語法規則
下列語法中的“if”、“elif”以及“else”要保持對齊。 相對於正文向外超出兩個空格。
{
if
elif
else
}函數定義後面要加“：”
“引號” 代表字符串
np.random產生隨機數
import numpy as np
（1）浮點數
A = np.random.random(3)
# 產生[0,1]內的隨機浮點數
A1 = np.random.random((2,3))
# 在[0,1]內隨機產生2行3列的矩陣。
# 調用函數時，後面加“()”,括號內的數據纔是真正需要設置的。所以會出現重括號。
B = np.random.uniform(20,30，5)
# 在[20,30]之間產生5個隨機浮點數
（2）整數
D = np.random.randint(10,20，5)
# 在[10，20]之間產生5個隨機整數
E = np.random.permutation(10)
# 產生[0,9]的隨機順序的整數
E1 = np.random.permutation(10)[:3]
# 從[0,9]中選取3個隨機整數
E2 = np.random.permutation([9,3,4,2,8,6])
# 輸出所給數據的隨機順序
（3）在一定範圍內按順序生成數字
x = np.mgird[-1:1:complex(0,n)]
# 在[-1,1]內按從小到大的順序產生n個數字列表(list)、元組(tuple)以及數組(array)
- array [1,2,3].shape (3L,)
- array [[1,2,3]].shape (1L,3L)
- array [[1],[2],[3]].shape (3L,1L)
- array [1,2,3].reshape(3,1).shape (3L,1L)
- tuple：代表元組 numpy.ndarray：numpy中的n維元組
- list 沒有shape或者reshape等屬性，數組(array)操作更加方便，array輸出爲list的形式。
- list定義利用’[]’，tuple定義利用’()’
pca類的理解
- pca類有parameters和attributes，調用pca類的attributes時不需要加參數，例：pca.components_.reshape ，但在調用pca類中的其他函數時需要加參數，例：pca.fit(X)。根據需求制定。
zip函數
zip函數舉例：
a = [1,2,3]
b = [4,5,6]
print zip(a,b)
[(1, 4), (2, 5), (3, 6)]plot畫圖的一般流程
plt.figure()plt.xlabel('') 橫座標plt.ylabel('') 縱座標plt.legend(loc = 'lower right') 顯示圖中各線條意義
# 畫出各線段所表示的含義（每條曲線表示的意義）plt.title(title) 標題plt.show() 顯示圖片
實例如下：
plt.figure()
plt.plot(n_components, pca_scores, 'b', label = 'PCA scores')
plt.plot(n_components, fa_scores, 'r', label = 'FA scores')
#plt.axvline and plt.axhline 分別是豎直劃線和水平劃線的含義
plt.axvline(rank, color='g', label='TRUTH:%d' %rank, linestyle='-')
plt.axvline(n_components_pca, color = 'b',
label = 'PCA CV:%d' % n_components_pca,linestyle='--')
plt.axvline(n_components_fa, color = 'r',
label='FactorAnalysis CV:%d' % n_components_fa,
linestyle='--')
plt.axvline(n_components_pca_mle, color='k',
label='PCA MLE:%d' % n_components_pca_mle,linestyle='--')
#compare with other covariance estimators
plt.axhline(shrunk_cov_score(X), color='violet',
label='Shrunk Covariance MLE', linestyle='-.')
plt.axhline(lw_score(X), color='orange',
label='LedoitWolf MLE' % n_components_pca_mle, linestyle='-.')
plt.xlabel('nb of components')
plt.ylabel('CV scores')
plt.legend(loc = 'lower right')
# 畫出各線段所表示的含義（每條曲線表示的意義）
plt.title(title)
plt.show()range、np.arange以及xrange區別
- range多用作循環，range（0,10）返回一個list對象
print range(3) [0, 1, 2]
print range(1,4) [1, 2]
for i in range(n_row * n_col):
plt.subplot(n_row, n_col, i+1) # 在每個區域畫圖
- arange是numpy模塊中的函數，使用前需要先導入此模塊，arange(3):返回array類型對象。
【注：range()中的步長不能爲小數，但是np.arange()中的步長可以爲小數】
n_components = np.arange(0, n_features, 5)
# n_components array ([0,5,10,15,...,45]) - xrange()也是用作循環，只是xrang(0,10)不返回list，返回xrange對象。每次調用返回其中的一個值。
返回很大的數的時候或者頻繁的需要break時候，xrange性能更好。
【注意：python3.x中把xrange()取消了】
time計時函數
import time as time
t0 = time()
#中間加需要計算時間的代碼內容
print time()-t0
reshape函數
faces_centered -= faces_centered.mean(axis=1).reshape(n_samples, -1)
# faces_centered.mean(axis = 1) 按列求平均值，得到一列
# reshape.(n_samples, -1) 中的‘-1’表示由實際情況而定，不具體指定是多少enumerate函數
用於遍歷(images)中的索引以及值（下標以及數據）
seq = ['one','two','three']
for i ,j in enumerate(seq):
print i,j
output:
0 one
1 two
2 three
for i, comp in enumerate(images):
# enumerate 用於遍歷images中的index以及value
# i用於存儲索引(index)，comp用於存儲值(value)
plt.subplot(n_row, n_col, i + 1)fetch_lfw_people獲取人臉數據集各參數作用
# 獲取人臉數據集
lfw_people = fetch_lfw_people(min_faces_per_person = 70, resize = 0.4)
# print lfw_people 函數把符合條件的照片專爲一個(n_samples,n_features)的矩陣
# fetch_lfw_people 函數用於提取lfw(人臉數據集)數據集中的數據
# min_face_per_person 保留文件夾中照片數大於70的人臉數據集
# Each row corresponds to a ravelled face image of original size 62*47 pixels
# 每一行對應一個原始尺寸爲62*47像素的臉部圖像，默認resize爲0.5，如果變爲0.4後，size爲50*37
n_samples, h, w, = lfw_people.images.shape
# n_samples = 1288, h = 50, w = 37
# 挑選了1288張人臉，其中每個人的人臉照片都超過70張，picture.shape()=50*37random_state = 42，代表每次產生相同的隨機分組
# split train and test data
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size = 0.25, random_state = 42)
# 利用train_test_split函數將數據分爲訓練集和測試集
# random_state 代表是隨機數的種子，填寫數字，代表每次產生相同的隨機數組。
# 數字爲0或者不填，每次產生的隨機數組都不同
%d、%s以及%.3f
print('Extracting the top %d eigenfaces from %d faces'
%(n_components, X_train.shape[0]))
print（'predicted: %s\ntrue: %s' %(pred_name, true_name)）
print("done in %0.3fs" % train_time)rsplit函數用法
def title(y_pred, y_test, target_names, i):
# 返回預測人臉姓和測試人臉姓的對比title
pred_name = target_names[y_pred[i]].rsplit(' ', 1)[-1]
# rsplit('',1) 從右邊開始，以右邊第一個空格爲分界，分成兩個字符
#組成一個list
# 此處代表把'姓'和'名'分開，然後把後面的'姓'提取出來
# 末尾加[-1]代表引用分割後的列表的最後一個元素
true_name = target_names[y_test[i]].rsplit(' ', 1)[-1]
return 'predicted: %s\ntrue: %s' %(pred_name, true_name)np.logspace(-2, 0, 30)
shrinkages = np.logspace(-2, 0, 30)
# [-2,0]中挑選30個點,然後取以10爲底的對數，
# x = np.random.uniform(-2,0,30)， shrinkages = log(10)(x)