数 .var() .var() 计算方差、标准差 .min() .max 计算最小、大值 .argmin() .argmax() 计算最大、小值所在位置的索引(针对自动索引的)(适用于Series类型:) .idxmin() .idxmax() 计算最大、小值所在位置的索引(针对自定义索引的)(适用于Series类型:) .describe() 针对0轴(各列)的统计汇总 ### 数据的相关性 ### .cov() 计算协方差矩阵 .corr() 计算相关系数矩阵 [Link 1]: https://blog.csdn.net/qq_38150441/article/details/80479564?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_title-4&spm=1001.2101.3001.4242 [Link 2]: https://blog.csdn.net/weixin_33950035/article/details/94719224?utm_medium=distribute.pc_relevant_t0.none-task-blog-2~default~BlogCommendFromMachineLearnPai2~default-1.control&dist_request_id=&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2~default~BlogCommendFromMachineLearnPai2~default-1.control
还没有评论,来说两句吧...