Python人工智能经典算法之机器学习第二篇

3.3 常见图形绘制[*]
    1.折线图 -- plt.plot
        变化
    2.散点图 -- plt.scatter()
        分布规律
    3.柱状图 -- plt.bar
        统计、对比
    4.直方图 -- plt.hist()
        统计，分布
    5.饼图 -- plt.pie()
        占比
4 Numpy
4.1 Numpy优势
    1.定义
        开源的Python科学计算库，
        用于快速处理任意维度的数组
        Numpy中，存储对象是ndarray
    2.创建
        np.array([])
    3.numpy的优势
        内存块风格 -- 一体式存储
        支持并行化运算
        效率高于纯Python代码 -- 底层使用了C，内部释放了GIL
4.2 N维数组-ndarray[**]
    1.ndarray的属性
        属性名字    属性解释
        ndarray.shape   数组维度的元组
        ndarray.ndim    数组维数
        ndarray.size    数组中的元素数量
        ndarray.itemsize    一个数组元素的长度（字节）
        ndarray.dtype   数组元素的类型
    2.ndarray的形状
        np.array()
            三维数组不好理解 -- excel中有多个sheet
    3.ndarray的类型
        bool
        int
        float
        str
        ...
        注意：若不指定，整数默认int64，小数默认float64
4.3 基本操作
    1 生成数组的方法[**]
        1.生成0和1的数组
            np.ones()
            np.ones_like()
        2.从现有数组中生成
            np.array -- 深拷贝
            np.asarray -- 浅拷贝
        3.生成固定范围数组
            np.linspace()
                nun -- 生成等间隔的多少个
            np.arange()
                step -- 每间隔多少生成数据
            np.logspace()
                生成以10的N次幂的数据
        4 生成随机数组
            1.均匀分布生成
                np.random.uniform()
                    low
                    high
                    size
            2.正态分布[****]
                均值，方差
                均值 -- 图形的左右位置
                方差 -- 图像是瘦，还是胖
                    值越小，图形越瘦高，数据越集中
                    值越大，图形越矮胖，数据越分散
            3.正态分布api[***]
                np.random.normal()
                    low
                    high
                    size
    2.数组的索引、切片[***]
        直接索引
        先对行进行索引，再进行列索引 -- [*, #]
        高维数组索引，从宏观到微观
    3.形状修改[**]
        1.对象.reshape
            不进行行列互换，产生新变量
        2.对象.resize
            不进行行列互换,对原值进行更改
        3.对象.T
            进行行列互换
    4.类型修改[*]
        对象.astype()
    5.数组去重[*]
        np.unique()
4.4 ndarray运算[**]
    1.逻辑运算
        大于，小于直接进行判断
        赋值：满足要求，直接进行赋值
    2.通用判断函数
        np.all()
            所有满足要求，才返回True
        np.any()
            只要有一个满足要求，就返回True
    3.三元运算符
        np.where()
            满足要求，赋值第一个值，否则赋值第二个值
        np.logical_and()
            并
        np.logical_or()
            或
    4.统计运算
        min
        max
        midian
        mean
        std -- 标准差
        var -- 方差
        argmax -- 最大值下标
        argmin -- 最小值下标
4.5 矩阵[*]
    1.矩阵和向量
        矩阵：理解-二维数组
        向量：理解-一维数组
    2.加法和标量乘法
        加法： 对应位置相加
        乘法： 标量和每个位置的元素相乘
    3.矩阵向量（矩阵）乘法[*****]
        [M行, N列]*[N行, L列] = [M行, L列]
    4.矩阵乘法性质
        1.满足结合律，不满足交换律
    5.单位矩阵
        对角线为1，其他位置为0的矩阵
    6.逆
        矩阵A*矩阵B=单位矩阵I
        那么A和B就互为逆矩阵
    7.转置
        行列互换
4.6 数组间运算[*]
    1.数组和数字是直接可以进行运算
    2.数组和数组
        需要满足广播机制
            维度相同
            shape对应位置为1
    3.矩阵乘法api
        np.dot --点乘
        np.matmul -- 矩阵相乘
        注意：两者之间在进行矩阵相乘时候，没有区别
        但是，dot支持矩阵和数字相乘

5.Pandas
5.1Pandas介绍
    1.pandas概念
        开源的数据挖掘库
        用于数据探索
        封装了matplotlib,numpy
    2.案例知识点
        1.创建DataFrame
            pd.DataFrame(ndarray)
        2.创建日期
            pd.date_range()
                start -- 开始日期
                end -- 结束日期
                periods -- 时间跨度
                freq -- 统计时间方式
    3.DataFrame介绍 -- 类比二维数组[***]
        1.dataframe属性
            对象.shape
            对象.index
            对象.columns
            对象.values
            对象.T
            对象.head()
            对象.tail()
        2.dataframe设置索引
            1.修改行列索引
                必须整行或者整列去进行修改
            2.重设索引
                对象.reset_index()
            3.设置新索引
                对象.set_index()
                如果设置索引是两个的时候就是multiIndex
    4.MultiIndex和panel -- 类比三维数组[**]
        1.MultiIndex
            对象.index
            对象.index.names
        2.panel -- 已经弃用,了解
            直接没法进行查看里面的值,需要通过索引获取
            对象[:, :, ""]
    5.Series  -- 一维数组[**]
        1.创建
            通过ndarray创建
            指定索引创建
            通过字典创建
        2.属性
            对象.index
            对象.values