admin管理员组

文章数量:1026989

np.meshgrid, ravel(), np.c

前言： 楼主最近在学机器学习时碰到的一些函数，用来画决策边界。记录现在的想法。

1： np.meshgrid的用法：

X,Y = np.meshgrid(x,y)是将x中的每个点与y中的每个点连起来成为坐标，例如x是（300，）的array, 比如x=array(1,2,......300)，y是（200，）的array，y=array(1,2,.......200)。那么得到的X,Y都是（200,300）的array。X=array([[1,2,.....300],[1,2,.....300],[1,2,.....300],...........[1,2,.....300]],相当于把x的元素复制了len(y)的长度。而Y=array([[1,1,.........1],[2,........2],[3,.......3],......[200,........200]])。Y每一个一维向量长度都为len(x)。

import numpy as npx = np.linspace(1, 300, 300)
y = np.linspace(1, 200, 200)
X, Y = np.meshgrid(x, y)# 得到结果
'''
X = [[  1.   2.   3. ... 298. 299. 300.][  1.   2.   3. ... 298. 299. 300.][  1.   2.   3. ... 298. 299. 300.]...[  1.   2.   3. ... 298. 299. 300.][  1.   2.   3. ... 298. 299. 300.][  1.   2.   3. ... 298. 299. 300.]]Y=  [[  1.   1.   1. ...   1.   1.   1.][  2.   2.   2. ...   2.   2.   2.][  3.   3.   3. ...   3.   3.   3.]...[198. 198. 198. ... 198. 198. 198.][199. 199. 199. ... 199. 199. 199.][200. 200. 200. ... 200. 200. 200.]]
'''

2：ravel()

ravel()的用法是把多维数组拉成一维数组：

import numpy as npx = np.random.randn(5,4)
print(x)
print(x.shape)'''
x=
[[ 0.17086596 -0.57977474  1.13563738  0.24395295][ 0.30278266 -1.47973336  0.98314375  1.63522343][-0.50617984 -0.21090076  0.11548333 -1.63088674][-0.55658075 -0.34304816 -1.01107859 -1.63546229][ 1.36377652 -2.03799223 -1.31337364 -0.86417854]]
x.shape = (5, 4)y =
[ 0.17086596 -0.57977474  1.13563738  0.24395295  0.30278266 -1.479733360.98314375  1.63522343 -0.50617984 -0.21090076  0.11548333 -1.63088674-0.55658075 -0.34304816 -1.01107859 -1.63546229  1.36377652 -2.03799223-1.31337364 -0.86417854]
y.shape = (20,)
'''

 3: np.c_

np.c_的作用就是把数组按照列元素来连接，对于1维数组，如下：

import numpy as npx = np.linspace(1, 5, 5)
y = np.linspace(2, 6, 5)
z = np.c_[x, y]
print(x, x.shape)
print(y, y.shape)
print(z, z.shape)'''
x=
[1. 2. 3. 4. 5.] (5,)
y=
[2. 3. 4. 5. 6.] (5,)
z=
[[1. 2.][2. 3.][3. 4.][4. 5.][5. 6.]] (5, 2)
'''

对于2维数组：

import numpy as npx = np.random.randint(1, 5, (2, 3))
y = np.random.randint(5, 8, (2, 3))
z = np.c_[x, y]
print(x, x.shape)
print(y, y.shape)
print(z, z.shape)'''
x=
[[4 3 1][3 2 3]] (2, 3)
y=
[[7 7 7][5 6 7]] (2, 3)
z=
[[4 3 1 7 7 7][3 2 3 5 6 7]] (2, 6)'''# 可以看出z是由x, y按照一维拼接起来

对于高维数组：

import numpy as npx = np.random.randint(1, 5, (2, 3, 2))
y = np.random.randint(5, 8, (2, 3, 2))
z = np.c_[x, y]
print(x, x.shape)
print(y, y.shape)
print(z, z.shape)'''
x=
[[[1 3][4 3][2 4]][[2 1][3 2][4 1]]] (2, 3, 2)
y=
[[[5 7][5 7][5 5]][[7 6][6 7][6 7]]] (2, 3, 2)
z=
[[[1 3 5 7][4 3 5 7][2 4 5 5]][[2 1 7 6][3 2 6 7][4 1 6 7]]] (2, 3, 4)'''
import numpy as npx = np.random.randint(1, 5, (2, 3, 2, 3))
y = np.random.randint(5, 8, (2, 3, 2, 3))
z = np.c_[x, y]
print(x, x.shape)
print(y, y.shape)
print(z, z.shape)'''
x=
[[[[2 4 3][4 4 4]][[2 3 3][3 1 1]][[1 3 1][4 1 2]]][[[3 4 1][1 2 1]][[1 4 1][4 1 4]][[2 4 3][1 1 1]]]] (2, 3, 2, 3)y=
[[[[6 5 5][5 7 7]][[7 7 6][7 7 6]][[5 6 7][7 6 5]]][[[6 6 7][6 6 7]][[5 6 6][6 5 6]][[6 6 5][6 6 5]]]] (2, 3, 2, 3)
z=
[[[[2 4 3 6 5 5][4 4 4 5 7 7]][[2 3 3 7 7 6][3 1 1 7 7 6]][[1 3 1 5 6 7][4 1 2 7 6 5]]][[[3 4 1 6 6 7][1 2 1 6 6 7]][[1 4 1 5 6 6][4 1 4 6 5 6]][[2 4 3 6 6 5][1 1 1 6 6 5]]]] (2, 3, 2, 6)'''

综上：可以看出np.c_连接两个数组的最后一维的列向量。

4：plt.contourf的用法

作用：绘制轮廓线与等高线 。例如：

import numpy as np
import matplotlib.pyplot as pltx = np.linspace(1, 5, 10)
y = np.linspace(2, 8, 10)
xx, yy = np.meshgrid(x, y)z = np.exp(xx)-yyplt.contourf(x, y, z, cmap=plt.cm.Paired, alpha=0.8)
plt.show()

5：应用 

把上述函数连接起来用，就能在二维平面生成许多的等顺序排列的点

import numpy as np
import matplotlib.pyplot as plth = 0.5              # 为了便于观察h设的很大
x1min = 3.3
x1max = 8.9
x2min = 1.0
x2max = 5.4
xx, yy = np.meshgrid(np.arange(x1min, x1max, h),np.arange(x2min, x2max, h))'''
xx=[[3.3 3.8 4.3 4.8 5.3 5.8 6.3 6.8 7.3 7.8 8.3 8.8][3.3 3.8 4.3 4.8 5.3 5.8 6.3 6.8 7.3 7.8 8.3 8.8][3.3 3.8 4.3 4.8 5.3 5.8 6.3 6.8 7.3 7.8 8.3 8.8][3.3 3.8 4.3 4.8 5.3 5.8 6.3 6.8 7.3 7.8 8.3 8.8][3.3 3.8 4.3 4.8 5.3 5.8 6.3 6.8 7.3 7.8 8.3 8.8][3.3 3.8 4.3 4.8 5.3 5.8 6.3 6.8 7.3 7.8 8.3 8.8][3.3 3.8 4.3 4.8 5.3 5.8 6.3 6.8 7.3 7.8 8.3 8.8][3.3 3.8 4.3 4.8 5.3 5.8 6.3 6.8 7.3 7.8 8.3 8.8][3.3 3.8 4.3 4.8 5.3 5.8 6.3 6.8 7.3 7.8 8.3 8.8]]
yy=[[1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1. ][1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5][2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2. ][2.5 2.5 2.5 2.5 2.5 2.5 2.5 2.5 2.5 2.5 2.5 2.5][3.  3.  3.  3.  3.  3.  3.  3.  3.  3.  3.  3. ][3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5][4.  4.  4.  4.  4.  4.  4.  4.  4.  4.  4.  4. ][4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5][5.  5.  5.  5.  5.  5.  5.  5.  5.  5.  5.  5. ]]
'''t = np.c_[xx.ravel(), yy.ravel()]
print(t)plt.scatter(xx, yy)
plt.show()

得到图形：

在sklearn中的iris数据集中，

这时候就可以把两个图结合，把第一个图的每个点带入预测函数里，得到标签，这时候上图的点就能被分成三部分：

                       

 这时候就得到了决策边界，成功把数据集划分。

np.meshgrid, ravel(), np.c

前言： 楼主最近在学机器学习时碰到的一些函数，用来画决策边界。记录现在的想法。

1： np.meshgrid的用法：

X,Y = np.meshgrid(x,y)是将x中的每个点与y中的每个点连起来成为坐标，例如x是（300，）的array, 比如x=array(1,2,......300)，y是（200，）的array，y=array(1,2,.......200)。那么得到的X,Y都是（200,300）的array。X=array([[1,2,.....300],[1,2,.....300],[1,2,.....300],...........[1,2,.....300]],相当于把x的元素复制了len(y)的长度。而Y=array([[1,1,.........1],[2,........2],[3,.......3],......[200,........200]])。Y每一个一维向量长度都为len(x)。

import numpy as npx = np.linspace(1, 300, 300)
y = np.linspace(1, 200, 200)
X, Y = np.meshgrid(x, y)# 得到结果
'''
X = [[  1.   2.   3. ... 298. 299. 300.][  1.   2.   3. ... 298. 299. 300.][  1.   2.   3. ... 298. 299. 300.]...[  1.   2.   3. ... 298. 299. 300.][  1.   2.   3. ... 298. 299. 300.][  1.   2.   3. ... 298. 299. 300.]]Y=  [[  1.   1.   1. ...   1.   1.   1.][  2.   2.   2. ...   2.   2.   2.][  3.   3.   3. ...   3.   3.   3.]...[198. 198. 198. ... 198. 198. 198.][199. 199. 199. ... 199. 199. 199.][200. 200. 200. ... 200. 200. 200.]]
'''

2：ravel()

ravel()的用法是把多维数组拉成一维数组：

import numpy as npx = np.random.randn(5,4)
print(x)
print(x.shape)'''
x=
[[ 0.17086596 -0.57977474  1.13563738  0.24395295][ 0.30278266 -1.47973336  0.98314375  1.63522343][-0.50617984 -0.21090076  0.11548333 -1.63088674][-0.55658075 -0.34304816 -1.01107859 -1.63546229][ 1.36377652 -2.03799223 -1.31337364 -0.86417854]]
x.shape = (5, 4)y =
[ 0.17086596 -0.57977474  1.13563738  0.24395295  0.30278266 -1.479733360.98314375  1.63522343 -0.50617984 -0.21090076  0.11548333 -1.63088674-0.55658075 -0.34304816 -1.01107859 -1.63546229  1.36377652 -2.03799223-1.31337364 -0.86417854]
y.shape = (20,)
'''

 3: np.c_

np.c_的作用就是把数组按照列元素来连接，对于1维数组，如下：

import numpy as npx = np.linspace(1, 5, 5)
y = np.linspace(2, 6, 5)
z = np.c_[x, y]
print(x, x.shape)
print(y, y.shape)
print(z, z.shape)'''
x=
[1. 2. 3. 4. 5.] (5,)
y=
[2. 3. 4. 5. 6.] (5,)
z=
[[1. 2.][2. 3.][3. 4.][4. 5.][5. 6.]] (5, 2)
'''

对于2维数组：

import numpy as npx = np.random.randint(1, 5, (2, 3))
y = np.random.randint(5, 8, (2, 3))
z = np.c_[x, y]
print(x, x.shape)
print(y, y.shape)
print(z, z.shape)'''
x=
[[4 3 1][3 2 3]] (2, 3)
y=
[[7 7 7][5 6 7]] (2, 3)
z=
[[4 3 1 7 7 7][3 2 3 5 6 7]] (2, 6)'''# 可以看出z是由x, y按照一维拼接起来

对于高维数组：

import numpy as npx = np.random.randint(1, 5, (2, 3, 2))
y = np.random.randint(5, 8, (2, 3, 2))
z = np.c_[x, y]
print(x, x.shape)
print(y, y.shape)
print(z, z.shape)'''
x=
[[[1 3][4 3][2 4]][[2 1][3 2][4 1]]] (2, 3, 2)
y=
[[[5 7][5 7][5 5]][[7 6][6 7][6 7]]] (2, 3, 2)
z=
[[[1 3 5 7][4 3 5 7][2 4 5 5]][[2 1 7 6][3 2 6 7][4 1 6 7]]] (2, 3, 4)'''
import numpy as npx = np.random.randint(1, 5, (2, 3, 2, 3))
y = np.random.randint(5, 8, (2, 3, 2, 3))
z = np.c_[x, y]
print(x, x.shape)
print(y, y.shape)
print(z, z.shape)'''
x=
[[[[2 4 3][4 4 4]][[2 3 3][3 1 1]][[1 3 1][4 1 2]]][[[3 4 1][1 2 1]][[1 4 1][4 1 4]][[2 4 3][1 1 1]]]] (2, 3, 2, 3)y=
[[[[6 5 5][5 7 7]][[7 7 6][7 7 6]][[5 6 7][7 6 5]]][[[6 6 7][6 6 7]][[5 6 6][6 5 6]][[6 6 5][6 6 5]]]] (2, 3, 2, 3)
z=
[[[[2 4 3 6 5 5][4 4 4 5 7 7]][[2 3 3 7 7 6][3 1 1 7 7 6]][[1 3 1 5 6 7][4 1 2 7 6 5]]][[[3 4 1 6 6 7][1 2 1 6 6 7]][[1 4 1 5 6 6][4 1 4 6 5 6]][[2 4 3 6 6 5][1 1 1 6 6 5]]]] (2, 3, 2, 6)'''

综上：可以看出np.c_连接两个数组的最后一维的列向量。

4：plt.contourf的用法

作用：绘制轮廓线与等高线 。例如：

import numpy as np
import matplotlib.pyplot as pltx = np.linspace(1, 5, 10)
y = np.linspace(2, 8, 10)
xx, yy = np.meshgrid(x, y)z = np.exp(xx)-yyplt.contourf(x, y, z, cmap=plt.cm.Paired, alpha=0.8)
plt.show()

5：应用 

把上述函数连接起来用，就能在二维平面生成许多的等顺序排列的点

import numpy as np
import matplotlib.pyplot as plth = 0.5              # 为了便于观察h设的很大
x1min = 3.3
x1max = 8.9
x2min = 1.0
x2max = 5.4
xx, yy = np.meshgrid(np.arange(x1min, x1max, h),np.arange(x2min, x2max, h))'''
xx=[[3.3 3.8 4.3 4.8 5.3 5.8 6.3 6.8 7.3 7.8 8.3 8.8][3.3 3.8 4.3 4.8 5.3 5.8 6.3 6.8 7.3 7.8 8.3 8.8][3.3 3.8 4.3 4.8 5.3 5.8 6.3 6.8 7.3 7.8 8.3 8.8][3.3 3.8 4.3 4.8 5.3 5.8 6.3 6.8 7.3 7.8 8.3 8.8][3.3 3.8 4.3 4.8 5.3 5.8 6.3 6.8 7.3 7.8 8.3 8.8][3.3 3.8 4.3 4.8 5.3 5.8 6.3 6.8 7.3 7.8 8.3 8.8][3.3 3.8 4.3 4.8 5.3 5.8 6.3 6.8 7.3 7.8 8.3 8.8][3.3 3.8 4.3 4.8 5.3 5.8 6.3 6.8 7.3 7.8 8.3 8.8][3.3 3.8 4.3 4.8 5.3 5.8 6.3 6.8 7.3 7.8 8.3 8.8]]
yy=[[1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1.  1. ][1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5][2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2.  2. ][2.5 2.5 2.5 2.5 2.5 2.5 2.5 2.5 2.5 2.5 2.5 2.5][3.  3.  3.  3.  3.  3.  3.  3.  3.  3.  3.  3. ][3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5][4.  4.  4.  4.  4.  4.  4.  4.  4.  4.  4.  4. ][4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5][5.  5.  5.  5.  5.  5.  5.  5.  5.  5.  5.  5. ]]
'''t = np.c_[xx.ravel(), yy.ravel()]
print(t)plt.scatter(xx, yy)
plt.show()

得到图形：

在sklearn中的iris数据集中，

这时候就可以把两个图结合，把第一个图的每个点带入预测函数里，得到标签，这时候上图的点就能被分成三部分：

                       

 这时候就得到了决策边界，成功把数据集划分。

本文标签： npmeshgridravel()npc

版权声明：本文标题：np.meshgrid, ravel(), np.c 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://it.en369.cn/IT/1687024324a56207.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。