<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[a201550的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/a201550</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; a201550]]></copyright><item><title><![CDATA[4、、多变量线性回归(Linear Regression with Multiple Variables)]]></title><link>https://blog.youkuaiyun.com/a201550/article/details/101705808</link><guid>https://blog.youkuaiyun.com/a201550/article/details/101705808</guid><author>a201550</author><pubDate>Sun, 29 Sep 2019 16:03:00 +0800</pubDate><description><![CDATA[4.1 多维特征
目前为止，我们探讨了单变量/特征的回归模型，现在我们对房价模型增加更多的特征，例如房间数楼层等，构成一个含有多个变量的模型，模型中的特征为(x1,x2,...xn)

增添更多特征后，我们引入一系列新的注释：
n 代表特征的数量
x(i)代表第 i个训练实例，是特征矩阵中的第$i$行，是一个向量（vector）。
比方说，上图的




xj...]]></description><category></category></item><item><title><![CDATA[21、numpy—Matplotlib]]></title><link>https://blog.youkuaiyun.com/a201550/article/details/101705807</link><guid>https://blog.youkuaiyun.com/a201550/article/details/101705807</guid><author>a201550</author><pubDate>Fri, 27 Sep 2019 16:31:00 +0800</pubDate><description><![CDATA[NumPy Matplotlib
Matplotlib 是 Python 的绘图库。 它可与 NumPy 一起使用，提供了一种有效的 MatLab 开源替代方案。 它也可以和图形工具包一起使用，如 PyQt 和 wxPython。
引例：np.arange() 函数创建 x 轴上的值。y 轴上的对应值存储在另一个数组对象 y 中。 这些值使用 matplotlib 软件包的 pypl...]]></description><category></category></item><item><title><![CDATA[20、numpy——IO]]></title><link>https://blog.youkuaiyun.com/a201550/article/details/101705803</link><guid>https://blog.youkuaiyun.com/a201550/article/details/101705803</guid><author>a201550</author><pubDate>Fri, 27 Sep 2019 11:15:00 +0800</pubDate><description><![CDATA[NumPy IO
Numpy 可以读写磁盘上的文本数据或二进制数据。
NumPy 为 ndarray 对象引入了一个简单的文件格式：npy。
npy 文件用于存储重建 ndarray 所需的数据、图形、dtype 和其他信息。
常用的 IO 函数有：

load() 和 save() 函数是读写文件数组数据的两个主要函数，默认情况下，数组是以未压缩的原始二进制格式保存在扩展名...]]></description><category></category></item><item><title><![CDATA[19、NumPy——线性代数]]></title><link>https://blog.youkuaiyun.com/a201550/article/details/101705804</link><guid>https://blog.youkuaiyun.com/a201550/article/details/101705804</guid><author>a201550</author><pubDate>Fri, 27 Sep 2019 10:45:00 +0800</pubDate><description><![CDATA[NumPy 线性代数
NumPy 提供了线性代数函数库linalg，该库包含了线性代数所需的所有功能，可以看看下面的说明：


函数描述



dot
两个数组的点积，即元素对应相乘。


vdot
两个向量的点积


inner
两个数组的内积


matmul
两个数组的矩阵积


determinant
数组的行列式


s...]]></description><category></category></item><item><title><![CDATA[18、NumPy——矩阵库(Matrix)]]></title><link>https://blog.youkuaiyun.com/a201550/article/details/101705802</link><guid>https://blog.youkuaiyun.com/a201550/article/details/101705802</guid><author>a201550</author><pubDate>Thu, 26 Sep 2019 16:51:00 +0800</pubDate><description><![CDATA[NumPy 矩阵库(Matrix)
NumPy 中包含了一个矩阵库 numpy.matlib，该模块中的函数返回的是一个矩阵，而不是 ndarray 对象。
一个的矩阵是一个由行（row）列（column）元素排列成的矩形阵列。
矩阵里的元素可以是数字、符号或数学式。以下是一个由 6 个数字元素构成的 2 行 3 列的矩阵：

1、matlib.empty()
matlib...]]></description><category></category></item><item><title><![CDATA[17、NumPy——副本和视图]]></title><link>https://blog.youkuaiyun.com/a201550/article/details/101705801</link><guid>https://blog.youkuaiyun.com/a201550/article/details/101705801</guid><author>a201550</author><pubDate>Thu, 26 Sep 2019 16:35:00 +0800</pubDate><description><![CDATA[副本是一个数据的完整的拷贝，如果我们对副本进行修改，它不会影响到原始数据，物理内存不在同一位置。
视图是数据的一个别称或引用，通过该别称或引用亦便可访问、操作原有数据，但原有数据不会产生拷贝。如果我们对视图进行修改，它会影响到原始数据，物理内存在同一位置。
视图一般发生在：

1、numpy 的切片操作返回原数据的视图。
2、调用 ndarray 的 view() 函数产生一个...]]></description><category></category></item><item><title><![CDATA[16、NumPy ——字节交换]]></title><link>https://blog.youkuaiyun.com/a201550/article/details/101705800</link><guid>https://blog.youkuaiyun.com/a201550/article/details/101705800</guid><author>a201550</author><pubDate>Thu, 26 Sep 2019 16:14:00 +0800</pubDate><description><![CDATA[NumPy 字节交换
在几乎所有的机器上，多字节对象都被存储为连续的字节序列。字节顺序，是跨越多字节的程序对象的存储规则。


大端模式：指数据的高字节保存在内存的低地址中，而数据的低字节保存在内存的高地址中，这样的存储模式有点儿类似于把数据当作字符串顺序处理：地址由小向大增加，而数据从高位往低位放；这和我们的阅读习惯一致。


小端模式：指数据的高字节保存在内存的高地址中...]]></description><category></category></item><item><title><![CDATA[15、numpy——排序、条件刷选函数]]></title><link>https://blog.youkuaiyun.com/a201550/article/details/101705798</link><guid>https://blog.youkuaiyun.com/a201550/article/details/101705798</guid><author>a201550</author><pubDate>Thu, 26 Sep 2019 15:40:00 +0800</pubDate><description><![CDATA[NumPy 提供了多种排序的方法。 这些排序函数实现不同的排序算法，每个排序算法的特征在于执行速度，最坏情况性能，所需的工作空间和算法的稳定性。 下表显示了三种排序算法的比较。


种类速度最坏情况工作空间稳定性



'quicksort'（快速排序）
1
O(n^2)
0
否


'mergesort'（归并排序）
2
O(n*log(n))
~n/...]]></description><category></category></item><item><title><![CDATA[14、numpy——统计函数]]></title><link>https://blog.youkuaiyun.com/a201550/article/details/101705797</link><guid>https://blog.youkuaiyun.com/a201550/article/details/101705797</guid><author>a201550</author><pubDate>Thu, 26 Sep 2019 11:05:00 +0800</pubDate><description><![CDATA[NumPy 统计函数
NumPy 提供了很多统计函数，用于从数组中查找最小元素，最大元素，百分位标准差和方差等。 函数说明如下：（沿哪条轴执行，就是是最后结果的形式）
1、numpy.amin() 和 numpy.amax()
numpy.amin() 用于计算数组中的元素沿指定轴的最小值。
numpy.amax() 用于计算数组中的元素沿指定轴的最大值。

 1 impor...]]></description><category></category></item><item><title><![CDATA[13、numpy——算术函数]]></title><link>https://blog.youkuaiyun.com/a201550/article/details/101705756</link><guid>https://blog.youkuaiyun.com/a201550/article/details/101705756</guid><author>a201550</author><pubDate>Thu, 26 Sep 2019 10:29:00 +0800</pubDate><description><![CDATA[NumPy 算术函数
1、NumPy 算术函数包含简单的加减乘除:add()，subtract()，multiply()和divide()。
需要注意的是数组必须具有相同的形状或符合数组广播规则。

 1 import numpy as np
 2 a = np.arange(9, dtype=np.float_).reshape(3, 3)
 3 print('第一个...]]></description><category></category></item><item><title><![CDATA[12、numpy——数学函数]]></title><link>https://blog.youkuaiyun.com/a201550/article/details/101705796</link><guid>https://blog.youkuaiyun.com/a201550/article/details/101705796</guid><author>a201550</author><pubDate>Thu, 26 Sep 2019 10:19:00 +0800</pubDate><description><![CDATA[NumPy 数学函数
NumPy 包含大量的各种数学运算的函数，包括三角函数，算术运算的函数，复数处理函数等。
1、三角函数
NumPy 提供了标准的三角函数：sin()、cos()、tan()。

 1 import numpy as np
 2 print(np.pi)
 3 a = np.array([0, 30, 45, 60, 90])
 4 print('不同...]]></description><category></category></item><item><title><![CDATA[11、numpy——字符串函数]]></title><link>https://blog.youkuaiyun.com/a201550/article/details/101705793</link><guid>https://blog.youkuaiyun.com/a201550/article/details/101705793</guid><author>a201550</author><pubDate>Thu, 26 Sep 2019 09:53:00 +0800</pubDate><description><![CDATA[NumPy 字符串函数
以下函数用于对 dtype 为 numpy.string_ 或 numpy.unicode_ 的数组执行向量化字符串操作。 它们基于 Python 内置库中的标准字符串函数。
这些函数在字符数组类（numpy.char）中定义。


函数描述



add()
对两个数组的逐个字符串元素进行连接


multiply()
返回按元素多重...]]></description><category></category></item><item><title><![CDATA[10、numpy——位运算]]></title><link>https://blog.youkuaiyun.com/a201550/article/details/101705794</link><guid>https://blog.youkuaiyun.com/a201550/article/details/101705794</guid><author>a201550</author><pubDate>Thu, 26 Sep 2019 09:30:00 +0800</pubDate><description><![CDATA[NumPy 位运算
NumPy"bitwise_"开头的函数是位运算函数。
NumPy 位运算包括以下几个函数：


函数描述



bitwise_and
对数组元素执行位与操作


bitwise_or
对数组元素执行位或操作


invert
按位取反


left_shift
向左移动二进制表示的位


right_shift...]]></description><category></category></item><item><title><![CDATA[9、numpy——数组操作]]></title><link>https://blog.youkuaiyun.com/a201550/article/details/101705792</link><guid>https://blog.youkuaiyun.com/a201550/article/details/101705792</guid><author>a201550</author><pubDate>Wed, 25 Sep 2019 17:33:00 +0800</pubDate><description><![CDATA[Numpy 中包含了一些函数用于处理数组，大概可分为以下几类：
　　（1）修改数组形状
　　（2）翻转数组
　　（3）修改数组维度
　　（4）连接数组
　　（5）分割数组
　　（6）数组元素的添加与删除
1、修改数组形状


函数描述



reshape
不改变数据的条件下修改形状


flat
数组元素迭代器


flatten
返回一份...]]></description><category></category></item><item><title><![CDATA[8、numpy——数组的迭代]]></title><link>https://blog.youkuaiyun.com/a201550/article/details/101705788</link><guid>https://blog.youkuaiyun.com/a201550/article/details/101705788</guid><author>a201550</author><pubDate>Tue, 24 Sep 2019 10:58:00 +0800</pubDate><description><![CDATA[1、单数组的迭代
NumPy 迭代器对象 numpy.nditer 提供了一种灵活访问一个或者多个数组元素的方式。
迭代器最基本的任务的可以完成对数组元素的访问。
1.1 默认迭代顺序

1 import numpy as np
2 a = np.arange(6).reshape(2, 3)
3 b = a.T  # b为a的装置
4 print('a=', a)
5...]]></description><category></category></item><item><title><![CDATA[7、numpy——广播]]></title><link>https://blog.youkuaiyun.com/a201550/article/details/101705791</link><guid>https://blog.youkuaiyun.com/a201550/article/details/101705791</guid><author>a201550</author><pubDate>Mon, 23 Sep 2019 20:08:00 +0800</pubDate><description><![CDATA[1、广播的引出
广播(Broadcast)是 numpy 对不同形状(shape)的数组进行数值计算的方式， 对数组的算术运算通常在相应的元素上进行。
如果两个数组 a 和 b 形状相同，即满足a.shape == b.shape，那么 a*b 的结果就是 a 与 b 数组对应位相乘。这要求维数相同，且各维度的长度相同。

1 &gt;&gt;&gt; import numpy...]]></description><category></category></item><item><title><![CDATA[6、numpy——高级索引]]></title><link>https://blog.youkuaiyun.com/a201550/article/details/101705784</link><guid>https://blog.youkuaiyun.com/a201550/article/details/101705784</guid><author>a201550</author><pubDate>Mon, 23 Sep 2019 17:28:00 +0800</pubDate><description><![CDATA[NumPy 比一般的 Python 序列提供更多的索引方式。除了之前看到的用整数和切片的索引外，数组可以由整数数组索引、布尔索引及花式索引。
1、整数数组索引
1.1 以下实例获取数组中(0,0)，(1,1)和(2,0)位置处的元素。

1 import numpy as np
2 x = np.array([[1, 2], [3, 4], [5, 6]])
3 y = x[...]]></description><category></category></item><item><title><![CDATA[5、numpy——切片和索引]]></title><link>https://blog.youkuaiyun.com/a201550/article/details/101705787</link><guid>https://blog.youkuaiyun.com/a201550/article/details/101705787</guid><author>a201550</author><pubDate>Mon, 23 Sep 2019 16:40:00 +0800</pubDate><description><![CDATA[1、一维数组
1.1 一维数组很简单，基本和列表一致。ndarray 数组可以基于 0 - n 的下标进行索引。
　　切片对象可以通过内置的 slice 函数，并设置 start, stop 及 step 参数进行，从原数组中切割出一个新数组。
　　通过冒号分隔切片参数start:stop:step来进行切片操作：

1 import numpy as np
2 arr...]]></description><category></category></item><item><title><![CDATA[4、numpy——创建数组]]></title><link>https://blog.youkuaiyun.com/a201550/article/details/101705783</link><guid>https://blog.youkuaiyun.com/a201550/article/details/101705783</guid><author>a201550</author><pubDate>Mon, 23 Sep 2019 15:11:00 +0800</pubDate><description><![CDATA[1、普通创建——np.array()
创建数组最简单的方法就是使用array函数。它接收一切序列型的对象（包括其他数组），然后产生一个新的含有传入数据的Numpy数组。

1 import numpy as np
2 a1 = np.array([1, 2, 3])
3 print(a1)
4 a2 = np.array([[1, 2, 3], [2, 3, 4]], dty...]]></description><category></category></item><item><title><![CDATA[3、NumPy 数组属性]]></title><link>https://blog.youkuaiyun.com/a201550/article/details/101705781</link><guid>https://blog.youkuaiyun.com/a201550/article/details/101705781</guid><author>a201550</author><pubDate>Fri, 20 Sep 2019 17:27:00 +0800</pubDate><description><![CDATA[1、秩、维度
NumPy 数组的维数称为秩（rank），一维数组的秩为 1，二维数组的秩为 2，以此类推。
在 NumPy中，每一个线性的数组称为是一个轴（axis），也就是维度（dimensions）。比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是 NumPy 中的轴（axis），第一个轴相当于是底层数组，第二个轴是底层数组里的...]]></description><category></category></item></channel></rss>