记录 Python 中使用过的有用代码，以后应该还用的上。
平滑对比曲线图
import matplotlib.pyplot as plt
# 平滑曲线图
from scipy.interpolate import make_interp_spline
import numpy as np
def comparison_line_chart(self):
x1 = [0.1, 0.2, 0.5, 0.6, 0.8, 0.9]
x2 = [0.2, 0.3, 0.4, 0.7, 0.8, 0.9, 1]
y1 = [1, 3, 4, 5, 7, 9]
y2 = [2, 4, 5, 6, 7, 8, 9]
# list 转换为 array
# 需要 min()，max() 函数
x1_array = np.array(x1)
x2_array = np.array(x2)
y1_array = np.array(y1)
y2_array = np.array(y2)
# 平滑
x1_smooth = np.linspace(x1_array.min(), x1_array.max(), 300)
x2_smooth = np.linspace(x2_array.min(), x2_array.max(), 300)
y1_smooth = make_interp_spline(x1_array, y1_array)(x1_smooth)
y2_smooth = make_interp_spline(x2_array, y2_array)(x2_smooth)
# 子绘图 1
# subplot(rows, cols, index)
# 绘图一行两个
# plt.subplot(1, 2, 1)
# 设置字体
plt.rcParams['font.sans-serif'] = ['Times New Roman']
# x轴标题
plt.xlabel('index')
plt.xlim(0, 1)
# y轴标题
plt.ylabel('search time')
# 绘制平滑曲线图，添加数据点，设置点的大小
plt.plot(x1_smooth, y1_smooth, label = 'NSG')
plt.plot(x2_smooth, y2_smooth, label = 'WADG')
# 曲线上打点
plt.scatter(x1_array, y1_array)
plt.scatter(x2_array, y2_array)
# 设置曲线名称
plt.legend(['NSG', 'WADG'],)
plt.grid(linestyle = '--', alpha = 0.5)
plt.title('SIFT Search Time Comparision')
plt.show()对比柱状图
def comparision_histogram(self):
base = ['1', '2', '3']
x1 = [5, 10, 20]
x2 = [6, 8, 15]
# 设置字体
plt.rcParams['font.sans-serif'] = ['Times New Roman']
# 绘制柱状图
# x轴标题
# plt.xlabel('SIFT')
# y轴标题
plt.ylabel('Avg Search Time')
base_ticks = range(len(base))
plt.bar(base_ticks, x1, width = 0.1, label = 'NSG')
plt.bar([i + 0.1 for i in base_ticks], x2, width = 0.1, label = 'WADG')
# 修改 base 刻度
plt.xticks(base_ticks, base)
# 添加网格显示
plt.grid(linestyle = '--', alpha = 0.5)
#5、标题
plt.title("SIFT Average Search Time Comparision")
plt.show()转换 array: reshape()
计算向量距离: pairwise_distances()
from sklearn.metrics import pairwise_distances
# dist 得到的是 X, Y array 中的每对向量的距离
# dist 也是一个 array
dist = pairwise_distances(X, Y, metric = 'euclidean')
# sum(dist) 得到的是 X，Y 的距离
Dist = np.sum(dist)
# example
X = np.array([[2, 3],
[3, 5],
[5, 8]])
Y = np.array([[1, 0],
[2, 1]])
dist = pairwise_distances(X, Y, metric = 'euclidean')
print(dist)
Dist = np.sum(dist)
print(Dist)
# output
[[3.16227766 2. ]
[5.38516481 4.12310563]
[8.94427191 7.61577311]]
31.230593108783612计算向量距离: cdist(), pdist()
在 scripy.spatial.distance 库下。
cdist() 用于两个数组（矩阵）之间，pdist() 用于一个数组中。
cdist():X = m * n, Y = a * n, res =
cdist(X, Y)= m * a可以看作是 X 为 m 个 n 维向量，Y 为 a 个 n 维向量，
cdist()求 X 中每个向量到 Y 中每个向量的距离，可以用来计算分离度。X=np.array([[9,3,7],[5,7,9]]) # 即便是 X 中只有一组数据跟 Y 的两组数据分别求欧氏距离， # 也需要写成二维数组的形式，如 X=np.array([[5,3,6]]) Y = np.array([[4,6,5],[4,2,3]]) res = cdist(X, Y, metric='euclidean') print(res) # output [[a b] [c d]] # a 为向量 [9, 3, 7] 到 [4, 6, 5] 的距离 # b 为向量 [9, 3, 7] 到 [4, 2, 3] 的距离 # c 为向量 [5, 7, 9] 到 [4, 6, 5] 的距离 # d 为向量 [5, 7, 9] 到 [4, 2, 3] 的距离pdist()andsquareform():X = m * n, res =
pdist(X)= m * m, 其中 res 为对称距离矩阵，对角线元素为 0。pdist()可以看作是求 X 中 m 个 n 维向量之间的距离，可以用来计算内聚度。squareform()和pdist()配套使用，用来压缩矩阵（或者还原矩阵）。
从列表或 array 中随机采样: random.choice()
import numpy as np
'''
base = [[x1, x2, ..., xn]
[y1, y2, ..., yn]
...
[z1, z2, ..., zn]]
'''
# shape[0]: base 第一维的长度，多少行
# choice(选择的数字范围, 结果的个数，是否有放回抽取)
choices = np.random.choice(base.shape[0], size = len(queries), replace = False)
# choices 是长度为 size 列表，里面是抽取的数字（即抽取第几行）
# base[choices, :]: 抽取行数在 choices 中的行
base_random_sample = base[choices, :]
# example
import numpy as np
A = np.array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8],
[9, 7, 6],
[3, 2, 2],
[0, 1, 0],
[1, 3, 1],
[0, 4, 1],
[2, 4, 2],
[3, 6, 1]])
print(A.shape)
choices = np.random.choice(A.shape[0], size = 4, replace = False)
print('choices:', choices)
B = A[choices, :]
print(B)
# output
(10, 3)
choices: [3 6 4 9]
[[9 7 6]
[1 3 1]
[3 2 2]
[3 6 1]]从 array 中选取特定行
import numpy as np
from sklearn.cluster import KMeans
queries = np.array([[1, 2, 3, 3],
[2, 2, 4, 5],
[3, 4, 5, 2],
[2, 3, 6, 7],
[5, 6, 4, 3],
[1, 1, 2, 1]])
kmeans = KMeans(n_clusters = 3)
kmeans.fit(queries)
cluster_centers = kmeans.cluster_centers_
labels = kmeans.labels_
print(labels)
# labels 下标与 queries 行下标对应
i = 2
# 选取 label 为 2 的 query
res = queries[labels == i]
print(res)
# output
[0 2 1 2 1 0]
[[2 2 4 5]
[2 3 6 7]]去重: unique()
import numpy as np
A = [1, 2, 2, 5, 3, 4, 3]
a = np.unique(A)
print(a)
# output
[1 2 3 4 5]
# 返回新列表元素在旧列表中的位置（下标）
a, indices = np.unique(A, return_index=True)
print(a) # 列表
print(indices) # 下标
# output
[1 2 3 4 5]
[0 1 4 5 3]
# 旧列表的元素在新列表的位置
a, indices = np.unique(A, return_inverse=True)
print(a)
print(indices)
print(a[indices]) # 使用下标重构原数组
# output
[1 2 3 4 5]
[0 1 1 4 2 3 2]
[1 2 2 5 3 4 3]
# 每个元素在旧列表里各自出现了几次
a, indices = np.unique(A, return_counts=True)
print(a)
print(indices)
# output
[1 2 3 4 5]
[1 2 2 1 1]
# 向量去重
B = np.array([1, 2, 3, 4]
[1, 2, 3, 4]
[2, 3, 4, 6])
b = np.unique(B, axis = 0)
# output
[[1, 2, 3, 4]
[2, 3, 4, 6]]
可遍历对象组合为索引序列: enurmerate()
numpy 初始化生成相同元素值的数组
使用 numpy.full() 函数
numpy 数组添加一列/一行
使用 numpy.insert() 函数
import numpy as np
a = np.array([[1,2,3],[4,5,6],[7,8,9]])
b = np.array([2,5,8])
# 2代表下标，这里代表插入到第三列，axis=1，插入一列，axis=0，插入一行
print(np.insert(a, 2, b, axis=1))
#插入多列
c = np.array([[1,4,7],[2,5,8]]).T
print(np.insert(a, [0,1], c, axis=1))
输出：
[[1 2 2 3]
[4 5 5 6]
[7 8 8 9]]
[[1 1 2 2 3]
[4 4 5 5 6]
[7 7 8 8 9]]
