Python的X[y==1, 0]
最近研究逻辑回归，Iris花的经典示例，代码就不全粘贴了，具体代码参看“Iris花逻辑回归与实现”
1 plt.plot(X[y==0, 0], X[y==0,1], "bs") 2 plt.plot(X[y==1, 0], X[y==1, 1], "g^")
X[y==0, 0]中的y==0是个什么东东，为什么可以占据X的第一个位置？
首先我们看一下X是个什么？
1 from sklearn import datasets 2 iris = datasets.load_iris() 3 4 X = iris["data"][:, (2, 3)] # petal length, petal width 5 y = (iris["target"] == 2).astype(np.int) 6 print(X)
Output:
[[1.4 0.2] [1.4 0.2] ...
[5.1 1.8]]
X是一个数组，数组的元素是一个二元组。在解释X[y==0, 0]之前，首先要明白X[:,:]左面:代表的是行范围，右边“：”代表的是列范围，如果是冒号则代表全部，否则就像代码中第四行那样，指定一个范围；那么无论是“：”，还是指定一个范围（类似于(2,3)），其实本质都是会被翻译成一个true/false的一维一元数组，每个元素都是代表数组对应位置的元素是否要出现。
比如，y==0，print之后其实是[True True False ...]，那么X[y==0, 0],就X的前三个元素而言，分别代表返回（包含），返回（包含），不返回（不包含）；与之类似对于“iris["data"][:, (2, 3)]”这个写法，左边的那个"："代表的行是[True，True, ... ,True]，全是true；
那么X[y==0, 0]中，第二个0代表什么意思呢？y==1解决了行中那些返回（那些为true的返回），右边的那个数字代表就是返回那一列，0，代表返回的是第一列，就是上面那个1,4,1.4...5.1；与之类似对于“iris["data"][:, (2, 3)]”这个写法，代表列是要返回第三列和第四列。
这里看到在python里面行列的处理模式是不一样的，行的取舍是通过一个True/ False数组来实现的，列的取舍确实通过指定了那一列；这个其实从矩阵的角度能够更好的理解。
concatenate
1 X_outliers=np.array([[3.4, 1.3], [3.2, 0.8]]) 2 y_outliers=np.array([0, 0]) 3 4 Xo1=np.concatenate([X, X_outliers[:1]], axis=0) 5 yo1=np.concatenate([y, y_outliers[:1]], axis=0) 6 Xo2=np.concatenate([X, X_outliers[1:]], axis=0) 7 yo2=np.concatenate([y, y_outliers[1:]], axis=0)
numpy里面的concatenate的涵义是合并矩阵；axis=0代表是添加一行，axis=1则代表添加一列。以此为例：
pprint(X)显示为：
u'X:'
array([[1.4, 0.2],
[1.4, 0.2],
...
[5.1, 1.8]])
pprint(Xo1)显示为：
u'Xo1:'
array([[1.4, 0.2],
[1.4, 0.2],
...
[5.1, 1.8],
[3.4, 1.3]])
这其实就是行添加了一行。
原生数组和reshape之后数组
X_test = np.linspace(1,5,5)
pprint (X_test)
X_tmp = X_test.reshape(-1, 1)
pprint(X_tmp)
输出:
array([1., 2., 3., 4., 5.])
array([[1.], [2.], [3.], [4.], [5.]])
python数组常见操作：
Python原生是没有数组的，[]这种类型在python里面叫List；二维数组可以通过lsti[i][i]来进行索引（array是通过[i, j]来进行索引），支持通过":"来进行范围索引，但是像前面描述的，只是支持一个维度的索引，例如[:5][1:]（对于array而言可以通过[:,:]来进行索引）。
如果是数组的话，还是使用numpy里面的array；
numpy里面提供的是array以及可以通过[x1:x2,y1:y2]模式来索引矩阵形式；同时可以通过array.shape方式来获取矩阵的行数/列数；同时可以通过reshape来进行行列重置；可以通过.T来进行“转置”。
matrix是numpy的array的一个子集，同样支持“：”模式的索引，以及shape[i]获取行、列的数量；但是只支持矩阵形式：二维数组形式。
matrix和numpy的乘法（*）模式不同，matrix是乘数的行*被乘数的列这种模式；array则是同位数的相乘。
互转：
list转array：np.array(list)
list转matrix：np.mat(list)
array转list：data.toList()
array和matrix互转：np.asmatrix, np.asarray
array想要采用matrix的乘法：np.dot(array1, array2)
matrix想要同位数的乘法：np.multiply(mat1, mat2)
成员
# 属性
ndarray.shape: 多維陣列的大小（形狀）
ndarray.ndim: 多維陣列的維度
ndarray.itemsize: 陣列當中元素的大小（佔幾個 byte）
ndarray.nbytes: 整個陣列所有元素的大小總計
ndarray.T: 轉置矩陣，只能在維度 <= 2 的時候使用，與 self.transpose() 效果相同
ndarray.flat: 把陣列扁平化輸出
# 格式转换
ndarray.item: 類似 List 的 Index，把 Array 扁平化取得某 Index 的 value
ndarray.tolist: 把 NumPy.ndarray 輸出成 Python 原生 List 型態
ndarray.itemset: 把 ndarray 中的某個值（純量）改掉
# 维度操作
ndarray.reshape(shape): 把同樣的資料以不同的 shape 輸出（array 的 total size 要相同）
ndarray.resize(shape): 重新定義陣列的大小
ndarray.flatten(): 把多維陣列收合成一維陣列（扁平化＆Copy）
ndarray.ravel(): 回傳扁平化的陣列（無 Copy）
# 项目选择与操作
ndarray.take(indices): 根據輸入索引值來得到指定陣列
ndarray.put(indices, values): 根據索引值改變陣列 value
ndarray.repeat(times): 重複陣列的值（類似擴張）
ndarray.sort(): 把陣列當中的元素排序
ndarray.sum(): 加總多維陣列（可指定加總的維度根據）
---------------------
参考