Python的零碎知识点 02

1. 将字符串以某种符号为标志进行分割：

new_list=str.split()
# 默认分割标志为“空格”

2. random.sample() 方法里面可传入两个参数：

   first：样本空间

   second：传出样本数

   这个方法，传出的样本与样本空间属相同类型数据，即 list 仍未 list ，而 array 仍为 array ；

3. 布尔型列表可以当作列表数据的选择器；不知列表，其他类型数据也可，只要布尔选择器与原列表数据类型保持一致便可：

   index=[True,False,True,False]
   list=[1,2,3,4]
   print(list[index])
   
   Out:
   [1,3]
   

4. np.mean() 可以求解列表、元组等类型数据的平均值；

5. 当两个不同类型的迭代器进行比较时，比如说list/array 与 np.array()类型的进行比较，遵循"就难"法则，以难的为主，即使用 all 进行判别（即逐个判别）；

6. 将普通类型的数组（列表、元组等）分别使用不同的方法求解和值：

   built-in mean () 方法的速度要比 np.mean() 速度快；

7. 矩阵计算（求和，求积）的速度要比 for循环 的速度快：

   矩阵计算是并行计算，而 for循环 是串行计算；

8. 若要随机挑取 data_set [from np.ndarray] 中的特定个样本，则需要借助 random.sample() 方法；不过，使用该方法前，需要将 data_set 转化为 list or set or array ；

9. K-mean聚合算法 的终止分析：

   1. 达到预设的迭代次数；

   2. 两次总函数值的变化范围处于一个可接受范围内：

      这种情况下不需要考虑单一样本点的情况，只需要关心总值；达到了一定程度的抽象；

      如果两次的总函数值真的大小相等，说明达到了极限情况；

10. Fuzzy K-mean 算法，相比于 K-mean 算法，界限不会很准确，且每一次对聚类中心的计算都会涉及到所有的数据；

    初始时没有每个坐标对每个类的隶属度，也没有每个类的聚类中心。因此，只要为其中一项设置初始值便可。一般情况下，初始化隶属度（当然，初始化聚类中心同样问题不大），可以令 1 直接除以类的个数；

    同样，在不断迭代之下，最终的函数会趋于稳定，可将其作为最终的判断标准之一，另外一个判断标准就是迭代次数的限制；

11. np.argmin()和np.argmax() 选取矩阵中某一个维度的最大值或最小值的下标，效率极高；