axis

合并 np.newaxis import numpy as np a=np.array([1,2,3])[:,np.newaxis]#变成列向量 b=np.array([4,5,6])[:,np.newaxis]#变成列向量 c=np.vstack((a,b)) #vertical stack d=np.hstack((a,b))#horizontal stack print(a.shape ,b.shape) # ((3,1),(3,1)) print(c.shape) # (6,1) print(d.shape) # (3,2) np.concatenate import numpy as np a=np.array([1,2,3])[:,np.newaxis] b=np.array([4,5,6])[:,np.newaxis] c=np.concatenate((a,b,b,a)) print(c)#按列合并 d=np.concatenate((a,b,b,a),axis=0)#设置在列上合并 print(d) e=np.concatenate((a,b,b,a),axis=1)#设置在行上合并，3行4列 print(e) 分割 import numpy as np a=np.arange(12).reshape((3,4)) print(a) print(np.split

读取csv文件 data=pd.read_csv（‘G:\IOtest_1.csv’） 1、删除全为空值的行或列 data=data.dropna(axis=0,how='all') #行 data=data.dropna(axis=1,how='all') #列 2、删除含有空值的行或列 data=data.dropna(axis=0,how='any') #行 data=data.dropna(axis=1,how='any') #列 来源： https://www.cnblogs.com/xiao-hai/p/11678632.html

Pandas对于CSV的简单操作 最近在研究pandas对于csv文件的读取以及一些操作,网上的信息比较乱,写篇博客记录一下,毕竟自己写的才是最适合自己的用法. 首先我们应该都知道,pandas是一个用于数据分析,以及可以简单的绘图的一个python模块,本文并不是从零开始介绍这个模块,而是从我最近几天的使用来说的,从我用到的,最实用的那一部分说起. 首先,导入模块,这是必须的 import pandas as pd # 不要问我为什么要简称pd,大家都是这么做的,惯例,日常习惯好伐 import numpy as np ​ 导入模块之后,我们就需要导入CSV文件,对,就是这么直奔主题,我这里不会讲什么series,也不会讲什么numpy数组,那些理论都不实用,我们就是要直接用,碰到问题再去解决. 读取csv文件的方法叫做 read_csv() 读取csv文件 df = pd.read_csv(filename,usecols=[要取的列名]) ''' read_csv的参数很多,有需求可以去查,因为我这里只是用到了要取到的列名,所以只写这一个,当然你可以写encoding="utf-8"来防止读取时候中文有乱码,或者等等之类的. filename可以是当前文件夹里的文件名,或者是从根目录开始的一个路径,比如下例 usecols = [] 这里写要取的列名

最近项目需求，用R画了一个九宫格的图，第一次画，将简化后的脚本呈现一下，不是有人说，既然做了，那就摆出来吧。 *中文行为说明： args <- commandArgs(T) 调用命令行读取 file <- read.table(args[1]) 以表格形式读取第一个文件 my_len = length(args) 计算总文件数 a <- t(file[1]) 读取第一个文件第一列 #par(mfrow=c(3,3)) #绘制九宫格画布（3 x 3） nm = args[1] 定义画布的标题 pdf (paste(nm, "all.pdf", sep = ".")) 定义输出图片格式和文件名 split.screen(c(3,3)) 绘制九宫格画布（3 x 3） c <- matrix(0, ncol = 52) 定义一个新的数据c，由52个0组成的列 for (j in 1:7){ 循环读取7个文件 file <- read.table(args[j]) 读取各个文件 print (file) 打印文件检验读取是否正确 b <- t(file[2]) 取文件第二列作为b c = c + b c为所有文件第二列的求和 print (args[j]) 输出当前读取文件名 maxa = max(a) 获取a数组的最大值 maxb = max(b) 获取b数组的最大值 col_c=c("

如何使用axis2发布webservice？ axis2发布webservice分为打包发布和不打包发布两种，今天主要研究了一下打包发布的方法 1.部署axis2框架(使用tomcat部署) 1.1 下载axis2的war包，测试使用的war包为axis2-1.6.2-war.zip，解压获得axis2.war包 1.2 将axis2.war包拷贝到%Tomcat_Home%/webapps目录下，然后启动tomcat，启动成功之 后访问 http://localhost:8080/axis2 ，点击services可以看见已发布成功的webservi ce列表，在webapps目录可以看见产生了一个axix2的文件夹 2.开发需要发布的webservice服务 2.1 例如简单的SayHello为例 package axis2Demo; public class SayHello { public String sayHello(String args){ try{ return args; }finally{ System.out.println("sayHello被调用..."); } } public String sayGoodBye(String args){ try { return args; }finally{ System.out.println(

内部给的例子 >>> np.sum([0.5, 1.5]) 2.0 >>> np.sum([0.5, 0.7, 0.2, 1.5], dtype=np.int32) 1 >>> np.sum([[0, 1], [0, 5]]) 6 >>> np.sum([[0, 1], [0, 5]], axis=0) array([0, 6]) >>> np.sum([[0, 1], [0, 5]], axis=1) array([1, 5]) >>> np.sum([[0, 1], [np.nan, 5]], where=[False, True], axis=1) array([1., 5.]) If the accumulator is too small, overflow occurs: >>> np.ones(128, dtype=np.int8).sum(dtype=np.int8) -128 You can also start the sum with a value other than zero: >>> np.sum([10], initial=5) 15 来源： https://www.cnblogs.com/Emcikem/p/11668843.html

Numpy是数据处理的利器 import numpy as np array = np.zeros((3,4)) #生成零矩阵 array1 = np.ones((3,4))#生成单位矩阵 array2 = np.empty((3,4))#生成近似零的矩阵 print(array) print(array1) print(array2) array = np.arange(10,20,2) #从10到20间隔2 array = np.arange(12).reshape((3,4)) #分成12个，生产3x4的矩阵 array = np.linspace(1,10,6) #生成线段数列 6个点5段 array = np.linspace(1,10,6).reshape((2,3)) array = np.array([1,2,3],dtype=np.int64) print(array.dtype) #显示位数 print(array.ndim) #维度 print(array.shape) #形状 print(array.size) #大小 a = np.array([[1,1], [0,1]]) b = np.arange(4).reshape((2,2)) print(a) print(b) c = a*b print(c) c_dot = np.dot(a,b) print

网络上关于ReLU、LReLU等非常多的理论东西，可是大部分都是理论的，聚集怎么应用比较少。 在 Convolutional Neural Network (CNN) https://tensorflow.google.cn/tutorials/images/cnn?hl=en 的学习课程中，激活函数是 relu。 在学习过程中，看有的博文中说当激活函数 ReLU 效果不好时，建议使用LReLU试试，可是网上并没有特别详细的使用方法，只好去官网上找。 1 关于 relu 的常规使用方法 首先使用常规的relu —— 直接使用。 直接使用官网例子《Create the convolutional base》 https://tensorflow.google.cn/tutorials/images/cnn?hl=en#create_the_convolutional_base model = models.Sequential() model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3))) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(64, (3, 3), activation='relu'))

1、向画布当中的任意位置添加任意数量的坐标轴 1 import matplotlib.pyplot as plt 2 import numpy as np 3 4 # 左、下分别表示坐标轴的左侧边缘和底部边缘距离画布的距离 5 # 宽、高分别表示坐标轴的宽度和高度 6 plt.axes([0.05,0.7,.3,.3], # 左，下，宽，高 7 frameon=True, # True表示绘制坐标轴的四条轴脊,也就是四条边框 8 aspect="equal") # 控制图像的宽高比例 9 plt.plot(np.arange(3), # X坐标轴刻度 10 [0,1,0], # 曲线值 11 color="blue", # 曲线的颜色 12 linewidth=2, # 曲线宽度 13 linestyle="--") # 曲线样式 14 15 plt.axes([0.3,0.4,.3,.3], 16 frameon=True, 17 aspect="equal") 18 plt.plot(2+np.arange(3), 19 [0,1,0], 20 color="red", 21 linewidth=2, 22 linestyle="-") 23 24 plt.axes([0.55,0.1,.3,.3], 25 frameon=True, 26 aspect="equal") 27

什么是逻辑回归 逻辑回归虽然名字有回归，但解决的是分类问题。 逻辑回归既可以看做回归算法，也可以看做是分类算法，通常作为分类算法用，只可以解决二分类问题。 Sigmoid函数： import numpy as np import matplotlib.pyplot as plt def sigmoid(t): return 1 / (1+np.exp(-t)) x=np.linspace(-10,10,500) y=sigmoid(x) plt.plot(x,y) plt.show() 逻辑回归的损失函数 推导过程这里就不赘述了，高等数学基本知识。 向量化： 逻辑回归的向量化梯度： LogisticRegression.py： import numpy as np from .metrics import accuracy_score class LogisticRegression: def __init__(self): """初始化Logistic Regression模型""" self.coef_ = None self.intercept_ = None self._theta = None def _sigmoid(self, t): return 1. / (1. + np.exp(-t)) def fit(self, X_train, y_train, eta=0