numpy.ndarray 确认的语法理解
numpy.ndarray syntax understanding for confirmation
我指的是这里的代码示例 (http://scikit-learn.org/stable/auto_examples/linear_model/plot_iris_logistic.html)，特别是被这一行 iris.data[:, :2] 搞糊涂了，因为 iris.data 是 150（行）* 4（列）维 I认为这意味着 select 所有行和前两列。在这里请教一下，确认一下我的理解是否正确，因为我花时间找不到这样的语法定义官方文档。
另一个问题是，我正在使用以下代码获取行数和列数，不确定是否有更好更优雅的方法？我的代码更多 Python 原生风格，不确定 numpy 是否有更好的风格来获取相关值。
print len(iris.data) # for number of rows
print len(iris.data[0]) # for number of columns
使用 Python 2.7 和 miniconda 解释器。
print(__doc__)
# Code source: Gaël Varoquaux
# Modified for documentation by Jaques Grobler
# License: BSD 3 clause
import numpy as np
import matplotlib.pyplot as plt
from sklearn import linear_model, datasets
# import some data to play with
iris = datasets.load_iris()
X = iris.data[:, :2] # we only take the first two features.
Y = iris.target
h = .02 # step size in the mesh
logreg = linear_model.LogisticRegression(C=1e5)
# we create an instance of Neighbours Classifier and fit the data.
logreg.fit(X, Y)
# Plot the decision boundary. For that, we will assign a color to each
# point in the mesh [x_min, m_max]x[y_min, y_max].
x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5
y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
Z = logreg.predict(np.c_[xx.ravel(), yy.ravel()])
# Put the result into a color plot
Z = Z.reshape(xx.shape)
plt.figure(1, figsize=(4, 3))
plt.pcolormesh(xx, yy, Z, cmap=plt.cm.Paired)
# Plot also the training points
plt.scatter(X[:, 0], X[:, 1], c=Y, edgecolors='k', cmap=plt.cm.Paired)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.xticks(())
plt.yticks(())
plt.show()
此致，
林
你是对的。第一个语法选择前 2 个 columns/features。查询维度的另一种方法是查看 iris.data.shape。这将 return 一个具有长度的 n 维元组。您可以在此处找到一些文档：http://docs.scipy.org/doc/numpy/reference/arrays.indexing.html
import numpy as np
x = np.random.rand(100, 200)
# Select the first 2 columns
y = x[:, :2]
# Get the row length
print (y.shape[0])
# Get the column length
print (y.shape[1])
# Number of dimensions
print (len(y.shape))
我指的是这里的代码示例 (http://scikit-learn.org/stable/auto_examples/linear_model/plot_iris_logistic.html)，特别是被这一行 iris.data[:, :2] 搞糊涂了，因为 iris.data 是 150（行）* 4（列）维 I认为这意味着 select 所有行和前两列。在这里请教一下，确认一下我的理解是否正确，因为我花时间找不到这样的语法定义官方文档。
另一个问题是，我正在使用以下代码获取行数和列数，不确定是否有更好更优雅的方法？我的代码更多 Python 原生风格，不确定 numpy 是否有更好的风格来获取相关值。
print len(iris.data) # for number of rows
print len(iris.data[0]) # for number of columns
使用 Python 2.7 和 miniconda 解释器。
print(__doc__)
# Code source: Gaël Varoquaux
# Modified for documentation by Jaques Grobler
# License: BSD 3 clause
import numpy as np
import matplotlib.pyplot as plt
from sklearn import linear_model, datasets
# import some data to play with
iris = datasets.load_iris()
X = iris.data[:, :2] # we only take the first two features.
Y = iris.target
h = .02 # step size in the mesh
logreg = linear_model.LogisticRegression(C=1e5)
# we create an instance of Neighbours Classifier and fit the data.
logreg.fit(X, Y)
# Plot the decision boundary. For that, we will assign a color to each
# point in the mesh [x_min, m_max]x[y_min, y_max].
x_min, x_max = X[:, 0].min() - .5, X[:, 0].max() + .5
y_min, y_max = X[:, 1].min() - .5, X[:, 1].max() + .5
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
Z = logreg.predict(np.c_[xx.ravel(), yy.ravel()])
# Put the result into a color plot
Z = Z.reshape(xx.shape)
plt.figure(1, figsize=(4, 3))
plt.pcolormesh(xx, yy, Z, cmap=plt.cm.Paired)
# Plot also the training points
plt.scatter(X[:, 0], X[:, 1], c=Y, edgecolors='k', cmap=plt.cm.Paired)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.xticks(())
plt.yticks(())
plt.show()
此致， 林
你是对的。第一个语法选择前 2 个 columns/features。查询维度的另一种方法是查看 iris.data.shape。这将 return 一个具有长度的 n 维元组。您可以在此处找到一些文档：http://docs.scipy.org/doc/numpy/reference/arrays.indexing.html
import numpy as np
x = np.random.rand(100, 200)
# Select the first 2 columns
y = x[:, :2]
# Get the row length
print (y.shape[0])
# Get the column length
print (y.shape[1])
# Number of dimensions
print (len(y.shape))