Python中的數組和list

Python的X[y==1, 0]

最近研究邏輯回歸，Iris花的經典示例，代碼就不全粘貼了，具體代碼參看“Iris花邏輯回歸與實現”

plt.plot(X[y==0, 0], X[y==0,1], "bs")
plt.plot(X[y==1, 0], X[y==1, 1], "g^")

X[y==0, 0]中的y==0是個什么東東，為什么可以占據X的第一個位置？

首先我們看一下X是個什么？

from sklearn import datasets
iris = datasets.load_iris()

X = iris["data"][:, (2, 3)] # petal length, petal width
y = (iris["target"] == 2).astype(np.int)
print(X)

 

 

Output:

[[1.4 0.2]
 [1.4 0.2]
...

[5.1 1.8]]

　　X是一個數組，數組的元素是一個二元組。在解釋X[y==0, 0]之前，首先要明白X[:,:]左面:代表的是行范圍，右邊“：”代表的是列范圍，如果是冒號則代表全部，否則就像代碼中第四行那樣，指定一個范圍；那么無論是“：”，還是指定一個范圍（類似於(2,3)），其實本質都是會被翻譯成一個true/false的一維一元數組，每個元素都是代表數組對應位置的元素是否要出現。

　　比如，y==0，print之后其實是[True True False ...]，那么X[y==0, 0],就X的前三個元素而言，分別代表返回（包含），返回（包含），不返回（不包含）；與之類似對於“iris["data"][:, (2, 3)]”這個寫法，左邊的那個"："代表的行是[True，True, ... ,True]，全是true；

　　那么X[y==0, 0]中，第二個0代表什么意思呢？y==1解決了行中那些返回（那些為true的返回），右邊的那個數字代表就是返回那一列，0，代表返回的是第一列，就是上面那個1,4,1.4...5.1；與之類似對於“iris["data"][:, (2, 3)]”這個寫法，代表列是要返回第三列和第四列。

　　這里看到在python里面行列的處理模式是不一樣的，行的取舍是通過一個True/ False數組來實現的，列的取舍確實通過指定了那一列；這個其實從矩陣的角度能夠更好的理解。

 

concatenate

 

X_outliers=np.array([[3.4, 1.3], [3.2, 0.8]])
y_outliers=np.array([0, 0])

Xo1=np.concatenate([X, X_outliers[:1]], axis=0)
yo1=np.concatenate([y, y_outliers[:1]], axis=0)
Xo2=np.concatenate([X, X_outliers[1:]], axis=0)
yo2=np.concatenate([y, y_outliers[1:]], axis=0)

 numpy里面的concatenate的涵義是合並矩陣；axis=0代表是添加一行，axis=1則代表添加一列。以此為例：

pprint(X)顯示為：

u'X:'
array([[1.4, 0.2],
[1.4, 0.2],
...

[5.1, 1.8]])

pprint(Xo1)顯示為：

u'Xo1:' 
array([[1.4, 0.2],
[1.4, 0.2],
...

[5.1, 1.8],

[3.4, 1.3]])

這其實就是行添加了一行。

原生數組和reshape之后數組

X_test = np.linspace(1,5,5)
pprint (X_test)
X_tmp = X_test.reshape(-1, 1)
pprint(X_tmp)

輸出:

array([1., 2., 3., 4., 5.])
array([[1.], [2.], [3.], [4.], [5.]])

 python數組常見操作：

Python原生是沒有數組的，[]這種類型在python里面叫List；二維數組可以通過lsti[i][i]來進行索引（array是通過[i, j]來進行索引），支持通過":"來進行范圍索引，但是像前面描述的，只是支持一個維度的索引，例如[:5][1:]（對於array而言可以通過[:,:]來進行索引）。

如果是數組的話，還是使用numpy里面的array；

numpy里面提供的是array以及可以通過[x1:x2,y1:y2]模式來索引矩陣形式；同時可以通過array.shape方式來獲取矩陣的行數/列數；同時可以通過reshape來進行行列重置；可以通過.T來進行“轉置”。

matrix是numpy的array的一個子集，同樣支持“：”模式的索引，以及shape[i]獲取行、列的數量；但是只支持矩陣形式：二維數組形式。

matrix和numpy的乘法（*）模式不同，matrix是乘數的行*被乘數的列這種模式；array則是同位數的相乘。

 

互轉：

list轉array：np.array(list)

list轉matrix：np.mat(list)

array轉list：data.toList()

array和matrix互轉：np.asmatrix, np.asarray

 

array想要采用matrix的乘法：np.dot(array1, array2)

matrix想要同位數的乘法：np.multiply(mat1, mat2)

 

成員

# 屬性

ndarray.shape: 多維陣列的大小（形狀）

ndarray.ndim: 多維陣列的維度

ndarray.itemsize: 陣列當中元素的大小（佔幾個 byte）

ndarray.nbytes: 整個陣列所有元素的大小總計

ndarray.T: 轉置矩陣，只能在維度 <= 2 的時候使用，與 self.transpose() 效果相同

ndarray.flat: 把陣列扁平化輸出

 

# 格式轉換

ndarray.item: 類似 List 的 Index，把 Array 扁平化取得某 Index 的 value

ndarray.tolist: 把 NumPy.ndarray 輸出成 Python 原生 List 型態

ndarray.itemset: 把 ndarray 中的某個值（純量）改掉

 

# 維度操作

ndarray.reshape(shape): 把同樣的資料以不同的 shape 輸出（array 的 total size 要相同）

ndarray.resize(shape): 重新定義陣列的大小

ndarray.flatten(): 把多維陣列收合成一維陣列（扁平化＆Copy）

ndarray.ravel(): 回傳扁平化的陣列（無 Copy）

 

# 項目選擇與操作

ndarray.take(indices): 根據輸入索引值來得到指定陣列

ndarray.put(indices, values): 根據索引值改變陣列 value

ndarray.repeat(times): 重複陣列的值（類似擴張）

ndarray.sort(): 把陣列當中的元素排序

ndarray.sum(): 加總多維陣列（可指定加總的維度根據）

---------------------

參考

https://blog.csdn.net/sinat_26917383/article/details/52290505

https://blog.csdn.net/u011730199/article/details/78202016