Python 科学库与可视化课程介绍
Python应用场景
Python数据分析与可视化
课程特色
时间就是生命，浓缩才是精华 (4小时，完成了数据分析与挖掘必备知识点讲解)
课程体系完整 ( 应用场景、Python 科学库、可视化、时间序列讲解、共享单车租赁案例分析)
案例驱动教学 (深入浅出、案例为导向、学以致用)
导师答疑 (拒绝助教，讲师当天解决答疑)
课程适合人群
具备Py基本语法和面向对象开发思想、其它语言类开发人员、浪子回头者、想一夜暴富者
创建矩阵三种方式
文章目录
numpy与list比较
创建矩阵的第1种方式
创建矩阵的第2种方式
创建随机数矩阵
numpy与list比较
NumPy系统是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表(nested list structure)结构要高效的多
- List是列表,可以通过索引查找数值，但是不能对整个列表进行数值运算
- np.array可以通过reshape修改矩阵维度，而List没有此属性
- 物理意义：np.array每一行以后代表的是样本，每一列代表的是特征，List列表一般是用来存储相同数据类型的数据结构
创建矩阵的第1种方式
此方式可以最简洁的创建一个np.array一维或者多维矩阵，后续DataFrame格式的data属性也支持通过此方式生成数据，一般创建成功后直接调用reshape函数可以设置矩阵的形状
创建矩阵的第2种方式
np.array表面上看起来生成矩阵略复杂，但是有两个优点，第一可以生成不同的数据类型的矩阵。第二后续加载图片生成的二进制或者图片可以直接通过此方法转化成np.array矩阵结构
创建随机数矩阵
罗列了3种生成随机矩阵的最常见方式，特别要把握第3种normal 正态分布的随机数，因为现实生活中很多的行业和数据呈现的是正态分布的结构，后续如果我们采用normal方式来模拟数据会大大提高机器学习和深度学习的效率
属性、降维、四则运算
文章目录
- 矩阵的常见属性
- 矩阵的四则运算
- 矩阵升降维
矩阵的常见属性
- shape：显示当前矩阵的形状
- dtype：显示矩阵元素的数据类型，int32则占4个字节，float64则占8个字节
- size：返回当前矩阵的元素的数量
- itemsize：返回元素所占空间的大小
矩阵的四则运算
如果是矩阵与数值进行四则运算则矩阵里面的每个元素分别与数值进行运算，如果矩阵与矩阵进行运算则两个运算的矩阵尺寸必须兼容
矩阵升降维
矩阵之间可以非常方便的进行升降维，而且通过代码可以发现，升降维之后的运算与升降维之前运算的结果是相同的
获取矩阵元素
文章目录
- 采用切片获取行与列
- 表达式筛选行与列
采用切片获取行与列
表达式筛选行与列
图片颜色变换
文章目录
- numpy实现图片换置
- 图片转换前后对比
numpy实现图片换置
图片转换前后对比
