Skip to content

Latest commit

 

History

History
78 lines (66 loc) · 3.63 KB

Node.md

File metadata and controls

78 lines (66 loc) · 3.63 KB

========================================================================================================

数据结构

  1. 列表； list ['a','b','c'] list是一个可变的有序表。list里面的元素数据类型也可以不同。 列表方法： del list(index) 删除元素

         append 在列表末尾追加新的对象
     extend 在列表末尾一次性追加另一个列表的多个值
     count 计算某个元素在列表中出现的次数
     pop 移除列表中的一个元素（默认是最后一个），并且返回该元素的值。
     reverse 将列表中的元素方向存放
     intersection 判断一个列表中是否有某个元素
     
     对itemScores二维列表按照第二个元素排序，True代表降序。[:N]返回前N个
         itemScores=[['a',1],['b',2],['c',3]]
     sorted(itemScores, key=lambda jj: jj[1], reverse=True)[:N]

  2. 元组：tuple 元组与列表一样，也是一种序列。唯一的不同是元组不能修改。

  3. 字典：Map {key:value,key:value,...} update()函数： a.update(b) 如果字典b中的a中没有，就追加元素，如果有，就更新元素。

  4. 数组：Numpy模块 array(list)

  5. 矩阵：Numpy模块 mat(list)

==========================================================================================================

Numpy模块

  1. random.uniform(n,m) 返回一个n~m之间的随机数。
  2. mat 把传入的一个列表转换为numpy矩阵，为了方便计算。
  3. .transpose和.T一样的功能，矩阵的转置。
  4. shape 查看矩阵的大小，返回（m,n）。
  5. zeros((m,n)) 生成一个m x n 都值为0的矩阵。
  6. multiply(A,B) A,B两个矩阵对应元素相乘。
  7. svInd = nonzero(alphas.A > 0)[0] 得到alphas矩阵中所有大于0元素的位置
  8. arange(m) 可以生成一个从0到m-1的数组。
  9. random.shuffle(indexList) numpy提供的shuffle函数可以对indexList中的元素进行混洗。
  10. 对于一个矩阵a: a.dtype 查看矩阵的数据类型 a.astype('float64') 改变矩阵的数据类型
  11. 矩阵去重 import numpy as np a = np.array([[1,2,3],[1,2,3],[1,2,5]]) print(np.array(list(set(tuple(t) for t in a)))) =========================================================================================================

IO

  1. 我们从网络或磁盘上读取了字节流，那么读到的数据就是bytes。要把bytes变为str，就需要用decode()方法： bytes中只有一小部分无效的字节，可以传入errors='ignore'忽略错误的字节.

    b'\xe4\xb8\xad\xff'.decode('utf-8', errors='ignore')

  2. input()返回的数据类型是str.

  3. UnicodeEncodeError: 'gbk' codec can't encode character u'\u3232' in position 0: illegal multibyte sequence 解决方法：指定解码格式，忽略非法字符。
    fr = open(inFile,encoding='utf-8',errors='ignore')

==========================================================================================================

数据特标准化：所有的特征都减去各自的均值并除以方差

```
xMat = mat(xArr)
yMat=mat(yArr).T
计算Y的均值
yMean = mean(yMat,0)
#Y的所有特征减去均值
yMat = yMat - yMean
#计算X的均值(按照列计算)
xMeans = mean(xMat,0)
#计算X的方差
xVar = var(xMat,0)
#所有特征都减去各自的均值并除以方差
xMat = (xMat - xMeans)/xVar
```

=======================================================================================================================