import numpy as np

a = [1,2,3,4,5,6] # python內(nèi)置數(shù)組結(jié)構(gòu)
b = np.array(a) # numpy數(shù)組結(jié)構(gòu)

np.array([1,2,3]) # 創(chuàng)建一維數(shù)組
np.asarray([1,2,3])
np.array([1,2,3], [4,5,6]) # 創(chuàng)建多維數(shù)組

np.zeros((3, 2)) # 3行2列 全0矩陣
np.ones((3, 2)) #全1矩陣
np.full((3, 2), 5) # 3行2列全部填充5

def asarray(a, dtype=None, order=None):
 return array(a, dtype, copy=False, order=order)

arr1 = np.array([[1,2,3], [4,5,6]])
arr2 = np.array([[6,5], [4,3], [2,1]])

# 查看arr維度
print(arr1.shape) # (2, 3)

#切片 
np.array([1,2,3,4,5,6])[:3] #array([1,2,3])
arr1[0:2,0:2] # 二維切片

#乘法
np.array([1,2,3]) * np.array([2,3,4]) # 對(duì)應(yīng)元素相乘 array([2,6, 12])
arr1.dot(b) # 矩陣乘法

#矩陣求和
np.sum(arr1) # 所有元素之和 21
np.sum(arr1, axis=0) #列求和 array([5, 7, 9])
np.sum(arr1, axis=1) # 行求和 array([ 6, 15])

# 最大最小
np.max(arr1, axis=0/1)
np.min(a, axis=0/1)

arr = np.array([[1,2], [3,4], [5,6]])

#布爾型數(shù)組訪問(wèn)方式
print((arr>2))
 """
 [[False False]
 [ True True]
 [ True True]]
 """
print(arr[arr>2]) # [3 4 5 6]

#修改形狀
arr.reshape(2,3)
 """ 
 array([[1, 2, 3],
 [4, 5, 6]])
 """
arr.flatten() # 攤平 array([1, 2, 3, 4, 5, 6])
arr.T # 轉(zhuǎn)置

sklearn.neighbors #近鄰算法
sklearn.svm #支持向量機(jī)
sklearn.kernel_ridge #核-嶺回歸
sklearn.discriminant_analysis #判別分析
sklearn.linear_model #廣義線性模型

sklearn.ensemble #集成學(xué)習(xí)
sklearn.tree #決策樹(shù)
sklearn.naive_bayes #樸素貝葉斯
sklearn.cross_decomposition #交叉分解
sklearn.gaussian_process #高斯過(guò)程

sklearn.neural_network #神經(jīng)網(wǎng)絡(luò)
sklearn.calibration #概率校準(zhǔn)
sklearn.isotonic #保守回歸
sklearn.feature_selection #特征選擇
sklearn.multiclass #多類(lèi)多標(biāo)簽算法

from sklearn.linear_model import LogisticRefression
lr_model = LogisticRegression()

sklearn.decomposition #矩陣因子分解
sklearn.cluster # 聚類(lèi)
sklearn.manifold # 流形學(xué)習(xí)
sklearn.mixture # 高斯混合模型
sklearn.neural_network # 無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)
sklearn.covariance # 協(xié)方差估計(jì)

sklearn.feature_extraction # 特征提取
sklearn.feature_selection # 特征選擇
sklearn.preprocessing # 預(yù)處理
sklearn.random_projection # 隨機(jī)投影
sklearn.kernel_approximation # 核逼近

# 作用：將數(shù)據(jù)集劃分為 訓(xùn)練集和測(cè)試集
# 格式：train_test_split(*arrays, **options)
from sklearn.mode_selection import train_test_split
X, y = np.arange(10).reshape((5, 2)), range(5)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)
"""
參數(shù)
---
arrays：樣本數(shù)組，包含特征向量和標(biāo)簽

test_size：
　　float-獲得多大比重的測(cè)試樣本 （默認(rèn)：0.25）
　　int - 獲得多少個(gè)測(cè)試樣本

train_size: 同test_size

random_state:
　　int - 隨機(jī)種子（種子固定，實(shí)驗(yàn)可復(fù)現(xiàn)）
　　
shuffle - 是否在分割之前對(duì)數(shù)據(jù)進(jìn)行洗牌（默認(rèn)True）

返回
---
分割后的列表，長(zhǎng)度=2*len(arrays), 
　　(train-test split)
"""