概述
1、OS模块
os.getcwd() //获取当前工作的目录，如：返回结果为：'C:\Program Files\Python36'
os.listdir(path) //列出path目录下所有的文件和目录名。Path参数可以省略,如：os.listdir(".")
os.remove(path) //删除path指定的文件，该参数不能省略。
os.rmdir(path) //删除path指定的目录，该参数不能省略。
os.mkdir(path) //创建path指定的目录，该参数不能省略。递归建立可用：os.makedirs()
os.path.split(path) //返回路径的目录和文件名，即将目录和文件名分开，而不是一个整体。此处只是把前后两部分分开而已。就是找最后一个'/'。
os.path.join(path, name)//连接目录和文件名，与os.path.split(path)相对。
os.chdir(path) //'change dir'改变目录到指定目录
os.path.basename(path) //返回文件名
os.path.dirname(path) //返回文件路径
os.walk(path) //返回的是一个三元组(root,dirs,files):
{ root 所指的是当前正在遍历的这个文件夹的本身的地址
dirs 是一个 list ，内容是该文件夹中所有的目录的名字(不包括子目录)
files 同样是 list , 内容是该文件夹中所有的文件(不包括子目录)
}
2、sys模块
sys.path.insert(0,path) //使用sys.path.insert()方法可以临时添加搜索路径，方便更简洁的import其他包和模块。
3、pandas模块
import pandas as pd
df：任意的Pandas DataFrame对象，一个类似于一维数组的对象，它有一个数组标签，也称之为索引 (index)
s：任意的Pandas Series对象，类似于一个表格
导入数据：
pd.read_csv(filename) //从CSV文件导入数据
pd.read_json(json_string) //从JSON格式的字符串导入数据
pd.DataFrame(dict) //从字典对象导入数据，Key是列名，Value是数据
pd.read_excel(filename) //从Excel文件导入数据
导出数据
df.to_csv(filename) //导出数据到CSV文件
df.to_excel(filename) //导出数据到Excel文件
df.to_json(filename) //以Json格式导出数据到文本文件
创建测试对象
pd.DataFrame(np.random.rand(20,5)) //创建20行5列的随机数组成的DataFrame对象
pd.Series(my_list) //从可迭代对象my_list创建一个Series对象
查看、检查数据
df.head(n) //查看DataFrame对象的前n行
df.tail(n) //查看DataFrame对象的最后n行
df.shape() //查看行数和列数
df.info() //查看索引、数据类型和内存信息
数据选取
df[col] //根据列名，并以Series的形式返回列
df[[col1, col2]] //以DataFrame形式返回多列
s.iloc[0] //按位置选取数据
s.loc['index_one'] //按索引选取数据
df.iloc[0,:] //返回第一行
df.iloc[0,0] //返回第一列的第一个元素
df.values[:,:-1] //返回除了最后一列的其他列的所以数据
df.query('[1, 2] not in c') //返回c列中不包含1，2的其他数据集
数据处理
df[df[col] > 0.5] //选择col列的值大于0.5的行
df.sort_values(col1) //按照列col1排序数据，默认升序排列
df.sort_values(col2, ascending=False) //按照列col1降序排列数据
df.sort_values([col1,col2], ascending=[True,False]) //先按列col1升序排列，后按col2降序排列数据
df1.append(df2) //将df2中的行添加到df1的尾部
df.concat([df1, df2],axis=1) //将df2中的列添加到df1的尾部
df1.join(df2,on=col1,how='inner') //对df1的列和df2的列执行SQL形式的join
数据统计
df.describe() //查看数据值列的汇总统计
df.mean() //返回所有列的均值
df.corr() //返回列与列之间的相关系数
df.count() //返回每一列中的非空值的个数
df.max() //返回每一列的最大值
df.min() //返回每一列的最小值
df.median() //返回每一列的中位数
df.std() //返回每一列的标准差
4、Numpy模块
创建数组array
# 创建数组array
import numpy as np
a = np.array([1,2,3]) #创建数组
b = np.array([(1.5,2,3), (4,5,6)],dtype=float)
c = np.array([(1.5,2,3), (4,5,6)],[(3,2,1), (4,5,6) ] ], dtype=float)
np.zeros((3,4)) #创建0数组
np.ones((2,3,4), dtype=np.int16) #创建1数组
d = np.arrange(10,25,5) #创建相同步数数组
np.linspace(0,2,9) #创建等差数组
e = np.full((2,2), 7) #创建常数数组
f = np.eye(2) #创建2x2矩阵
np.random.random((2,2)) #创建随机数组
np.empty((3,2)) #创建空数组
复制数组
#复制数组
h = a.view()
np.copy(a)
h = a.copy()
输出数组
# 输出数组array
import numpy as np
print(my_array) #打印数组
#saving &Loading on disk保存到磁盘
np.save('my_array', a)
np.savez('array.npz', a, b)
np.load('my_array.npy')
#saving &Loading Text files保存到文件
np.loadtxt("my file.txt")
np.genfromtxt("my_file.csv", delimiter=',')
np.savetxt("marry.txt", a, delimiter="")
Numpy中的基本运算
# 基本运算
import numpy as np
#arithmetic operation算术运算
g = a - b
np.subtract(a,b) #减法
b+a
np.add(b,a) #加法
a / b
np.divide(a,b) #除法
a * b
np.multiple(a,b) #乘法
np.exp(b) #指数
np.sqrt(b) #开方
np.sin(a) #sin函数
np.cos(b) #cos函数
np.log(a) #log函数
e.dot(f) #内积
#Comparison比较
a == b #元素
a < 2 #元素
np.array_equal(a,b) #数组
#Aggregate Functions 函数
a.sum() #求和
b.min() #最小值
b.max(axis=0) #最大值数组列
b.cumsum(axis=1) #元素累加和
a.mean() #平均值
b.median() #中位数
a.corrcoef() #相关系数
np.std(b) #标准差
数组处理
# 数组处理
import numpy as np
#Transposing Array
I = np.transpose(b) #转置矩阵
i.T #转置矩阵
#Changing Array Shape
b.ravel() #降为一维数组
g.reshape(3,-2) #重组
#Adding/Removing Elements
h.resize((2,6)) #返回shape(2,6)
np.append(h,g) #添加
np.insert(a,1,5) #插入
np.delete(a,[1]) #删除
#Combining Arrays
np.concatenate((a,d), axis=0) #连结
np.vstack((a,b)) #垂直堆叠
np.r_[e,f] #垂直堆叠
np.hstack((e,f)) #水平堆叠
np.column_stack((a,d)) #创建水平堆叠
np.c_[a,d] ##创建水平堆叠
#splitting arrays
np.hsplit(a,3) #水平分离
np.vsplit(c,2) #垂直分离
数组索引
# 数组索引
import numpy as np
#subsetting
a[2] #选取数组第三个元素
b[1,2] #选取2行3列元素
#slicing
a[0:2] #选1到3元素
b[0:2,1] #选1到2行的2列元素
b[:1] #选所有1行的元素
c[1,...] #c[1,:,:]
a[ : :-1] #反转数组
#Boolean Indexing
a[a<2] #选取数组中元素<2的
#Fancy Indexing
b[[1,0,1,0], [0,1,2,0]]
#选取[1,0],[0,1],[1,2],[0,0]
b[[1,0,1,0][:, [0,1,2,0]]]
#选取矩阵的一部分
Numpy中的数据类型
# numpy中的数据类型
np.int64 #64位整数
np.float32 #标准双精度浮点
np.complex #复杂树已浮点128为代表
np.bool #true&false
np.object #python object
np.string_ #固定长度字符串
np.unicode_ #固定长度统一码
检查数组信息
# 检查数组信息
a.shape #数组维度
len(a) #数组长度
b.ndim #数组维度数量
e.size #数组元素数量
b.dtype #元素数据类型
b.dtype.name #数据类型名
b.astype(int) #改变数组类型
#asking for help更多信息
np.info(np.ndarray.dtype)
对数组进行排序
#对数组进行排序
a.sort()
c.sort(axis=0)
5、matplotlib模块
plt.figure()
import matplotlib.pyplot as plt
plt.figure( num=None,
figsize=None,
dpi=None,
facecolor=None,
edgecolor=None,
frameon=True,
FigureClass=<class 'matplotlib.figure.Figure'>,
clear=False, **kwargs)
num：整数或字符串，可选，默认:无
figsize：(float, float), optional, default: None
dpi：图形分辨率，整数，可选，默认:无
facecolor：背景颜色
edgecolor：边框颜色
frameon：bool，可选，默认值:True //如果为False，则禁止绘制图形框
FigureClass：图的子类
clear：bool，可选，默认值:True 如果为True且该图片已经存在，则清除它。
plt.imshow()
plt.imshow( X,
cmap=None,
norm=None,
aspect=None,
interpolation=None,
alpha=None,
vmin=None,
vmax=None,
origin=None,
extent=None,
shape=<deprecated parameter>,
filternorm=1,
filterrad=4.0,
imlim=<deprecated parameter>,
resample=None,
url=None,
*,
data=None,
**kwargs)
X：图像数据
cmap：str或Colormap，可选
norm：正常化,可选
aspect：{'equal'， 'auto'}或float，可选 ‘equal’:确保长宽比为1；’auto‘：自动调整长宽
interpolation：str,可选 'none', 'nearest', 'bilinear', 'bicubic', 'spline16', 'spline36', 'hanning', 'hamming',
'hermite', 'kaiser', 'quadric', 'catrom', 'gaussian', 'bessel', 'mitchell', 'sinc', 'lanczos'
alpha：比例,可选 介于0(透明)和1(不透明)之间
vmin, vmax：比例,可选 当使用标量数据而没有明确的norm时，vmin和vmax定义了颜色映射所涵盖的数据范围
origin： {'upper', 'lower'}，可选的
plt.subplot()
plt.subplot(nrows,ncols,index,**kwargs)
子图将在包含nrows行和ncols列的网格中占据索引位置。index从左上角的1开始，向右递增
plt.plot()
plt.plot(x,y,format_string,**kwargs)
x轴数据，
y轴数据，
format_string控制曲线的格式字串 ，format_string由颜色字符，风格字符，和标记字符
'b' blue
'g' green
'r' red
'c' cyan
'm' magenta
'y' yellow
'k' black
'w' white
最后
以上就是洁净百褶裙为你收集整理的在深度学习中Python常用模块的全部内容，希望文章能够帮你解决在深度学习中Python常用模块所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复