python詳解及簡單示例的簡單介紹

• 1、python基礎之numpy.reshape詳解
• 2、建議收藏！10 種 Python 聚類算法完整操作示例
• 3、Python正確重載運算符的方法示例詳解
• 4、python基礎教程-數據類型詳解

這個方法是在不改變數據內容的情況下，改變一個數組的格式，參數及返回值，官網介紹：

a：數組–需要處理的數據

newshape：新的格式–整數或整數數組，如(2,3)表示2行3列，新的形狀應該與原來的形狀兼容，即行數和列數相乘後等於a中元素的數量

order：

 首先做出翻譯： order  : 可選範圍為{‘C’, ‘F’, ‘A’}。使用索引順序讀取a的元素，並按照索引順序將元素放到變換後的的數組中。如果不進行order參數的設置，默認參數為C。

（1）“C”指的是用類C寫的讀/索引順序的元素，最後一個維度變化最快，第一個維度變化最慢。以二維數組為例，簡單來講就是橫着讀，橫着寫，優先讀/寫一行。

（2）“F”是指用FORTRAN類索引順序讀/寫元素，最後一個維度變化最慢，第一個維度變化最快。豎著讀，豎著寫，優先讀/寫一列。注意，“C”和“F”選項不考慮底層數組的內存布局，只引用索引的順序。

（3）“A”選項所生成的數組的效果與原數組a的數據存儲方式有關，如果數據是按照FORTRAN存儲的話，它的生成效果與”F“相同，否則與“C”相同。這裡可能聽起來有點模糊，下面會給出示例。

二、示例解釋

1、首先隨機生成一個4行3列的數組

2、使用reshape，這裡有兩種使用方法，可以使用np.reshape(r,(-1,1),order=’F’)，也可以使用r1=r.reshape((-1,1),order=’F’)，這裡我選擇使用第二種方法。通過示例可以觀察不同的order參數效果。

通過例子可以看出來，F是優先對列信息進行操作，而C是優先行信息操作。如果未對r的格式進行設置，那麼我們rashape的時候以“A”的順序進行order的話，它的效果和“C”相同。

3、我們將r的存儲方式進行修改，修改為類Fortan的方式進行存儲。並做與第2步類似的操作。

基礎操作樣例：

1.引入numpy，名稱為np 

2.接下來創建一個數組a，可以看到這是一個一維的數組 

3.使用reshape()方法來更改數組的形狀，可以看到看數組d成為了一個二維數組

4.通過reshape生成的新數組和原始數組公用一個內存，也就是說，假如更改一個數組的元素，另一個數組也將發生改變 

5.同理還可以得到一個三維數組 

reshape(-1,1)什麼意思：

大意是說，數組新的shape屬性應該要與原來的配套，如果等於-1的話，那麼Numpy會根據剩下的維度計算出數組的另外一個shape屬性值。

舉例：

同理，只給定行數，newshape等於-1，Numpy也可以自動計算出新數組的列數。

聚類或聚類分析是無監督學習問題。它通常被用作數據分析技術，用於發現數據中的有趣模式，例如基於其行為的客戶群。有許多聚類算法可供選擇，對於所有情況，沒有單一的最佳聚類算法。相反，最好探索一系列聚類算法以及每種算法的不同配置。在本教程中，你將發現如何在 python 中安裝和使用頂級聚類算法。完成本教程後，你將知道：

聚類分析，即聚類，是一項無監督的機器學習任務。它包括自動發現數據中的自然分組。與監督學習（類似預測建模）不同，聚類算法只解釋輸入數據，並在特徵空間中找到自然組或群集。

群集通常是特徵空間中的密度區域，其中來自域的示例（觀測或數據行）比其他群集更接近群集。群集可以具有作為樣本或點特徵空間的中心(質心)，並且可以具有邊界或範圍。

聚類可以作為數據分析活動提供幫助，以便了解更多關於問題域的信息，即所謂的模式發現或知識發現。例如：

聚類還可用作特徵工程的類型，其中現有的和新的示例可被映射並標記為屬於數據中所標識的群集之一。雖然確實存在許多特定於群集的定量措施，但是對所識別的群集的評估是主觀的，並且可能需要領域專家。通常，聚類算法在人工合成數據集上與預先定義的群集進行學術比較，預計算法會發現這些群集。

有許多類型的聚類算法。許多算法在特徵空間中的示例之間使用相似度或距離度量，以發現密集的觀測區域。因此，在使用聚類算法之前，擴展數據通常是良好的實踐。

一些聚類算法要求您指定或猜測數據中要發現的群集的數量，而另一些算法要求指定觀測之間的最小距離，其中示例可以被視為“關閉”或“連接”。因此，聚類分析是一個迭代過程，在該過程中，對所識別的群集的主觀評估被反饋回算法配置的改變中，直到達到期望的或適當的結果。scikit-learn 庫提供了一套不同的聚類算法供選擇。下面列出了10種比較流行的算法：

每個算法都提供了一種不同的方法來應對數據中發現自然組的挑戰。沒有最好的聚類算法，也沒有簡單的方法來找到最好的算法為您的數據沒有使用控制實驗。在本教程中，我們將回顧如何使用來自 scikit-learn 庫的這10個流行的聚類算法中的每一個。這些示例將為您複製粘貼示例並在自己的數據上測試方法提供基礎。我們不會深入研究算法如何工作的理論，也不會直接比較它們。讓我們深入研究一下。

在本節中，我們將回顧如何在 scikit-learn 中使用10個流行的聚類算法。這包括一個擬合模型的例子和可視化結果的例子。這些示例用於將粘貼複製到您自己的項目中，並將方法應用於您自己的數據。

1.庫安裝

首先，讓我們安裝庫。不要跳過此步驟，因為你需要確保安裝了最新版本。你可以使用 pip Python 安裝程序安裝 scikit-learn 存儲庫，如下所示：

接下來，讓我們確認已經安裝了庫，並且您正在使用一個現代版本。運行以下腳本以輸出庫版本號。

運行該示例時，您應該看到以下版本號或更高版本。

2.聚類數據集

我們將使用 make _ classification ()函數創建一個測試二分類數據集。數據集將有1000個示例，每個類有兩個輸入要素和一個群集。這些群集在兩個維度上是可見的，因此我們可以用散點圖繪製數據，並通過指定的群集對圖中的點進行顏色繪製。這將有助於了解，至少在測試問題上，群集的識別能力如何。該測試問題中的群集基於多變量高斯，並非所有聚類算法都能有效地識別這些類型的群集。因此，本教程中的結果不應用作比較一般方法的基礎。下面列出了創建和匯總合成聚類數據集的示例。

運行該示例將創建合成的聚類數據集，然後創建輸入數據的散點圖，其中點由類標籤（理想化的群集）着色。我們可以清楚地看到兩個不同的數據組在兩個維度，並希望一個自動的聚類算法可以檢測這些分組。

已知聚類着色點的合成聚類數據集的散點圖接下來，我們可以開始查看應用於此數據集的聚類算法的示例。我已經做了一些最小的嘗試來調整每個方法到數據集。3.親和力傳播親和力傳播包括找到一組最能概括數據的範例。

它是通過 AffinityPropagation 類實現的，要調整的主要配置是將“ 阻尼 ”設置為0.5到1，甚至可能是“首選項”。下面列出了完整的示例。

運行該示例符合訓練數據集上的模型，並預測數據集中每個示例的群集。然後創建一個散點圖，並由其指定的群集着色。在這種情況下，我無法取得良好的結果。

數據集的散點圖，具有使用親和力傳播識別的聚類

4.聚合聚類

聚合聚類涉及合併示例，直到達到所需的群集數量為止。它是層次聚類方法的更廣泛類的一部分，通過 AgglomerationClustering 類實現的，主要配置是“ n _ clusters ”集，這是對數據中的群集數量的估計，例如2。下面列出了完整的示例。

運行該示例符合訓練數據集上的模型，並預測數據集中每個示例的群集。然後創建一個散點圖，並由其指定的群集着色。在這種情況下，可以找到一個合理的分組。

使用聚集聚類識別出具有聚類的數據集的散點圖

5.BIRCHBIRCH

聚類（ BIRCH 是平衡迭代減少的縮寫，聚類使用層次結構)包括構造一個樹狀結構，從中提取聚類質心。

它是通過 Birch 類實現的，主要配置是“ threshold ”和“ n _ clusters ”超參數，後者提供了群集數量的估計。下面列出了完整的示例。

運行該示例符合訓練數據集上的模型，並預測數據集中每個示例的群集。然後創建一個散點圖，並由其指定的群集着色。在這種情況下，可以找到一個很好的分組。

使用BIRCH聚類確定具有聚類的數據集的散點圖

6.DBSCANDBSCAN

聚類（其中 DBSCAN 是基於密度的空間聚類的噪聲應用程序）涉及在域中尋找高密度區域，並將其周圍的特徵空間區域擴展為群集。

它是通過 DBSCAN 類實現的，主要配置是“ eps ”和“ min _ samples ”超參數。下面列出了完整的示例。

運行該示例符合訓練數據集上的模型，並預測數據集中每個示例的群集。然後創建一個散點圖，並由其指定的群集着色。在這種情況下，儘管需要更多的調整，但是找到了合理的分組。

使用DBSCAN集群識別出具有集群的數據集的散點圖

7.K均值

K-均值聚類可以是最常見的聚類算法，並涉及向群集分配示例，以盡量減少每個群集內的方差。

它是通過 K-均值類實現的，要優化的主要配置是“ n _ clusters ”超參數設置為數據中估計的群集數量。下面列出了完整的示例。

運行該示例符合訓練數據集上的模型，並預測數據集中每個示例的群集。然後創建一個散點圖，並由其指定的群集着色。在這種情況下，可以找到一個合理的分組，儘管每個維度中的不等等方差使得該方法不太適合該數據集。

使用K均值聚類識別出具有聚類的數據集的散點圖

8.Mini-Batch

K-均值Mini-Batch K-均值是 K-均值的修改版本，它使用小批量的樣本而不是整個數據集對群集質心進行更新，這可以使大數據集的更新速度更快，並且可能對統計噪聲更健壯。

它是通過 MiniBatchKMeans 類實現的，要優化的主配置是“ n _ clusters ”超參數，設置為數據中估計的群集數量。下面列出了完整的示例。

運行該示例符合訓練數據集上的模型，並預測數據集中每個示例的群集。然後創建一個散點圖，並由其指定的群集着色。在這種情況下，會找到與標準 K-均值算法相當的結果。

帶有最小批次K均值聚類的聚類數據集的散點圖

9.均值漂移聚類

均值漂移聚類涉及到根據特徵空間中的實例密度來尋找和調整質心。

它是通過 MeanShift 類實現的，主要配置是“帶寬”超參數。下面列出了完整的示例。

運行該示例符合訓練數據集上的模型，並預測數據集中每個示例的群集。然後創建一個散點圖，並由其指定的群集着色。在這種情況下，可以在數據中找到一組合理的群集。

具有均值漂移聚類的聚類數據集散點圖

10.OPTICSOPTICS

聚類（ OPTICS 短於訂購點數以標識聚類結構）是上述 DBSCAN 的修改版本。

它是通過 OPTICS 類實現的，主要配置是“ eps ”和“ min _ samples ”超參數。下面列出了完整的示例。

運行該示例符合訓練數據集上的模型，並預測數據集中每個示例的群集。然後創建一個散點圖，並由其指定的群集着色。在這種情況下，我無法在此數據集上獲得合理的結果。

使用OPTICS聚類確定具有聚類的數據集的散點圖

11.光譜聚類

光譜聚類是一類通用的聚類方法，取自線性線性代數。

它是通過 Spectral 聚類類實現的，而主要的 Spectral 聚類是一個由聚類方法組成的通用類，取自線性線性代數。要優化的是“ n _ clusters ”超參數，用於指定數據中的估計群集數量。下面列出了完整的示例。

運行該示例符合訓練數據集上的模型，並預測數據集中每個示例的群集。然後創建一個散點圖，並由其指定的群集着色。在這種情況下，找到了合理的集群。

使用光譜聚類聚類識別出具有聚類的數據集的散點圖

12.高斯混合模型

高斯混合模型總結了一個多變量概率密度函數，顧名思義就是混合了高斯概率分布。它是通過 Gaussian Mixture 類實現的，要優化的主要配置是“ n _ clusters ”超參數，用於指定數據中估計的群集數量。下面列出了完整的示例。

運行該示例符合訓練數據集上的模型，並預測數據集中每個示例的群集。然後創建一個散點圖，並由其指定的群集着色。在這種情況下，我們可以看到群集被完美地識別。這並不奇怪，因為數據集是作為 Gaussian 的混合生成的。

使用高斯混合聚類識別出具有聚類的數據集的散點圖

在本文中，你發現了如何在 python 中安裝和使用頂級聚類算法。具體來說，你學到了：

Python正確重載運算符的方法示例詳解

說到運算符重載相信大家都不陌生，運算符重載的作用是讓用戶定義的對象使用中綴運算符（如 + 和 |）或一元運算符（如 – 和 ~）。說得寬泛一些，在 Python 中，函數調用（()）、屬性訪問（.）和元素訪問 / 切片（[]）也是運算符。

我們為 Vector 類簡略實現了幾個運算符。__add__ 和 __mul__ 方法是為了展示如何使用特殊方法重載運算符，不過有些小問題被我們忽視了。此外，我們定義的Vector2d.__eq__ 方法認為 Vector(3, 4) == [3, 4] 是真的（True），這可能並不合理。下面來一起看看詳細的介紹吧。

運算符重載基礎

在某些圈子中，運算符重載的名聲並不好。這個語言特性可能（已經）被濫用，讓程序員困惑，導致缺陷和意料之外的性能瓶頸。但是，如果使用得當，API 會變得好用，代碼會變得易於閱讀。Python 施加了一些限制，做好了靈活性、可用性和安全性方面的平衡：

不能重載內置類型的運算符

不能新建運算符，只能重載現有的

某些運算符不能重載——is、and、or 和 not（不過位運算符

、| 和 ~ 可以）

前面的博文已經為 Vector 定義了一個中綴運算符，即 ==，這個運算符由__eq__ 方法支持。我們將改進 __eq__ 方法的實現，更好地處理不是Vector 實例的操作數。然而，在運算符重載方面，眾多比較運算符（==、!=、、、=、=）是特例，因此我們首先將在 Vector 中重載四個算術運算符：一元運算符 – 和 +，以及中綴運算符 + 和 *。

一元運算符

-（__neg__）

一元取負算術運算符。如果 x 是 -2，那麼 -x == 2。

+（__pos__）

一元取正算術運算符。通常，x == +x，但也有一些例外。如果好奇，請閱讀“x 和 +x 何時不相等”附註欄。

~（__invert__）

對整數按位取反，定義為 ~x == -(x+1)。如果 x 是 2，那麼 ~x== -3。

支持一元運算符很簡單，只需實現相應的特殊方法。這些特殊方法只有一個參數，self。然後，使用符合所在類的邏輯實現。不過，要遵守運算符的一個基本規則：始終返回一個新對象。也就是說，不能修改self，要創建並返回合適類型的新實例。

對 – 和 + 來說，結果可能是與 self 同屬一類的實例。多數時候，+ 最好返回 self 的副本。abs(…) 的結果應該是一個標量。但是對 ~ 來說，很難說什麼結果是合理的，因為可能不是處理整數的位，例如在ORM 中，SQL WHERE 子句應該返回反集。

def __abs__(self):

return math.sqrt(sum(x * x for x in self))

def __neg__(self):

return Vector(-x for x in self) #為了計算 -v，構建一個新 Vector 實例，把 self 的每個分量都取反

def __pos__(self):

return Vector(self) #為了計算 +v，構建一個新 Vector 實例，傳入 self 的各個分量

x 和 +x 何時不相等

每個人都覺得 x == +x，而且在 Python 中，幾乎所有情況下都是這樣。但是，我在標準庫中找到兩例 x != +x 的情況。

第一例與 decimal.Decimal 類有關。如果 x 是 Decimal 實例，在算術運算的上下文中創建，然後在不同的上下文中計算 +x，那麼 x!= +x。例如，x 所在的上下文使用某個精度，而計算 +x 時，精度變了，例如下面的

python提供了多種的數據類型，用來存放數據。其中數據類型中又包括：字符串，布爾類型，整數，浮點數，數字，列表，元組，字典，日期。

1、字符串

a=’this is string’print aa=”this is string”print aa=”’this is stringthis is stringthis is string”’print a

布爾類型

常見的用於循環判斷中

整數

a=int(80.9741)print a

浮點數

a= float(80.974)print a

字符類型的轉換

int(x [,base]) 將x轉換為一個整數

float(x ) 將x轉換到一個浮點數

complex(real [,imag]) 創建一個複數

str(x) 將對象x轉換為字符串

repr(x) 將對象x轉換為表達式字符串

eval(str) 用來計算在字符串中的有效Python表達式,並返回一個對象

tuple(s) 將序列s轉換為一個元組

list(s) 將序列s轉換為一個列表

chr(x) 將一個整數轉換為一個字符

unichr(x) 將一個整數轉換為Unicode字符

ord(x) 將一個字符轉換為它的整數值

hex(x) 將一個整數轉換為一個十六進制字符串

oct(x) 將一個整數轉換為一個八進制字符串

列表

L1 = [1,2,3]print L1L2 = [‘abc’]print L2L3 = [“a”,”b”,”c”]print L3L = list(“Python”)print Lprint L[0]print L[3]print L[-1]

Python的元組與列表類似，不同之處在於元組的元素不能修改；元組使用小括號()，列表使用方括號[]；元組創建很簡單，只需要在括號中添加元素，並使用逗號(,)隔開即可，例如：

tup1 = (‘physics’, ‘chemistry’, 1997, 2000);

tup2 = (1, 2, 3, 4, 5 );

tup3 = “a”, “b”, “c”, “d”;

字典(dictionary)是除列表之外python中最靈活的內置數據結構類型。列表是有序的對象結合，字典是無序的對象集合。兩者之間的區別在於：字典當中的元素是通過鍵來存取的，而不是通過偏移存取。

字典由鍵和對應的值組成。字典也被稱作關聯數組或哈希表。基本語法如下：

dict = {‘Alice’: ‘2341’, ‘Beth’: ‘9102’, ‘Cecil’: ‘3258’};

時間日期

import time, datetime;localtime = time.localtime(time.time())today = datetime.date.today()print “Local current time :”, today