pandas
pandas.categorical
>>> pd.Categorical([1, 2, 3, 1, 2, 3])
[1, 2, 3, 1, 2, 3]
Categories (3, int64): [1, 2, 3]
>>> pd.Categorical(['a', 'b', 'c', 'a', 'b', 'c'])
[a, b, c, a, b, c]
Categories (3, object): [a, b, c]
#### 对category进行排序
>>> c = pd.Categorical(['a','b','c','a','b','c'], ordered=True,
... categories=['c', 'b', 'a'])
>>> c
[a, b, c, a, b, c]
Categories (3, object): [c < b < a]
>>> c.min()
'c'map函数
主要作用是将函数作用于一个Series的每一个元素，用法如下所示
In [122]: frame['e'].map(format)
Out[122]:
Utah 1.28
Ohio -1.55
Texas 0.20
Oregon -0.31
Name: e, dtype: object总的来说就是apply()是一种让函数作用于列或者行操作，applymap()是一种让函数作用于DataFrame每一个元素的操作，而map是一种让函数作用于Series每一个元素的操作
numpy
argsort()
函数将数组的值从小到大排序后，并按照其相对应的索引值输出
##一维数组
>>> a = array([3,1,2])
>>> argsort(a)
array([1, 2, 0])
##二维数组
>>> b = array([[1,2],[2,3]])
>>> argsort(b,axis=1) #按行排序
array([[0, 1],
[0, 1]])
>>> argsort(b,axis=0) #按列排序
array([[0, 0],
[1, 1]])
>>> numpy的ravel()
将多维数据变成一维数据，一般是对label做此操作。数据类型是np.ravel的
>>> x = np.array([[1, 2, 3], [4, 5, 6]])
>>> print(np.ravel(x))
[1 2 3 4 5 6]
>>> print(x.reshape(-1))
[1 2 3 4 5 6]python中小数默认是按照科学计数法显示的，在代码里面加上一行
np.set_printoptions(suppress=True)
##这样就会以小数的形式显示了meshgrid函数
通常在数据的矢量化上使用，meshgrid的作用适用于生成网格型数据，可以接受两个一维数组生成两个二维矩阵，对应两个数组中所有的(x,y)对。接下来通过简单的shell交互来演示一下这个功能的使用，并做一下小结。
import numpy as np
N ,M= 5,5
x1_min, x1_max = 1, 10 # 第0列的范围
x2_min, x2_max = 3, 15 # 第1列的范围
t1 = np.linspace(x1_min, x1_max, N)
t2 = np.linspace(x2_min, x2_max, M)
x1, x2 = np.meshgrid(t1, t2) # 生成网格采样点
print(x1)
print(x2)
x_show = np.stack((x1.flat, x2.flat), axis=1) # 测试点
print(x_show)##shape-(25, 2)
[[ 1. 3.25 5.5 7.75 10. ]
[ 1. 3.25 5.5 7.75 10. ]
[ 1. 3.25 5.5 7.75 10. ]
[ 1. 3.25 5.5 7.75 10. ]
[ 1. 3.25 5.5 7.75 10. ]]
[[ 3. 3. 3. 3. 3.]
[ 6. 6. 6. 6. 6.]
[ 9. 9. 9. 9. 9.]
[ 12. 12. 12. 12. 12.]
[ 15. 15. 15. 15. 15.]]
[[ 1. 3. ]
[ 3.25 3. ]
[ 5.5 3. ]
[ 7.75 3. ]
[ 10. 3. ]
[ 1. 6. ]
[ 3.25 6. ]
[ 5.5 6. ]
[ 7.75 6. ]
[ 10. 6. ]
[ 1. 9. ]
[ 3.25 9. ]
[ 5.5 9. ]
[ 7.75 9. ]
[ 10. 9. ]
[ 1. 12. ]
[ 3.25 12. ]
[ 5.5 12. ]
[ 7.75 12. ]
[ 10. 12. ]
[ 1. 15. ]
[ 3.25 15. ]
[ 5.5 15. ]
[ 7.75 15. ]
[ 10. 15. ]]np.split
数据可以更好的分割开来。对训练数据可以采用这种方法把特征和label分开
import numpy as np
data = [[1,2,3,4],[5,6,7,8]]
data = np.array(data)
x,y = np.split(data,(2,),axis=1)
##axis = 1按照行的方向进行分割，
print(x)
print(y)
##结果:
[[1 2]
[5 6]]
[[3 4]
[7 8]]
x,y = np.split(data,(3,),axis=1)
##结果
[[1 2 3]
[5 6 7]]
[[4]
[8]]matplot
plt.legend
(loc=’upper right’)#显示图例，就是图里面的线代表什么，loc指定图例的位置
pcolormesh函数将x1,x2两个网格矩阵和对应的预测结果y_show_hat绘制在图片上
plt.pcolormesh(x1, x2, y_show_hat, cmap=cm_light) # 预测值的显示
plt.scatte-画散点图
参数c表示的是颜色，可以是色彩或颜色序列。
plt.xlim()
- 调用时不带参数，则返回当前的参数值。例如，plt.xlim()返回当前的X轴绘图范围。
- 调用时带参数，则设置参数值。因此，plt.xlim([0,10])会将X轴的范围设置为0到10