1、定義函數(shù)
成都創(chuàng)新互聯(lián)公司長(zhǎng)期為1000+客戶提供的網(wǎng)站建設(shè)服務(wù)，團(tuán)隊(duì)從業(yè)經(jīng)驗(yàn)10年，關(guān)注不同地域、不同群體，并針對(duì)不同對(duì)象提供差異化的產(chǎn)品和服務(wù)；打造開(kāi)放共贏平臺(tái)，與合作伙伴共同營(yíng)造健康的互聯(lián)網(wǎng)生態(tài)環(huán)境。為安新企業(yè)提供專業(yè)的成都做網(wǎng)站、網(wǎng)站設(shè)計(jì)，安新網(wǎng)站改版等技術(shù)服務(wù)。擁有十多年豐富建站經(jīng)驗(yàn)和眾多成功案例,為您定制開(kāi)發(fā)。
函數(shù)是可重用的程序。本書(shū)中已經(jīng)使用了許多內(nèi)建函數(shù)，如len()函數(shù)和range()函數(shù)，但是還沒(méi)自定義過(guò)函數(shù)。定義函數(shù)的語(yǔ)法格式如下：
def 函數(shù)名(參數(shù)):
函數(shù)體
定義函數(shù)的規(guī)則如下：
①關(guān)鍵字def用來(lái)定義一個(gè)函數(shù)，它是define的縮寫(xiě)。
②函數(shù)名是函數(shù)的唯一標(biāo)識(shí)，函數(shù)名的命名規(guī)則遵循標(biāo)識(shí)符的命名規(guī)則。
③函數(shù)名后面一定要緊跟著一個(gè)括號(hào)，括號(hào)內(nèi)的參數(shù)是可選的，括號(hào)后面要有冒號(hào)。
④函數(shù)體(statement)為一個(gè)或一組Python語(yǔ)句，注意要有縮進(jìn)。
⑤函數(shù)體的第一行可以有文檔字符串，用于描述函數(shù)的功能，用三引號(hào)括起來(lái)。
按照定義規(guī)則，可以定義第一個(gè)函數(shù)了：
def?hello_world():
...?????print('Hello,world!')???#?注意函數(shù)體要有縮進(jìn)
...
hello_world()
Hello,world!
這個(gè)函數(shù)不帶任何參數(shù)，它的功能是打印出“Hello,world!”。最后一行代碼hello_world()是調(diào)用函數(shù)，即讓Python執(zhí)行函數(shù)的代碼。
2、全局變量和局部變量
全局變量是定義在所有函數(shù)外的變量。例如，定義一個(gè)全局變量a，分別在函數(shù)test1()和test2()使用變量a：
a?=?100???#?全局變量
def?test1():
...?????print(a)
...
def?test2():
...?????print(a)
...
test1()
100
test2()
100
定義了全局變量a之后，在函數(shù)test1()和test2()內(nèi)都可以使用變量a，由此可知，全局變量的作用范圍是全局。
局部變量是在函數(shù)內(nèi)定義的變量，除了用關(guān)鍵字global修飾的變量以外。例如，在函數(shù)test1()內(nèi)定義一個(gè)局部變量a，分別在函數(shù)外和另一個(gè)函數(shù)test2()內(nèi)使用變量a：
def?test1():
...?????a?=?100???#?局部變量
...?????print(a)
...
def?test2():
...?????print(a)
...
test1()
100
print(a)
Traceback?(most?recent?call?last):
File?"stdin",?line?1,?in?module
NameError:?name?'a'?is?not?defined
test2()
Traceback?(most?recent?call?last):
File?"stdin",?line?1,?in?module
File?"stdin",?line?2,?in?test2
NameError:?name?'a'?is?not?defined
Python解釋器提示出錯(cuò)了。由于局部變量a定義在函數(shù)test1()內(nèi)，因此，在函數(shù)test1()內(nèi)可以使用變量a，但是在函數(shù)外或者另一個(gè)函數(shù)test2()內(nèi)使用變量a，都會(huì)報(bào)錯(cuò)，由此可見(jiàn)，局部變量的作用范圍是定義它的函數(shù)內(nèi)部。
一般情況下，在函數(shù)內(nèi)聲明的變量都是局部變量，但是采用關(guān)鍵字global修飾的變量卻是全局變量：
def?test1():
...?????global?a???#?全局變量
...?????a?=?100
...?????print(a)
...
def?test2():
...?????print(a)
...
test1()
100
print(a)
100
test2()
100
這個(gè)程序與上個(gè)程序相比，只是在函數(shù)test1()中多了一行代碼“global a”，程序便可以正確運(yùn)行了。在函數(shù)test1()中，采用關(guān)鍵字global修飾了變量a之后，變量a就變成了全局變量，不僅可以在該函數(shù)內(nèi)使用，還可以在函數(shù)外或者其他函數(shù)內(nèi)使用。
如果在某個(gè)函數(shù)內(nèi)局部變量與全局變量同名，那么在該函數(shù)中局部變量會(huì)覆蓋全局變量：
a?=?100???#?全局變量
def?test1():
...?????a?=?200???#?同名局部變量
...?????print(a)
...
def?test2():
...?????print(a)
...
test1()
200
test2()
100
由于在函數(shù)test1()中定義了一個(gè)與全局變量同名的局部變量a，因此，在函數(shù)test1()中全局變量a的值被局部變量覆蓋了，但是在函數(shù)test2()中全局變量a的值沒(méi)有被覆蓋。
綜上所述，在Python中，全局變量保存的數(shù)據(jù)供整個(gè)腳本文件使用;而局部變量只用于臨時(shí)保存數(shù)據(jù)，變量?jī)H供局部代碼塊使用。
python count()函數(shù)的功能和用法如下：
統(tǒng)計(jì)字符串
在python中可以使用“count()”函數(shù)統(tǒng)計(jì)字符串里某個(gè)字符出現(xiàn)的次數(shù)，該函數(shù)用于統(tǒng)計(jì)次數(shù)，其語(yǔ)法是“count(sub， start...
Python count() 方法用于統(tǒng)計(jì)字符串里某個(gè)字符出現(xiàn)的次數(shù)?？蛇x參數(shù)為在字符串搜索的開(kāi)始與結(jié)束位置。
count()函數(shù)
描述：統(tǒng)計(jì)字符串里某個(gè)字符出現(xiàn)的次數(shù)?？梢赃x擇字符串索引的起始位置和結(jié)束位置。? ? ? ? ?
語(yǔ)法：str.count("char", start,end)? 或 str.count("char")? ? - int? ? 返回整數(shù)
str —— 為要統(tǒng)計(jì)的字符(可以是單字符，也可以是多字符)。
star —— 為索引字符串的起始位置，默認(rèn)參數(shù)為0。
end —— 為索引字符串的結(jié)束位置，默認(rèn)參數(shù)為字符串長(zhǎng)度即len(str)
一般步驟來(lái)實(shí)現(xiàn)PCA算法
（1）零均值化
假如原始數(shù)據(jù)集為矩陣dataMat，dataMat中每一行代表一個(gè)樣本，每一列代表同一個(gè)特征。零均值化就是求每一列的平均值，然后該列上的所有數(shù)都減去這個(gè)均值。也就是說(shuō)，這里零均值化是對(duì)每一個(gè)特征而言的，零均值化都，每個(gè)特征的均值變成0。實(shí)現(xiàn)代碼如下：
[python]?view plain?copy
def?zeroMean(dataMat):
meanVal=np.mean(dataMat,axis=0)?????#按列求均值，即求各個(gè)特征的均值
newData=dataMat-meanVal
return?newData,meanVal
函數(shù)中用numpy中的mean方法來(lái)求均值，axis=0表示按列求均值。
該函數(shù)返回兩個(gè)變量，newData是零均值化后的數(shù)據(jù)，meanVal是每個(gè)特征的均值，是給后面重構(gòu)數(shù)據(jù)用的。
（2）求協(xié)方差矩陣
[python]?view plain?copy
newData,meanVal=zeroMean(dataMat)
covMat=np.cov(newData,rowvar=0)
numpy中的cov函數(shù)用于求協(xié)方差矩陣，參數(shù)rowvar很重要！若rowvar=0，說(shuō)明傳入的數(shù)據(jù)一行代表一個(gè)樣本，若非0，說(shuō)明傳入的數(shù)據(jù)一列代表一個(gè)樣本。因?yàn)閚ewData每一行代表一個(gè)樣本，所以將rowvar設(shè)置為0。
covMat即所求的協(xié)方差矩陣。
（3）求特征值、特征矩陣
調(diào)用numpy中的線性代數(shù)模塊linalg中的eig函數(shù)，可以直接由covMat求得特征值和特征向量：
[python]?view plain?copy
eigVals,eigVects=np.linalg.eig(np.mat(covMat))
eigVals存放特征值，行向量。
eigVects存放特征向量，每一列帶別一個(gè)特征向量。
特征值和特征向量是一一對(duì)應(yīng)的
（4）保留主要的成分[即保留值比較大的前n個(gè)特征]
第三步得到了特征值向量eigVals，假設(shè)里面有m個(gè)特征值，我們可以對(duì)其排序，排在前面的n個(gè)特征值所對(duì)應(yīng)的特征向量就是我們要保留的，它們組成了新的特征空間的一組基n_eigVect。將零均值化后的數(shù)據(jù)乘以n_eigVect就可以得到降維后的數(shù)據(jù)。代碼如下：
[python]?view plain?copy
eigValIndice=np.argsort(eigVals)????????????#對(duì)特征值從小到大排序
n_eigValIndice=eigValIndice[-1:-(n+1):-1]???#最大的n個(gè)特征值的下標(biāo)
n_eigVect=eigVects[:,n_eigValIndice]????????#最大的n個(gè)特征值對(duì)應(yīng)的特征向量
lowDDataMat=newData*n_eigVect???????????????#低維特征空間的數(shù)據(jù)
reconMat=(lowDDataMat*n_eigVect.T)+meanVal??#重構(gòu)數(shù)據(jù)
return?lowDDataMat,reconMat
代碼中有幾點(diǎn)要說(shuō)明一下，首先argsort對(duì)特征值是從小到大排序的，那么最大的n個(gè)特征值就排在后面，所以eigValIndice[-1:-(n+1):-1]就取出這個(gè)n個(gè)特征值對(duì)應(yīng)的下標(biāo)?！緋ython里面，list[a:b:c]代表從下標(biāo)a開(kāi)始到b，步長(zhǎng)為c。】
cov
這個(gè)函數(shù)是實(shí)現(xiàn)這個(gè)功能的
另外，對(duì)于任意兩個(gè)維度之間的相關(guān)關(guān)系可以用pearsonr來(lái)計(jì)算
哦，忘了說(shuō)了，cov是numpy里面的，pearsonr是scipy.stats里面的
有些Python小白對(duì)numpy中的常見(jiàn)函數(shù)不太了解，今天小編就整理出來(lái)分享給大家。
Numpy是Python的一個(gè)科學(xué)計(jì)算的庫(kù)，提供了矩陣運(yùn)算的功能，其一般與Scipy、matplotlib一起使用。其實(shí)，list已經(jīng)提供了類(lèi)似于矩陣的表示形式，不過(guò)numpy為我們提供了更多的函數(shù)。
數(shù)組常用函數(shù)
1.where()按條件返回?cái)?shù)組的索引值
2.take(a,index)從數(shù)組a中按照索引index取值
3.linspace(a,b,N)返回一個(gè)在(a,b)范圍內(nèi)均勻分布的數(shù)組，元素個(gè)數(shù)為N個(gè)
4.a.fill()將數(shù)組的所有元素以指定的值填充
5.diff(a)返回?cái)?shù)組a相鄰元素的差值構(gòu)成的數(shù)組
6.sign(a)返回?cái)?shù)組a的每個(gè)元素的正負(fù)符號(hào)
7.piecewise(a,[condlist],[funclist])數(shù)組a根據(jù)布爾型條件condlist返回對(duì)應(yīng)元素結(jié)果
8.a.argmax(),a.argmin()返回a最大、最小元素的索引
改變數(shù)組維度
a.ravel(),a.flatten():將數(shù)組a展平成一維數(shù)組
a.shape=(m,n),a.reshape(m,n):將數(shù)組a轉(zhuǎn)換成m*n維數(shù)組
a.transpose,a.T轉(zhuǎn)置數(shù)組a
數(shù)組組合
1.hstack((a,b)),concatenate((a,b),axis=1)將數(shù)組a,b沿水平方向組合
2.vstack((a,b)),concatenate((a,b),axis=0)將數(shù)組a,b沿豎直方向組合
3.row_stack((a,b))將數(shù)組a,b按行方向組合
4.column_stack((a,b))將數(shù)組a,b按列方向組合
數(shù)組分割
1.split(a,n,axis=0),vsplit(a,n)將數(shù)組a沿垂直方向分割成n個(gè)數(shù)組
2.split(a,n,axis=1),hsplit(a,n)將數(shù)組a沿水平方向分割成n個(gè)數(shù)組
數(shù)組修剪和壓縮
1.a.clip(m,n)設(shè)置數(shù)組a的范圍為(m,n),數(shù)組中大于n的元素設(shè)定為n,小于m的元素設(shè)定為m
2.a.compress()返回根據(jù)給定條件篩選后的數(shù)組
數(shù)組屬性
1.a.dtype數(shù)組a的數(shù)據(jù)類(lèi)型
2.a.shape數(shù)組a的維度
3.a.ndim數(shù)組a的維數(shù)
4.a.size數(shù)組a所含元素的總個(gè)數(shù)
5.a.itemsize數(shù)組a的元素在內(nèi)存中所占的字節(jié)數(shù)
6.a.nbytes整個(gè)數(shù)組a所占的內(nèi)存空間7.a.astype(int)轉(zhuǎn)換a數(shù)組的類(lèi)型為int型
數(shù)組計(jì)算
1.average(a,weights=v)對(duì)數(shù)組a以權(quán)重v進(jìn)行加權(quán)平均
2.mean(a),max(a),min(a),middle(a),var(a),std(a)數(shù)組a的均值、最大值、最小值、中位數(shù)、方差、標(biāo)準(zhǔn)差
3.a.prod()數(shù)組a的所有元素的乘積
4.a.cumprod()數(shù)組a的元素的累積乘積
5.cov(a,b),corrcoef(a,b)數(shù)組a和b的協(xié)方差、相關(guān)系數(shù)
6.a.diagonal()查看矩陣a對(duì)角線上的元素7.a.trace()計(jì)算矩陣a的跡，即對(duì)角線元素之和
以上就是numpy中的常見(jiàn)函數(shù)。更多Python學(xué)習(xí)推薦:PyThon學(xué)習(xí)網(wǎng)教學(xué)中心。
重慶分公司
重慶分公司
