这是机器未来的第44篇文章
原文首发地址：https://blog.csdn.net/RobotFutures/article/details/126615267
文章目录
- 1. 概述
- 2. 加载数据集
- 3. 查看数据特征
- 3.1 查看首5行数据
- 3.2 查看数据集每个特征的最大值
- 3.3 查看每个特征的最小值
- 3.4 查看特征均值
- 3.5 查看特征百分位数
- 3.6 查看特征数据分布波动
- 3.8 查看特征样本数量
- 3.9 查看标签数据分布
- 4. 其它常用的科学函数
- 5. 总结
1. 概述
本文以鸢尾花的数据预处理为例，描述了科学计算在机器学习使用的示例。
2. 加载数据集
以鸢尾花数据集为例。
鸢尾花数据集有4个特征，1个标签，特征为sepal_length,sepal_width,petal_length,petal_width，分别为花萼长度、花萼宽度，花瓣长度、花瓣宽度，标签为鸢尾花的分类，0,1,2分别代表山鸢尾（Setosa）、变色鸢尾（Versicolor）、维吉尼亚鸢尾（Virginical）
import numpy as np data = [] with open(file='iris.txt',mode='r') as f: f.readline() while True: line = f.readline() if line: data.append(line.strip().split(',')) else: break data = np.array(data,dtype=float) # 使用切片提取前4列数据作为特征数据 X_data = data[:, :4] # 或者 X_data = data[:, :-1] # 使用切片提取最后1列数据作为标签数据 y_data = data[:, -1] data.shape, X_data.shape, y_data.shape((150, 5), (150, 4), (150,))
3. 查看数据特征
3.1 查看首5行数据
X_data[0:5], y_data[0:5]
(array([[5.1, 3.5, 1.4, 0.2], [4.9, 3. , 1.4, 0.2], [4.7, 3.2, 1.3, 0.2], [4.6, 3.1, 1.5, 0.2], [5. , 3.6, 1.4, 0.2]]), array([0., 0., 0., 0., 0.]))3.2 查看数据集每个特征的最大值
# axis = 0指定X轴，取每列的最大值 np.max(X_data, axis=0)
array([7.9, 4.4, 6.9, 2.5])
上面的取值就是每个特征的最大值，数据集的花萼长度最大值为7.9，花萼宽度最大值为4.4，花瓣长度最大值为6.9，花瓣宽度最大值为2.5
如果去掉轴axis参数，就是取数据集所有数据中的最大值，会综合所有列一起的最大值。
np.max(X_data)
7.9
3.3 查看每个特征的最小值
np.min(X_data, axis=0)
array([4.3, 2. , 1. , 0.1])
上面的取值就是每个特征的最小值，数据集的花萼长度最小值为4.3，花萼宽度最小值为2，花瓣长度最小值为1，花瓣宽度最小值为0.1
3.4 查看特征均值
np.mean(X_data, axis=0)
array([5.84333333, 3.05733333, 3.758 , 1.19933333])
3.5 查看特征百分位数
百分位数是统计中使用的度量，表示小于这个值的观察值样本数量占总体的百分比。
# 25% np.percentile(X_data, 0.25, axis=0)
array([4.33725, 2.0745 , 1.03725, 0.1 ])
# 50% np.percentile(X_data, 0.50, axis=0)
array([4.3745, 2.149 , 1.0745, 0.1 ])
# 75% np.percentile(X_data, 0.75, axis=0)
array([4.4 , 2.2 , 1.11175, 0.1 ])
3.6 查看特征数据分布波动
np.std(X_data, axis=0)
array([0.82530129, 0.43441097, 1.75940407, 0.75969263])
从标准差可以看到特征花萼宽度标准差为0.43441097数据波动最小，花瓣长度标准差数据为1.75940407，数据波动最大。
3.8 查看特征样本数量
X_data.shape
(150, 4)
可以看到样本数量为150，每个样本4个特征
3.9 查看标签数据分布
通过np.unique分别获得唯一ID和对应的样本数量，然后通过zip、dict转换为字典。
unique, count = np.unique(y_data, return_counts=True) label_count = dict(zip(unique, count)) label_count
{0.0: 50, 1.0: 50, 2.0: 50}可以看到标签是均衡的，每个分类的样本数均是50.
4. 其它常用的科学函数
函数 说明 示例 np.sum 求累加 np.sum((y_pred - y_data)**2) np.exp 以自然常数e为底的指数函数 np.exp**2 np.var 求方差 np.var(X_data, axis=0) np.round 四舍五入 np.round(np.var(X_data, axis=0), decimals=2) np.square 求平方 np.square(X_data) np.abs 求绝对值 np.abs([1, -1, -7.9, 6]) np.argmax 求最大值的位置索引 np.argmax(X_data, axis=0) np.argmin 求最小值的位置索引 np.argmin(X_data, axis=0) … 5. 总结
以上就是numpy科学函数的简单介绍，更多api在将来的使用中再描述。
写在末尾：
