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 npdata = []with open(file='iris.txt',mode='r') as f:f.readline()while True:line = f.readline()if line:data.append(line.strip().split(','))else:breakdata = 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:

  • 博客简介:专注AIoT领域,追逐未来时代的脉搏,记录路途中的技术成长!
  • 专栏简介:从0到1掌握数据科学常用库Numpy、Matploblib、Pandas。
  • 面向人群:AI初级学习者
  • 专栏计划:接下来会逐步发布跨入人工智能的系列博文,敬请期待
    • Python零基础快速入门系列
    • Python数据科学系列
    • 人工智能开发环境搭建系列
    • 机器学习系列
    • 物体检测快速入门系列
    • 自动驾驶物体检测系列