这是机器未来的第44篇文章

原文首发地址：https://blog.csdn.net/RobotFutures/article/details/126615267

1. 概述

本文以鸢尾花的数据预处理为例，描述了科学计算在机器学习使用的示例。

2. 加载数据集

以鸢尾花数据集为例。
鸢尾花数据集有4个特征，1个标签，特征为sepal_length,sepal_width,petal_length,petal_width，分别为花萼长度、花萼宽度，花瓣长度、花瓣宽度，标签为鸢尾花的分类，0,1,2分别代表山鸢尾（Setosa）、变色鸢尾（Versicolor）、维吉尼亚鸢尾（Virginical）

import numpy as np

data = []
with open(file='iris.txt',mode='r') as f:
    f.readline()
    while True:
        line = f.readline()
        if line:
            data.append(line.strip().split(','))
        else:
            break

data = np.array(data,dtype=float)

# 使用切片提取前4列数据作为特征数据
X_data = data[:, :4]  # 或者 X_data = data[:, :-1]

# 使用切片提取最后1列数据作为标签数据
y_data = data[:, -1]

data.shape, X_data.shape, y_data.shape

((150, 5), (150, 4), (150,))

3. 查看数据特征

3.1 查看首5行数据

X_data[0:5], y_data[0:5]

(array([[5.1, 3.5, 1.4, 0.2],
        [4.9, 3. , 1.4, 0.2],
        [4.7, 3.2, 1.3, 0.2],
        [4.6, 3.1, 1.5, 0.2],
        [5. , 3.6, 1.4, 0.2]]),
 array([0., 0., 0., 0., 0.]))

3.2 查看数据集每个特征的最大值

# axis = 0指定X轴，取每列的最大值
np.max(X_data, axis=0)

array([7.9, 4.4, 6.9, 2.5])

上面的取值就是每个特征的最大值，数据集的花萼长度最大值为7.9，花萼宽度最大值为4.4，花瓣长度最大值为6.9，花瓣宽度最大值为2.5

如果去掉轴axis参数，就是取数据集所有数据中的最大值，会综合所有列一起的最大值。

np.max(X_data)

7.9

3.3 查看每个特征的最小值

np.min(X_data, axis=0)

array([4.3, 2. , 1. , 0.1])

上面的取值就是每个特征的最小值，数据集的花萼长度最小值为4.3，花萼宽度最小值为2，花瓣长度最小值为1，花瓣宽度最小值为0.1

3.4 查看特征均值

np.mean(X_data, axis=0)

array([5.84333333, 3.05733333, 3.758     , 1.19933333])

3.5 查看特征百分位数

百分位数是统计中使用的度量，表示小于这个值的观察值样本数量占总体的百分比。

# 25%
np.percentile(X_data, 0.25, axis=0)

array([4.33725, 2.0745 , 1.03725, 0.1    ])

# 50%
np.percentile(X_data, 0.50, axis=0)

array([4.3745, 2.149 , 1.0745, 0.1   ])

# 75%
np.percentile(X_data, 0.75, axis=0)

array([4.4    , 2.2    , 1.11175, 0.1    ])

3.6 查看特征数据分布波动

np.std(X_data, axis=0)

array([0.82530129, 0.43441097, 1.75940407, 0.75969263])

从标准差可以看到特征花萼宽度标准差为0.43441097数据波动最小，花瓣长度标准差数据为1.75940407，数据波动最大。

3.8 查看特征样本数量

X_data.shape

(150, 4)

可以看到样本数量为150，每个样本4个特征

3.9 查看标签数据分布

通过np.unique分别获得唯一ID和对应的样本数量，然后通过zip、dict转换为字典。

unique, count = np.unique(y_data, return_counts=True)
label_count = dict(zip(unique, count))
label_count

{0.0: 50, 1.0: 50, 2.0: 50}

可以看到标签是均衡的，每个分类的样本数均是50.

4. 其它常用的科学函数

5. 总结

以上就是numpy科学函数的简单介绍，更多api在将来的使用中再描述。

写在末尾：

• 博客简介：专注AIoT领域，追逐未来时代的脉搏，记录路途中的技术成长！
• 专栏简介：从0到1掌握数据科学常用库Numpy、Matploblib、Pandas。
• 面向人群：AI初级学习者
• 专栏计划：接下来会逐步发布跨入人工智能的系列博文，敬请期待
  • Python零基础快速入门系列
  • Python数据科学系列
  • 人工智能开发环境搭建系列
  • 机器学习系列
  • 物体检测快速入门系列
  • 自动驾驶物体检测系列
  • …