python 語法筆記(不斷更新)

python 語法筆記(不斷更新)

• python，numpy，pandas数据处理之小技巧

https://zhuanlan.zhihu.com/p/21337237

• 排序： iterable為放置需要排序的陣列或是list（可迭代），reverse則是看要不要反過來排序，預設是false

sorted(   iterable   ,reverse= False)    

• 排序：(np.sort) 排序。可以依照raw or column來排序

np.sort(  iterable  ,axis =0 )

list array 問題

• list ,ndarray 小數轉int：

np.around(list or ndarray)

• list與array:

list  : [object]

            

                        ／  一維 :  不等於 list ，要轉成list ，使用 :  list(   array   ) 

array: np開頭 

               ＼  多維 : 要降成一維 ，使用 :   .ravel()

• list(str) : 把str轉成list：str裡面的每個字元都被當成'字串': 

str= 'hello'

list(str)

• list轉array 

np.asarray(list)

• 一維array轉2維：

np.reshape(1-Darray, (幾x幾) )

• List  新增：
                   a=[1,2,3,4]
                   b=[5,6,7,8]
  

c = a+b                    ＃直接用 +  即可

a.append(b[0])             ＃用b[0]

print c

[1, 2, 3, 4, 5, 6, 7, 8]

print a

[1, 2, 3, 4, 5]

• array新增（一維）： np.append
  •     aa= np.array([1,2,3,4])
  •     bb= np.array([5,6,7,8])

cc1= aa+bb                 ＃在array裡若直接用 + 則是進行array內運算

cc2= np.append(aa,bb)      ＃需使用append ，一維是橫向往後增加

print cc1

[ 6  8 10 12]

print cc2

[1 2 3 4 5 6 7 8]

                         （二維）：  np.append

aa2= np.reshape(aa,(1,4))

bb2= np.reshape(bb,(1,4))

cc2= np.append(aa2,bb2,axis=0)     # 二維 可指定axis，0則是往下堆疊

cc3= np.append(aa2,bb2,axis=1)     # 二維 可指定axis，1則是往橫向堆疊

cc4= np.append(aa2,bb2)            # 若不指定axis 則轉為一維的array

print cc2

[[1 2 3 4]
 [5 6 7 8]]

print cc3

[[1 2 3 4 5 6 7 8]]

print cc4

[1 2 3 4 5 6 7 8]

• List 移除 插入

lis =[1,2,3,4,5]

lis.remove(lis[0])  #移除第一個

lis.insert(0,'error') . # 在第0的位置 插入error字串

• List replace:

原list =[w.replace( '原本的字符','要改成的字符') for w in 原list]    # w是遍歷用的

• 字串拆解和結合(list)---結合:   .join  把原本list裡的char 依照串接的字符變成新的字串

新str= '要串接的字符'.join([原char])    #  '要串接的字符'比如 ：','  '.' 之類

• 字串拆解和結合(list)---拆解： .split()  把原本的字串拆解並存成list

新list= 字串.split('依照該字符做拆解')  #  依照提供的特徵：字符 做拆解 並轉為list裡面的index

• list刪除：

del list[index]  #直接指定要刪除的位置index

•  ndarray 裡的值如果要修改：

1D array： ndarray.itemset( 位置, 要改成的值 )  

2D array： ndarray.itemset( (位置,位置) 要改成的值 ) 

• pandas 轉array ,list

# 轉array:

df[column].as_matrix()

   

# 轉list：

df[column].values.tolist()

• 取值的位置(index):

a= [10,20,30,40,50]

a.index(10)

回傳 0

• input() 與raw_input():

input("想顯示的東西")  之後回傳只能keyin 數字 

raw_input("想顯示的東西") 。之後回傳能keyin 數字與字串

• 把滑鼠複製的data轉成dataframe:

import pandas as pd

y= pd.read_clipboard()

y 

存讀檔

1. npy讀寫效率最高，但最佔硬碟空間，比如np.load(), np.save();

2. csv其次，比如pd.Dataframe.to_csv()，pd.load_csv()；

3. txt讀寫，當然也可以很快，但是需要频繁的split，對格式規範的數據比较麻烦；

4. 至於簡單的excel和word，可以用xlrd,xlwt來操作

• 一般存檔：

a= [1,2,3,4]

with open ('filename' , 'w' ) as f:

     pickle.dump( a , f )

• 一般讀檔： pickle沒有副檔名

pickle.load(  open('filename', 'r')     )

• pandas存pickle檔：

dataframe.to_pickle('檔名.pickle')

• pandas讀pickle檔：

pd.read_pickle('檔名.pickle')

• numpy 存檔：（自動存成npy檔）：

np.save( '檔名',   要存的list 或 array  )

• numpy 讀檔：

np.load( ' 檔名.npy'  )

• text讀檔： 讀出來格式是str 字符串

 with open(txtfile)as f: 

   Text_str = f.read() 

os操作：遍歷，新增：

1. 新建文件夹：

if not os.path.isdir(path_out):

  os.makedirs(path_out)

2. 遍歷所有文件和子文件夹：                     # a: 路徑  b:資料夾  c:總文件 

for a, b, filenames in os.walk(path_data):

  for filename in filenames:

3.只遍歷當前文件，不包含子文件夹：

for a, b, filenames in os.walk(path_data):

  for filename in filenames:

  if a == path_data:

確認nan 布林

• 確認dataframe是否為null:

pd.isnull(object)

• 確認array是否為null:

np.nan(array)

• 設定nan:

np.nan

• 用 np.isfinite() 判斷布林值

x=np.array([1,2,np.nan,4,5]) 

np.isfinite(x)

• 再利用上面的判斷 ，忽略nan值

import numpy as np

import matplotlib.pyplot as plt

time=np.array([1,2,3,4,5]) 

f1=np.array([1,2,np.nan,4,5]) 

＃忽略nan ,因為丟進[]裡面所以假使是2d array也會被轉成一維

plt.plot(time[np.isfinite(f1)], f1[np.isfinite(f1)])  

plt.show()

• numpy.ndarray 的nan填補：

example = np.where(np.isnan(example), 0, example)

example = np.where(np.isnan(example), 0, example)

• dataframe 的nan填補：

可以用example.fillna()  也可以用example.replace(a, b)

• 線性迴歸：

from scipy import stats

# 斜率 。 截距 。 變異係數 。相關係數 。 標準誤差

slope, intercept, r_value, p_value, std_err = stats.linregress(wait,what)

r_value**2

• 畫圖的colormap設定 與 c的隨機配色

plt.scatter(x,y, s=20, c=np.random.rand(100),marker='o', cmap=plt.cm.jet, alpha= 0.5 )

plt.scatter(x[u],y[u], s=10, c=(np.random.rand(),np.random.rand(),np.random.rand()),

  marker='o', alpha= 0.3 )

• 要把list裡面的數字都round(取小數四捨五入)：

lis= [55.45,15.5,33.9]

ss= [round(i,0) for i in lis]     #小數點後0位 四捨五入

這封郵件來自 Evernote。Evernote 是您專屬的工作空間，免費下載 Evernote

class 下的 global ,self 筆記

class 下的 global ,self 筆記

x=999

class C:

  x= 6666

  def function(self):

      print x

      print self.x

  def define(self):

      print self.x

  def correct(self):

      self.x= 899

      print self.x

  def react():

      x= 89

      print x

c=C()

• c=C() ：把c實體化
• class下的x＝6666 為class專屬的變數，如果在函數內要print，使用 或改變，就要使用self.x  否則只寫 print x 會跑出外部的x ＝999
• print （c.x） 結果為 6666 因為class C 下的 x 是6666 。 之後若運行到c.correct() 因為已改變self.x 所以若再print (c.x) 則為899
• def react()下的 x＝89 為該函數內自定義的變數，不會改變到外面 也不會受外面影響。

x=999

class C:

  global x

  x= 6666

  def function(self):

      print x

      print self.x

  def define(self):

      print self.x

  def correct(self):

      self.x= 899

      print self.x

c=C()

• 如果在class加上global x 且賦予該變數為6666 是說改變了x=999 為6666 並不是在class 內定義變數 ，所以使用self.x會報錯（因為class內沒有定義專屬的變數）
• print （c.x） 結果會報錯 , 因為尚未定義class C的變數，之後若運行到c.correct() 因為設定了self.x 所以若再print (c.x) 則為899

這封郵件來自 Evernote。Evernote 是您專屬的工作空間，免費下載 Evernote

Pandas Dataframe 語法

Pandas Dataframe 語法

import pandas as pd

import numpy as np

                        pandas dataframe API

        pandas.DataFrame(data=None, index=None, columns=None, dtype=None, copy=False)

# attribute:(.即可)

'''DataFrame.size # 資料總數

  .shape # 幾乘幾的dataframe

  .values # 把 dataframe 轉成 2維 array

  .ndim # 維度

  .T # 轉置

  .dtypes # data types（看是整數還浮點數）

  .axes # 查看 index 跟 columns 名稱

  .ix # Lable 在該index 對應的資料，可以放index數字也可以放label文字 

  .loc # Lable 在該index 對應的資料 (只能放label文字 )

  [] # 第一個中括號，看columns的資料內容 ，後面補上的第二個括號是該columns對應的label

  .insert()# 插入：.insert(要插在第幾個column位置，安插的名稱，安插資訊內容)

'''            

df = pd.DataFrame(np.random.rand(4,3),index=['a','b','c','d'],columns =['A','B','C'])

print df.size

print df.shape

print df.values

print df.ndim

print df.dtypes

print df.axes

print df.ix[0]

print df.ix['a']

print df.loc['a']

print df['A']['a']

# method:(.小括號)

df = pd.DataFrame(np.random.randn(4,3),index=['a','b','c','d'],columns =['A','B','C'])

df2= pd.DataFrame(np.random.randn(4,1),index=['w','x','y','z'],columns =['A'])

'''

DataFrame

  <合併刪除>

  .add(other, axis='columns') # data相加,但是一定要columns名稱相同

  .append(other, ignore_index=False ) # 新增資料合併用,雷同merge

  .merge(right,how='inner') # 新增資料合併用 找相同columns然後從下面補上去,預設為交集（inner,可改為outer聯集

  .join(other,how='left') # 新增資料合併用,left：以原資料為主，other為新增，right則相反）

  .drop(labels) # 剔除label資料 （刪除columns： del df[] 沒有.點)

  <數值計算>

  .describe() # 幫忙計算資料的數量, mean, std,cv...等等

  .abs() # 絕對值

  .idxmax(axis) # 比較大小（依照axis ：0就是ABC比,順序：橫向 1就是abcd比，順序：直立）

  .idxmin(axis)

  .mean(axis) # axis=0 A平均B平均C平均;axis=1 a平均b平均c平均d平均

  .min(axis) # axis=0 找A最小B最小C最小;axis=1 找a最小b最小c最小d最小

  .round([decimals]) # 取小數點幾位

  .std(axis=None) # 計算std ,依照指定的axis =0 或1

  .sum(axis= None) # 計算sum ,依照指定的axis =0 或1

  <獲取,查看資料>

  .get_values() # 等同於DataFrame.values

  .head(n) # 只列出前n列的資料 沒寫就是前五列

  .keys() # 只查看columns名稱

  <修改欄位>

  .reset_index(drop=True) # 如果今天index的lable順序因為合併變成雜亂,可以用這個重新從0開始排序(要寫true不然原先的index會留著）       

  .rename(index={ },columns= { }) # label與columns命名修改

  .swapaxes(axes1,axes2) # column ,index 互換

  .transpose() # column ,index 互換

  <修改內容>

  .df.shift(periods=1,axis=0) # shift,perios看要移動幾格, axis 看是移動直向還是橫向

  .set_value(index,col,value) # 設定資料內容, index,column都要是label value為要設定的資訊

  .sort_values(by=[],axis=0) # axis＝0 依照ABC欄位去做abcd排序 by要填入column的label即A,B,C ,axis=1則相反 .  

  <存檔格式>

  .to_csv('.... .csv') # 轉成csv檔 改路徑就直接把路徑寫出最後補上.csv即可 (用pd.read_csv()讀檔案)

  .to_pickle('.... .pickle') # 轉成pickle檔 改路徑就直接把路徑寫出最後補上.pickle即可

  .to_json('.... .json') # 轉成json string檔 改路徑就直接把路徑寫出最後補上.json即可

  <更新>

  .update(other[]) # 更新other[] 中括號裡面上的是要更新column的lable。更新要確認index是否相同 否則更新無效     

'''     

print df

print df2

print df.append(df2,ignore_index =True)

print df.describe()

print df.drop('a')

print df.get_values()

print df.head(2)

print df.idxmax(0)

print df.idxmax(1)

#######移動shift 且新增資訊方式：

df3 =df.shift(axis=1)

print df3

val =[10,20,30,40]

label= ['a','b','c','d']     

for index,i in enumerate (val):

  df3 =df3.set_value(index =label[index],col='A',value=i)

print df3

########

print df.sort_values(by=['a','b','c','d'],axis=1)

pandas, series 其他語法

# dot 用法 ： 矩陣相乘

s1 = pd.Series(np.arange(1,5)) 

s1.dot(s1)

# series- dictionary用法：

d ={'one':pd.Series([1,2,3],index=['a','b','c']),

  'two':pd.Series([4,5,6],index=['d','e','f']) }

print (d['one'])

df= pd.DataFrame(d)

print

print (df)

print

print(pd.DataFrame(d,index=['b','c','f']))

# list-dictionary用法：

t= [{'a':10, 'b':20},{'a':5,'b':300,'c':1}]

pd.DataFrame(t)

# DataFrame.from_item 用dictonary來幫dataframe的column命名：

df= pd.DataFrame.from_items([('a',[1,2,3]),('b',[4,5,6])])

print(df)

print

print(df.T)

# DataFrame.from_item 用dictonary方式來命名, 但加了orient就變成轉置只是強制要幫column命名：

df= pd.DataFrame.from_items([('a',[1,2,3]),('b',[4,5,6]),('c',[7,8,9]),('d',[10,11,12])],

  orient='index',columns=['one','two','three'])

df

# 可以做運算 也可以用flag做布林值判定

df['three'] =df['one']*df['two']

df['flag']= df['one']>2

df

# 刪除整個columns就 del （刪除整個index 用drop）

del df['three']

df

# 新增欄位直接寫要的欄位名稱 ,不過index內容全部統一（除非用condat合併才可以放入其他資訊）

df['date'] = '2017-03'

df

# 插入：insert(要插在第幾個column位置，安插的名稱，安插資訊內容)

df.insert(4,'james gordan',df['one'])

df

# 從欄位找資料：

print (df['one'])

print 

# 用loc,從 lable找資料 (也可以用iloc用index找資料):

print (df.loc['a']) # Same as : df.iloc[0]

# 切片用法：在df是切片用法，即切片起始0在空的lable那裏，所以a是1, 1:3 取兩個，頭不算 所以取2,3

df[1:3] # 與 d[:3]：從頭開始取到第3個不同含義

pandas concat 合併語法

pandas.concat(objs, axis=0, join='outer', join_axes=None, ignore_index=False, keys=None, levels=None, names=None)

# concat 兩個dataframe做合併 依照aixs軸設定 ,是新創的記憶體位置

df = pd.DataFrame(np.random.randn(4,3),index=['a','b','c','d'],columns =['A','B','C'])

df2= pd.DataFrame(np.random.randn(4,1),index=['w','x','y','z'],columns =['D'])

pd.concat([df,df2],ignore_index='True',axis=0)

這封郵件來自 Evernote。Evernote 是您專屬的工作空間，免費下載 Evernote

Demo_Pandas plot

Demo_Pandas plot

%matplotlib

import matplotlib.pyplot as plt

import pandas as pd

import numpy as np

Plot

# simple plot

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

df.plot()

plt.figure();

df['A'].plot()

plt.figure();

df['A'].cumsum().plot()

# subplots 提供了多張圖示出現在一畫面的方式

df.plot(subplots=True, alpha =0.5,figsize=(6, 6))

# kde: density plots

df['A'].plot(kind='kde')

Bar plot

# 看DataFrame橫向： 另外也展示了堆疊的方式(stack)

df = pd.DataFrame(np.random.rand(10, 4), columns=['A', 'B', 'C', 'D'])

df.plot(kind='bar',alpha =0.8)

df.plot(kind='bar', stacked=True)

# 橫向bar堆疊(barh)

df.plot(kind='barh',alpha =0.8, stacked=True)

Histgram plot

# 看DataFrame縱向： A,B,C,D 的高斯分佈

df = pd.DataFrame(np.random.randn(100, 4), columns=['A', 'B', 'C', 'D'])

df.plot(kind='hist',alpha= 0.8)

df.plot(kind='hist',alpha= 0.5, stacked=True,bins= 50)

plt.figure()

df['A'].plot(kind='hist',bins= 10)

# df.diff().hist 提供了多張圖示出現在一畫面的方式

df.diff().hist(color='k', alpha=0.5, bins=30)

# subplots 提供了多張圖示出現在一畫面的方式

df.plot(kind='hist',subplots=True, alpha =0.5,figsize=(6,8),color='k',bins=30)

Area plot

# 都要是正數範圍；stack 可以改為透明

df = pd.DataFrame(np.random.rand(10, 4), columns=['A', 'B', 'C', 'D'])

df.plot(kind='area',alpha=0.5)

df.plot(kind='area', stacked=False)

Scatter plot

# simple scatter plot

df = pd.DataFrame(np.random.rand(50, 6), columns=['A', 'B', 'C', 'D','E','F'])

df.plot(kind='scatter', x='A', y='B')

# a3 為 A,B,C 對應E,F,G散佈圖

a1 = df.plot(kind='scatter', x='A', y='B',color='DarkBlue', label='Group 1')

a2 = df.plot(kind='scatter',x='C',y='D',color='DarkGreen', label='Group 2',ax = a1 )

a3 = df.plot(kind='scatter',x='E',y='F',color='k', label='Group 3',alpha =0.6 ,ax = a2 )

# s為圓點大小;c代表顏色用C的資料點代表顏色強度；colormap沒寫則預設黑色

df.plot(kind='scatter', x='A', y='B',c='C', colormap='OrRd', s=60)

# s為圓點大小，用C資料來改變點大小

df.plot(kind='scatter', x='A', y='B',c='k', s=df['C']*200)

# 六角形

df.plot(kind='hexbin', x='A', y='B', gridsize=15)

                                                                       Other Example(共用)

scatter_matrix: 展示了matrix的比較圖. 

e.g: A資料自己的常態分佈圖或是A,B . A,C . A,D 的散佈圖

from pandas.tools.plotting import scatter_matrix

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

scatter_matrix(df, alpha=0.2, figsize=(6, 6), diagonal='kde')

增加右邊y軸數值

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

df.A.plot(c='r')

df.B.plot(secondary_y=True, style='g')

增加右邊y軸數值與標籤

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

df= df.cumsum()

ax = df.plot(secondary_y=['A', 'B'])

ax.set_ylabel('CD scale')

ax.right_ax.set_ylabel('AB scale')

針對各資料設定顏色

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

df= df.cumsum()

with pd.plot_params.use('x_compat',True):

  df.A.plot(c='k')

  df.B.plot(c='m')

  df.C.plot(c='y')

  df.D.plot(c='grey')

  

提供了多張圖示出現在一畫面的方式

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

df= df.cumsum()

df.plot(subplots=True, figsize=(6, 6));

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

df= df.cumsum()

# subplot 排列方法 ：layout=(2, 3)->(raw,column)：

df.plot(subplots=True, layout=(2, 3), figsize=(6, 6), sharex=False);

# subplot 排列方法 ：指定哪個raw哪個column放哪個資料：

fig, axes = plt.subplots(nrows=2, ncols=2)

df['A'].plot(ax=axes[0,0],c='k') ; axes[0,0].set_title('A');

df['B'].plot(ax=axes[0,1],c='k',alpha =0.7); axes[0,1].set_title('B');

df['C'].plot(ax=axes[1,0],c='k',alpha= 0.4); axes[1,0].set_title('C');

df['D'].plot(ax=axes[1,1],c='k',alpha= 0.1); axes[1,1].set_title('D');

subplot ,增加cv bias mean等的資訊在table欄位

from pandas.tools.plotting import table

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

df= df.cumsum()

fig,ax = plt.subplots(1, 1)

# describe()：會幫忙算出cv bias mean...

# table 用來顯示欄位用的

table(ax, np.round(df.describe(), 2),loc='upper left', colWidths=[0.1, 0.1, 0.1,0.1])

df.plot(ax=ax,figsize=(10, 10))

 colormap

from pandas.tools.plotting import table

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

df= df.cumsum()

df.plot(colormap='Greens')

這封郵件來自 Evernote。Evernote 是您專屬的工作空間，免費下載 Evernote

python opencv in MAC 視窗問題

python opencv in MAC 視窗問題

我在mac 裡編譯python只要用到視窗跳出在關閉時都會怪怪的。

opencv的imshow（）這邊就會碰到..

網路上看了以後，不知道為什麼很少人有這問題，好像多是windows系統,所以沒這問題。

osx系統的我看提問，最後也是無疾而終

我目前想到的方法：

• 就是不用imshow 改用 skimage 裡的io.imshow()

%matplotlib

import matplotlib.pyplot as plt

from skimage import io

import cv2

import numpy as np 

#載入影像 

img = cv2.imread('Li.png')    

io.imshow(img)

plt.show()

magic 函數 %matplotlib 後面不加任何東西就是default視窗，這是可以被關閉的

或是要用notebook的特色 就 %matplotlib notebook即可。

不過pyQ我還是無法解決視窗問題＝＝"

這封郵件來自 Evernote。Evernote 是您專屬的工作空間，免費下載 Evernote

Training and Test

Training and Test

本週是要實現如何使用python的machine leraning，上了coursera的課程主要是了解概念，至於實作，我是參考了莫煩的python教學

以下是網址：

youtube:

https://www.youtube.com/watch?v=YY7-VKXybjc&list=PLXO45tsB95cI7ZleLM5i3XXhhe9YmVrRO

github:

https://github.com/MorvanZhou/tutorials/tree/master/sklearnTUT

受益良多，很感謝

看了下網路其他教學範例，大多是使用波士頓房地產做解說，然後做線性迴歸。不然就是做分類。

而我的狀況是希望能做多項式的回歸，網路上也是有找到多項式回歸的教學，不過要慢慢自己去建參數，是有點複雜，畢竟我不是演算法出眾的人。

於是看到了python有： sklearn (science kit learning )的svm(Support Vecotr Machine) SVR（Suppert Vector Regression)演算法

基本上 SVR 就是在針對回歸作演算法處理。

該import的依樣先import：

%matplotlib notebook

from sklearn import datasets 

import matplotlib.pyplot as plt 

import numpy as np 

from sklearn.cross_validation import train_test_split 

from sklearn.svm import SVR 

from sklearn.cross_validation import cross_val_score 

import pickle

from math import*

1.from sklearn import datasets： http://scikit-learn.org/stable/modules/classes.html#module-sklearn.datasets 

                                                 數據庫，內建很多資料可以練習，也有內建很多function，比如datasets.make_regression ....等等

2.from sklearn.cross_validation import train_test_split ： 分類test set 與training set

3.from sklearn.svm import SVR : svr演算法

4.from sklearn.cross_validation import cross_val_score : 交叉驗證，之後有新的data再引入驗證，目前還沒用

5.import pickle:存擋 

6.from math import*：如果要用倒三角函數或是exp要引入

better_score =0

X = np.sort(5 * np.random.rand(500, 1), axis=0)

y = np.exp( -X**2 ) + np.random.normal(0, 0.05, X.shape)

y_= y. ravel()

for i in range(20):

  x_train, x_test, y_train, y_test = train_test_split(X, y_, test_size=0.3) 

  svr_poly = SVR(kernel='rbf') 

  x_test =sorted(x_test)

  y_test= sorted(y_test, reverse=True)

  y_poly= svr_poly.fit(x_train,y_train).predict(x_test) 

  score = svr_poly.score(x_test,y_test) 

  print score

  if better_score>score: 

  better_score = better_score 

  else: 

  better_score = score 

  fitting = svr_poly 

  xx=x_test 

  yy=y_test 

print ('Best R^2 is: {}'.format(better_score)) 

# plt.scatter(X,y,lw =1,marker='.',c= 'cornflowerblue')

# plt.scatter(x_test,y_test,lw= 0.1,marker='*',c ='r')

# plt.plot(x_test,y_poly,c='g',lw =2)

# plt.show()

xx = sorted(xx) 

yy = sorted(yy,reverse=True) 

yyy= fitting.fit(x_train,y_train).predict(xx) 

plt.scatter(X,y,lw =1,marker='.',c= 'cornflowerblue')

plt.scatter(xx,yy,lw= 0.1,marker='*',c ='r')

plt.plot( xx,yyy, color='g', lw=2) 

plt.legend() 

plt.show()

0.981262758171
0.985928238754
0.983921017322
0.978366081228
0.981761295843
0.983258298598
0.984401149668
0.975115055289
0.982420619817
0.984895618793
0.984486517169
0.98190445156
0.980037096507
0.975000835056
0.974193198206
0.986632990775
0.983566759576
0.984506261356
0.981129872633
0.979422542099
Best R^2 is: 0.986632990775

xx=x_test , yy=y_test 

為當我找到較好的 svr_poly 演算法函數時，丟進fitting ，當時所對應的 test set。

當一系列跑完，

fitting為最好的演算法，xx,yy為當時最好的test sample，

我就用演算法fitting去驗證xx 跑出來的結果 yyy 看是否接近yy

藍色.是全部data

紅色＊是最後最好的test set

綠色線是用fitting演算法以xx數據推測出yyy的數值所畫的線

由於x,y是我自己生成的序列，會在正負之間跳來跳去，所以要再用sort去把他們排序。

結果：

這封郵件來自 Evernote。Evernote 是您專屬的工作空間，免費下載 Evernote