zip():
alst=['1','2','3']
blst=['a','b','c']
for z1,z2 in zip(alst,blst):
print(z1,z2)
1 a
2 b
3 c
#enumerate()列舉，枚舉:
alst=['a','c','b','f']
for index,value in enumerate(alst):
print(index,value)
0 a
1 c
2 b
3 f
可通過start參數自定義開始列舉的序號數字，
for index,value in enumerate(alst,start=10):
print(index,value)
10 a
11 c
12 b
13 f
iterating over file connections:
file=open('file.txt')
it=iter(file)
print(next(it))
輸出：第一行
print(next(it))
輸出：第二行
定義函數：
def jj(x,y):
z=x**y
h=y**x
ttuple=(z,h)
return ttuple
jj(3,2)
Out[8]: (9, 8)
type(jj(3,2))
Out[9]: tuple
定義函數時，添加參數默認值：
def power(number,pow=1):
new_value=number**pow
return new_value
def hh(x,y=2):
return x**y
hh(8)
Out[11]: 64
hh(9,3)
Out[12]: 729
定義函數時，多重參數：
def ff(*y):
jj=1
for x in y:
jj=jj*x
return jj
ff(3,4,5)
Out[14]: 60
plt.yticks([0,2,4,6,8,10],['0萬'，'2萬'，'4萬'，'6萬'，'8萬'，'10萬']
import pandas as pd
adf=pd.DataFrame({'a':[3,5,2],'b':['78','23','11']})
adf['c']=adf.b.apply(len)
adf
Out[43]:
a b c
0 3 78 2
1 5 23 2
2 2 11 2
索引可自定義名稱：
adf.index.name='inx'
adf
Out[46]:
a b c
inx
0 3 78 2
1 5 23 2
2 2 11 2
iterrows():
for index,rows in adf.iterrows():
print(index)
print(rows)
0
a 3
b 78
c 2
Name: 0, dtype: object
1
a 5
b 23
c 2
Name: 1, dtype: object
2
a 2
b 11
c 2
Name: 2, dtype: object
這裏的iterrows()返回值爲元組,(index,row)
上面的代碼裏，for循環定義了兩個變量，index，row，那麼返回的元組，index=index，row=row.
如果for循環時，只定義一個變量：
for rows in adf.iterrows():
print(rows)
那麼row就是整個元組。輸出結果可以看出：
(0, a 3
b 78
c 2
Name: 0, dtype: object)
(1, a 5
b 23
c 2
Name: 1, dtype: object)
(2, a 2
b 11
c 2
Name: 2, dtype: object)
Python map() 函數：
map()是 Python 內置的高階函數，它接收一個函數 f 和一個 list， 並通過把函數 f 依次作用在 list 的每個元素上，得到一個新的 list 並返回。
map() 會根據提供的函數對指定序列做映射。
第一個參數 function 以參數序列中的每一個元素調用 function 函數，返回包含每次 function 函數返回值的新列表。
map() 函數語法：
map(function, iterable, ...)
參數
function -- 函數
iterable -- 一個或多個序列
返回值
Python 3.x 返回迭代器。
>>>def square(x) : # 計算平方數
... return x ** 2
...
>>> list(map(square, [1,2,3,4,5])) # 計算列表各個元素的平方
[1, 4, 9, 16, 25]
>>> list(map(lambda x: x ** 2, [1, 2, 3, 4, 5])) # 使用 lambda 匿名函數
[1, 4, 9, 16, 25]
# 提供了兩個列表，對相同位置的列表數據進行相加
>>> list(map(lambda x, y: x + y, [1, 3, 5, 7, 9], [2, 4, 6, 8, 10]))
[3, 7, 11, 15, 19]
廣播允許這些二進制操作可以用於不同大小的數組。例如，可以簡單地將一個標量（可以認爲是一個零維的數組）和一個數組相加：
aa=np.arange(1,5)
aa+8
Out[19]: array([ 9, 10, 11, 12])
對兩個數組的同時廣播：
a=np.arange(3)
b=np.arange(3)[:,np.newaxis]
a+b
Out[22]:
array([[0, 1, 2],
[1, 2, 3],
[2, 3, 4]])
正如此前將一個值擴展或廣播以匹配另外一個數組的形狀，這裏將a和b都進行了擴展來匹配一個公共的形狀，最終的結果是一個二維數組。
Numpy數組按行或按列歸一化：
給定一個數組，將各列（行）歸一化（縮放到 [0,1] ）
所謂（0,1）歸一化，就是通過遍歷feature vector裏的每一個特徵值的數據，將Max和Min的記錄下來，並通過Max-Min作爲基數（即Min=0，Max=1）進行數據的歸一化處理。
通過從X數組的元素中減去這個均值實現歸一化，X_centered=X-Xmean;爲了進一步覈對我們的處理是否正確，可以查看歸一化的數組的均值是否接近0；
Conditionals in generator expressions:
列表：
alist=[x for x in range(10) if x%2==0]
alist
Out[2]: [0, 2, 4, 6, 8]
元組：
alist=(x for x in range(10) if x%2==0)
alist
Out[4]: <generator object <genexpr> at 0x0000000008F231B0>
list(alist)
Out[5]: [0, 2, 4, 6, 8]
Conditionals in comprehensions:
[num**2 if num%2==0 else 0 for num in range(10)]
Out[6]: [0, 0, 4, 0, 16, 0, 36, 0, 64, 0]
Dict comprehensions:
a={num:-num for num in range(5)}
print(a)
{0: 0, 1: -1, 2: -2, 3: -3, 4: -4}
print(type(a))
<class 'dict'>
np.dot():
np.dot()函數主要有兩個功能，向量點積和矩陣乘法，這裏我就簡單列舉了三種最常用到的情況
1. np.dot(a, b), 其中a爲一維的向量，b爲一維的向量，當然這裏a和b都是np.ndarray類型的, 此時因爲是一維的所以是向量點積。
import numpy as np
a = np.array([1, 2, 3, 4, 5])
b = np.array([6, 7, 8, 9, 10])
print(np.dot(a, b))
output:
130
[Finished in 0.2s]
2. np.dot(a, b), 其中a爲二維矩陣，b爲一維向量，這時b會被當做一維矩陣進行計算
import numpy as np
a = np.random.randint(0,10, size = (5,5))
b = np.array([1,2,3,4,5])
print("the shape of a is " + str(a.shape))
print("the shape of b is " + str(b.shape))
print(np.dot(a, b))
output:
the shape of a is (5, 5)
the shape of b is (5,)
[42 85 50 81 76]
[Finished in 0.2s]
這裏需要注意的是一維矩陣和一維向量的區別，一維向量的shape是(5, ), 而一維矩陣的shape是(5, 1), 若兩個參數a和b都是一維向量則是計算的點積，但是當其中有一個是矩陣時（包括一維矩陣），dot便進行矩陣乘法運算，同時若有個參數爲向量，會自動轉換爲一維矩陣進行計算。
3. np.dot(a ,b), 其中a和b都是二維矩陣，此時dot就是進行的矩陣乘法運算
import numpy as np
a = np.random.randint(0, 10, size = (5, 5))
b = np.random.randint(0, 10, size = (5, 3))
print("the shape of a is " + str(a.shape))
print("the shape of b is " + str(b.shape))
print(np.dot(a, b))
output:
the shape of a is (5, 5)
the shape of b is (5, 3)
[[ 66 80 98]
[ 53 60 60]
[ 65 84 85]
[ 25 113 101]
[ 42 78 77]]
[Finished in 0.2s]
---------------------
數組的轉置：
a=np.arange(15).reshape((3,5))
a
Out[29]:
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
a.T
Out[30]:
array([[ 0, 5, 10],
[ 1, 6, 11],
[ 2, 7, 12],
[ 3, 8, 13],
[ 4, 9, 14]])
np.newaxis,增加維度:
import numpy as np
andarray=np.linspace(1, 10, 10)
andarray.shape
Out[3]: (10,)
andarray
Out[4]: array([ 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.])
bndarray=andarray[:,np.newaxis]
bndarray
Out[6]:
array([[ 1.],
[ 2.],
[ 3.],
[ 4.],
[ 5.],
[ 6.],
[ 7.],
[ 8.],
[ 9.],
[10.]])
bndarray.shape
Out[7]: (10, 1)
cndarray=andarray[np.newaxis,:]
cndarray.shape
Out[9]: (1, 10)
cndarray
Out[10]: array([[ 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.]])
np.random.randint(1,100,size=(10,1))
Out[11]:
array([[98],
[92],
[81],
[ 2],
[16],
[60],
[12],
[37],
[49],
[ 5]])
np.random.randint(1,100,size=(1,10))
Out[12]: array([[51, 49, 55, 7, 44, 9, 26, 16, 92, 38]])
np.random.randint(1,100,size=(5,10))
Out[13]:
array([[57, 12, 42, 15, 96, 4, 39, 33, 84, 16],
[91, 4, 5, 34, 71, 62, 5, 48, 65, 10],
[79, 14, 32, 67, 78, 32, 34, 81, 50, 22],
[27, 11, 29, 29, 27, 65, 77, 35, 16, 99],
[65, 45, 95, 27, 53, 63, 30, 31, 52, 55]])