内置函数

  1. array.flatten()  # 将array数组多维边1维

OS

  1. os.path.sep:路径分隔符 linux下就用这个了’/’
  2. os.path.altsep: 根目录
  3. os.path.curdir:当前目录
  4. os.path.pardir：父目录
  5. os.path.abspath(path)：绝对路径
  6. os.path.join(): 常用来链接路径
  7. os.path.split(path): 把path分为目录和文件两个部分，以列表返回

random

  1. # seed()没有参数时，每次生成的随机数是不一样的，
  2. # 而当seed()有参数时，每次生成的随机数是一样的
  3. random.seed(number)  
  4. # list的值，打乱 随机排列
  5. random.shuffle(list)

numpy

  1. import numpy as np
  3. np.array([[1,2,3], [2,3,4]], dtype=np.float)   #定义矩阵,float64

sklearn-learn

  1. from sklearn.model_selection import train_test_split
  3. train_test_split # 函数是用来随机划分样本数据为训练集和测试集的，当然也可以人为的切片划分
  5. 完整模板：
  7. train_X,test_X,train_y,test_y = train_test_split(train_data,train_target,test_size=0.3,random_state=5)
  9. 参数解释：
  11. train_data：待划分样本数据
  13. train_target：待划分样本数据的结果（标签）
  15. test_size：测试数据占样本数据的比例，若整数则样本数量
  17. random_state：设置随机数种子，保证每次都是同一个随机数。若为0或不填，则每次得到数据都不一样
  19. 返回值：
  21. X_train，y_train：得到的训练数据。
  23. X_test， y_test：得到的测试数据。
  25. ------------------------------------------------------------------------------------------
  26. from sklearn.preprocessing import LabelBinarizer
  28. # 特征矩阵
  29. featureList=[[1,0],[1,1],[0,0],[0,1]]
  30. # 标签矩阵 转换标签，one-hot格式
  31. labelList=['yes', 'no', 'no', 'yes']
  32. # 将标签矩阵二值化
  33. lb = LabelBinarizer()
  34. dummY=lb.fit_transform(labelList)
  35. trainY = lb.fit_transform(trainY)   # 训练数据
  36. testY = lb.transform(testY)    # 测试数据