在本章主要内容：

NumPy基础知识
加载iris数据集
查看iris数据集
用pandas查看iris数据集
用NumPy和matplotlib绘图
最小机器学习配方 - SVM分类
介绍交叉验证
以上汇总
机器学习概述 - 分类与回归

简介

本章我们将学习如何使用scikit-learn进行预测。机器学习强调衡量预测能力，并用scikit-learn进行准确和快速的预测。我们将检查iris数据集，该数据集由三种iris的测量结果组成：Iris Setosa，Iris Versicolor和Iris Virginica。

为了衡量预测，我们将：

保存一些数据以进行测试
仅使用训练数据构建模型
测量测试集的预测能力

解决问题的方法

类别(Classification)：
非文本，比如Iris
回归
聚类
降维

技术支持 (可以加qq群：887934385）

NumPy基础

数据科学经常处理结构化的数据表。scikit-learn库需要二维NumPy数组。在本节中，您将学习

NumPy的shape和dimension

   In [1]: import numpy as np

     In [2]: np.arange(10)

     Out[2]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

     In [3]: array_1 = np.arange(10)

     In [4]: array_1.shape

     Out[4]: (10,)

     In [5]: array_1.ndim

     Out[5]: 1

     In [6]: array_1.reshape((5,2))

     Out[6]:

     array([[0, 1],

            [2, 3],

            [4, 5],

            [6, 7],

            [8, 9]])

     In [7]: array_1 = array_1.reshape((5,2))

     In [8]: array_1.ndim

     Out[8]: 2

NumPy广播(broadcasting)

  In [9]: array_1 + 1

     Out[9]:

     array([[ 1,  2],

            [ 3,  4],

            [ 5,  6],

            [ 7,  8],

            [ 9, 10]])

     In [10]: array_2 = np.arange(10)

     In [11]: array_2 * array_2

     Out[11]: array([ 0,  1,  4,  9, 16, 25, 36, 49, 64, 81])

     In [12]: array_2 = array_2 ** 2 #Note that this is equivalent to array_2 *

     In [13]: array_2

     Out[13]: array([ 0,  1,  4,  9, 16, 25, 36, 49, 64, 81])

     In [14]: array_2 = array_2.reshape((5,2))

     In [15]: array_2

     Out[15]:

     array([[ 0,  1],

            [ 4,  9],

            [16, 25],

            [36, 49],

            [64, 81]])

     In [16]: array_1 = array_1 + 1

     In [17]: array_1

     Out[17]:

     array([[ 1,  2],

            [ 3,  4],

            [ 5,  6],

            [ 7,  8],

            [ 9, 10]])

     In [18]: array_1 + array_2

     Out[18]:

     array([[ 1,  3],

            [ 7, 13],

            [21, 31],

            [43, 57],

            [73, 91]])

初始化NumPy数组和dtypes

   In [19]: np.zeros((5,2))

     Out[19]:

     array([[0., 0.],

            [0., 0.],

            [0., 0.],

            [0., 0.],

            [0., 0.]])

     In [20]: np.ones((5,2), dtype = np.int)

     Out[20]:

     array([[1, 1],

            [1, 1],

            [1, 1],

            [1, 1],

            [1, 1]])

     In [21]: np.empty((5,2), dtype = np.float)

     Out[21]:

     array([[0.00000000e+000, 0.00000000e+000],

            [6.90082649e-310, 6.90082647e-310],

            [6.90072710e-310, 6.90072711e-310],

            [6.90083466e-310, 0.00000000e+000],

            [6.90083921e-310, 1.90979621e-310]])

索引

  In [22]: array_1[0,0] #Finds value in first row and first column.

     Out[22]: 1

     In [23]: array_1[0,:] # View the first row

     Out[23]: array([1, 2])

     In [24]: array_1[:,0] # view the first column

     Out[24]: array([1, 3, 5, 7, 9])

     In [25]: array_1[2:5, :]

     Out[25]:

     array([[ 5,  6],

            [ 7,  8],

            [ 9, 10]])

     In [26]: array_1

     Out[26]:

     array([[ 1,  2],

            [ 3,  4],

            [ 5,  6],

            [ 7,  8],

            [ 9, 10]])

     In [27]: array_1[2:5,0]

     Out[27]: array([5, 7, 9])

布尔数组

     In [28]: array_1 > 5

     Out[28]:

     array([[False, False],

            [False, False],

            [False,  True],

            [ True,  True],

            [ True,  True]])

     In [29]: array_1[array_1 > 5]

     Out[29]: array([ 6,  7,  8,  9, 10])

算术运算

 In [30]: array_1.sum()

     Out[30]: 55

     In [31]: array_1.sum(axis = 1) # Find all the sums by row:

     Out[31]: array([ 3,  7, 11, 15, 19])

     In [32]: array_1.sum(axis = 0) # Find all the sums by column

     Out[32]: array([25, 30])

     In [33]: array_1.mean(axis = 0)

     Out[33]: array([5., 6.])

NaN值

  # Scikit-learn不接受np.nan

     In [34]: array_3 = np.array([np.nan, 0, 1, 2, np.nan])

     In [35]: np.isnan(array_3)

     Out[35]: array([ True, False, False, False,  True])

     In [36]: array_3[~np.isnan(array_3)]

     Out[36]: array([0., 1., 2.])

     In [37]: array_3[np.isnan(array_3)] = 0

     In [38]: array_3

     Out[38]: array([0., 0., 1., 2., 0.])

Scikit-learn只接受实数的二维NumPy数组，没有缺失的np.nan值。从经验来看，最好将np.nan改为某个值丢弃。就我个人而言，我喜欢跟踪布尔模板并保持数据的形状大致相同，因为这会导致更少的编码错误和更多的编码灵活性。

加载数据

 In [1]: import numpy as np

 In [2]: import pandas as pd

 In [3]: import matplotlib.pyplot as plt

 In [4]: from sklearn import datasets

 In [5]: iris = datasets.load_iris()

 In [6]: iris.data

 Out[6]:

 array([[5.1, 3.5, 1.4, 0.2],

        [4.9, 3. , 1.4, 0.2],

        [4.7, 3.2, 1.3, 0.2],

        [4.6, 3.1, 1.5, 0.2],

        [5. , 3.6, 1.4, 0.2],

        [5.4, 3.9, 1.7, 0.4],

        [4.6, 3.4, 1.4, 0.3],

        [5. , 3.4, 1.5, 0.2],

        [4.4, 2.9, 1.4, 0.2],

        [4.9, 3.1, 1.5, 0.1],

        [5.4, 3.7, 1.5, 0.2],

        [4.8, 3.4, 1.6, 0.2],

        [4.8, 3. , 1.4, 0.1],

        [4.3, 3. , 1.1, 0.1],

        [5.8, 4. , 1.2, 0.2],

        [5.7, 4.4, 1.5, 0.4],

        [5.4, 3.9, 1.3, 0.4],

        [5.1, 3.5, 1.4, 0.3],

        [5.7, 3.8, 1.7, 0.3],

        [5.1, 3.8, 1.5, 0.3],

        [5.4, 3.4, 1.7, 0.2],

        [5.1, 3.7, 1.5, 0.4],

        [4.6, 3.6, 1. , 0.2],

        [5.1, 3.3, 1.7, 0.5],

        [4.8, 3.4, 1.9, 0.2],

        [5. , 3. , 1.6, 0.2],

        [5. , 3.4, 1.6, 0.4],

        [5.2, 3.5, 1.5, 0.2],

        [5.2, 3.4, 1.4, 0.2],

        [4.7, 3.2, 1.6, 0.2],

        [4.8, 3.1, 1.6, 0.2],

        [5.4, 3.4, 1.5, 0.4],

        [5.2, 4.1, 1.5, 0.1],

        [5.5, 4.2, 1.4, 0.2],

        [4.9, 3.1, 1.5, 0.1],

        [5. , 3.2, 1.2, 0.2],

        [5.5, 3.5, 1.3, 0.2],

        [4.9, 3.1, 1.5, 0.1],

        [4.4, 3. , 1.3, 0.2],

        [5.1, 3.4, 1.5, 0.2],

        [5. , 3.5, 1.3, 0.3],

        [4.5, 2.3, 1.3, 0.3],

        [4.4, 3.2, 1.3, 0.2],

        [5. , 3.5, 1.6, 0.6],

        [5.1, 3.8, 1.9, 0.4],

        [4.8, 3. , 1.4, 0.3],

        [5.1, 3.8, 1.6, 0.2],

        [4.6, 3.2, 1.4, 0.2],

        [5.3, 3.7, 1.5, 0.2],

        [5. , 3.3, 1.4, 0.2],

        [7. , 3.2, 4.7, 1.4],

        [6.4, 3.2, 4.5, 1.5],

        [6.9, 3.1, 4.9, 1.5],

        [5.5, 2.3, 4. , 1.3],

        [6.5, 2.8, 4.6, 1.5],

        [5.7, 2.8, 4.5, 1.3],

        [6.3, 3.3, 4.7, 1.6],

        [4.9, 2.4, 3.3, 1. ],

        [6.6, 2.9, 4.6, 1.3],

        [5.2, 2.7, 3.9, 1.4],

        [5. , 2. , 3.5, 1. ],

        [5.9, 3. , 4.2, 1.5],

        [6. , 2.2, 4. , 1. ],

        [6.1, 2.9, 4.7, 1.4],

        [5.6, 2.9, 3.6, 1.3],

        [6.7, 3.1, 4.4, 1.4],

        [5.6, 3. , 4.5, 1.5],

        [5.8, 2.7, 4.1, 1. ],

        [6.2, 2.2, 4.5, 1.5],

        [5.6, 2.5, 3.9, 1.1],

        [5.9, 3.2, 4.8, 1.8],

        [6.1, 2.8, 4. , 1.3],

        [6.3, 2.5, 4.9, 1.5],

        [6.1, 2.8, 4.7, 1.2],

        [6.4, 2.9, 4.3, 1.3],

        [6.6, 3. , 4.4, 1.4],

        [6.8, 2.8, 4.8, 1.4],

        [6.7, 3. , 5. , 1.7],

        [6. , 2.9, 4.5, 1.5],

        [5.7, 2.6, 3.5, 1. ],

        [5.5, 2.4, 3.8, 1.1],

        [5.5, 2.4, 3.7, 1. ],

        [5.8, 2.7, 3.9, 1.2],

        [6. , 2.7, 5.1, 1.6],

        [5.4, 3. , 4.5, 1.5],

        [6. , 3.4, 4.5, 1.6],

        [6.7, 3.1, 4.7, 1.5],

        [6.3, 2.3, 4.4, 1.3],

        [5.6, 3. , 4.1, 1.3],

        [5.5, 2.5, 4. , 1.3],

        [5.5, 2.6, 4.4, 1.2],

        [6.1, 3. , 4.6, 1.4],

        [5.8, 2.6, 4. , 1.2],

        [5. , 2.3, 3.3, 1. ],

        [5.6, 2.7, 4.2, 1.3],

        [5.7, 3. , 4.2, 1.2],

        [5.7, 2.9, 4.2, 1.3],

        [6.2, 2.9, 4.3, 1.3],

        [5.1, 2.5, 3. , 1.1],

        [5.7, 2.8, 4.1, 1.3],

        [6.3, 3.3, 6. , 2.5],

        [5.8, 2.7, 5.1, 1.9],

        [7.1, 3. , 5.9, 2.1],

        [6.3, 2.9, 5.6, 1.8],

        [6.5, 3. , 5.8, 2.2],

        [7.6, 3. , 6.6, 2.1],

        [4.9, 2.5, 4.5, 1.7],

        [7.3, 2.9, 6.3, 1.8],

        [6.7, 2.5, 5.8, 1.8],

        [7.2, 3.6, 6.1, 2.5],

        [6.5, 3.2, 5.1, 2. ],

        [6.4, 2.7, 5.3, 1.9],

        [6.8, 3. , 5.5, 2.1],

        [5.7, 2.5, 5. , 2. ],

        [5.8, 2.8, 5.1, 2.4],

        [6.4, 3.2, 5.3, 2.3],

        [6.5, 3. , 5.5, 1.8],

        [7.7, 3.8, 6.7, 2.2],

        [7.7, 2.6, 6.9, 2.3],

        [6. , 2.2, 5. , 1.5],

        [6.9, 3.2, 5.7, 2.3],

        [5.6, 2.8, 4.9, 2. ],

        [7.7, 2.8, 6.7, 2. ],

        [6.3, 2.7, 4.9, 1.8],

        [6.7, 3.3, 5.7, 2.1],

        [7.2, 3.2, 6. , 1.8],

        [6.2, 2.8, 4.8, 1.8],

        [6.1, 3. , 4.9, 1.8],

        [6.4, 2.8, 5.6, 2.1],

        [7.2, 3. , 5.8, 1.6],

        [7.4, 2.8, 6.1, 1.9],

        [7.9, 3.8, 6.4, 2. ],

        [6.4, 2.8, 5.6, 2.2],

        [6.3, 2.8, 5.1, 1.5],

        [6.1, 2.6, 5.6, 1.4],

        [7.7, 3. , 6.1, 2.3],

        [6.3, 3.4, 5.6, 2.4],

        [6.4, 3.1, 5.5, 1.8],

        [6. , 3. , 4.8, 1.8],

        [6.9, 3.1, 5.4, 2.1],

        [6.7, 3.1, 5.6, 2.4],

        [6.9, 3.1, 5.1, 2.3],

        [5.8, 2.7, 5.1, 1.9],

        [6.8, 3.2, 5.9, 2.3],

        [6.7, 3.3, 5.7, 2.5],

        [6.7, 3. , 5.2, 2.3],

        [6.3, 2.5, 5. , 1.9],

        [6.5, 3. , 5.2, 2. ],

        [6.2, 3.4, 5.4, 2.3],

        [5.9, 3. , 5.1, 1.8]])

 In [7]: iris.data.shape

 Out[7]: (150, 4)

 In [8]: iris.data[0]

 Out[8]: array([5.1, 3.5, 1.4, 0.2])

 In [9]: iris.feature_names

 Out[9]:

 ['sepal length (cm)',

  'sepal width (cm)',

  'petal length (cm)',

  'petal width (cm)']

 In [10]: iris.target

 Out[10]:

 array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,

        0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,

        0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,

        1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,

        1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,

        2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,

        2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])

 In [11]: iris.target.shape

 Out[11]: (150,)

 In [12]: iris.target_names

 Out[12]: array(['setosa', 'versicolor', 'virginica'], dtype='<U10')

用pandas查看数据

 import numpy as np    #Load the numpy library for fast array computations

 import pandas as pd   #Load the pandas data-analysis library

 import matplotlib.pyplot as plt   #Load the pyplot visualization library

 %matplotlib inline

 from sklearn import datasets

 iris = datasets.load_iris()

 iris_df = pd.DataFrame(iris.data, columns = iris.feature_names)

 iris_df['sepal length (cm)'].hist(bins=30)

```

!python

for class_number in np.unique(iris.target): plt.figure(1) iris_df['sepal length (cm)'].iloc[np.where(iris.target == class_number)[0]].hist(bins=30)

![Alt Text]({filename}/images/scikit-learn-cookbook1-pandas2.png)   

 ```

#!python

np.where(iris.target == class_number)[0]

执行结果

 array([100, 101, 102, 103, 104, 105, 106, 107, 108, 109, 110, 111, 112,

        113, 114, 115, 116, 117, 118, 119, 120, 121, 122, 123, 124, 125,

        126, 127, 128, 129, 130, 131, 132, 133, 134, 135, 136, 137, 138,

        139, 140, 141, 142, 143, 144, 145, 146, 147, 148, 149], dtype=int64)

matplotlib和NumPy作图

 import numpy as np

 import matplotlib.pyplot as plt

 %matplotlib inline

 plt.plot(np.arange(10), np.arange(10))

 plt.plot(np.arange(10), np.exp(np.arange(10)))

 # 两张图片放在一起

 plt.figure()

 plt.subplot(121)

 plt.plot(np.arange(10), np.exp(np.arange(10)))

 plt.subplot(122)

 plt.scatter(np.arange(10), np.exp(np.arange(10)))

 plt.figure()

 plt.subplot(211)

 plt.plot(np.arange(10), np.exp(np.arange(10)))

 plt.subplot(212)

 plt.scatter(np.arange(10), np.exp(np.arange(10)))

 plt.figure()

 plt.subplot(221)

 plt.plot(np.arange(10), np.exp(np.arange(10)))

 plt.subplot(222)

 plt.scatter(np.arange(10), np.exp(np.arange(10)))

 plt.subplot(223)

 plt.scatter(np.arange(10), np.exp(np.arange(10)))

 plt.subplot(224)

 plt.scatter(np.arange(10), np.exp(np.arange(10)))

 from sklearn.datasets import load_iris

 iris = load_iris()

 data = iris.data

 target = iris.target

 # Resize the figure for better viewing

 plt.figure(figsize=(12,5))

 # First subplot

 plt.subplot(121)

 # Visualize the first two columns of data:

 plt.scatter(data[:,0], data[:,1], c=target)

 # Second subplot

 plt.subplot(122)

 # Visualize the last two columns of data:

 plt.scatter(data[:,2], data[:,3], c=target)

import numpy as np

import matplotlib.pyplot as plt

%matplotlib inline

plt.plot(np.arange(10), np.arange(10))

plt.plot(np.arange(10), np.exp(np.arange(10)))

# 两张图片放在一起

plt.figure()

plt.subplot(121)

plt.plot(np.arange(10), np.exp(np.arange(10)))

plt.subplot(122)

plt.scatter(np.arange(10), np.exp(np.arange(10)))

plt.figure()

plt.subplot(211)

plt.plot(np.arange(10), np.exp(np.arange(10)))

plt.subplot(212)

plt.scatter(np.arange(10), np.exp(np.arange(10)))

plt.figure()

plt.subplot(221)

plt.plot(np.arange(10), np.exp(np.arange(10)))

plt.subplot(222)

plt.scatter(np.arange(10), np.exp(np.arange(10)))

plt.subplot(223)

plt.scatter(np.arange(10), np.exp(np.arange(10)))

plt.subplot(224)

plt.scatter(np.arange(10), np.exp(np.arange(10)))

from sklearn.datasets import load_iris

iris = load_iris()

data = iris.data

target = iris.target

# Resize the figure for better viewing

plt.figure(figsize=(12,5))

# First subplot

plt.subplot(121)

# Visualize the first two columns of data:

plt.scatter(data[:,0], data[:,1], c=target)

# Second subplot

plt.subplot(122)

# Visualize the last two columns of data:

plt.scatter(data[:,2], data[:,3], c=target)

执行结果参见

最小机器学习快速入门 - 向量机分类

为了做出预测，我们将： * 说明要解决的问题 * 选择一个模型来解决问题 * 训练模型 * 作出预测 * 衡量模型的表现如何

scikit-learn_cookbook1: 高性能机器学习-NumPy的更多相关文章

[机器学习]numpy broadcast shape 机制
最近在做机器学习的时候,对未知对webshell检测,发现代码提示:ValueError: operands could not be broadcast together with shapes ( ...
机器学习- Numpy基础吐血整理
Numpy是专门为数据科学或者数据处理相关的需求设计的一个高效的组件.听起来是不是挺绕口的,其实简单来说就2个方面,一是Numpy是专门处理数据的,二是Numpy在处理数据方面很牛逼(肯定比Pytho ...
机器学习 Numpy库入门
2017-06-28 13:56:25 Numpy 提供了一个强大的N维数组对象ndarray,提供了线性代数,傅里叶变换和随机数生成等的基本功能,可以说Numpy是Scipy,Pandas等科学计算 ...
第四十篇入门机器学习——Numpy.array的基本操作——向量及矩阵的运算
No.1. Numpy.array相较于Python原生List的性能优势 No.2. 将向量或矩阵中的每个元素 + 1 No.2. 将向量或矩阵中的所有元素 - 1 No.3. 将向量或矩阵中的所有 ...
第三十七篇入门机器学习——Numpy基础
No.1. 查看numpy版本 No.2. 为了方便使用numpy,在导入时顺便起个别名 No.3. numpy.array的基本操作:创建.查询.修改 No.4. 用dtype查看当前元素的数据类型 ...
第四十三篇入门机器学习——Numpy的基本操作——Fancy Indexing
No.1. 通过索引快速访问向量中的多个元素 No.2. 用索引对应的元素快速生成一个矩阵 No.3. 通过索引从矩阵中快速获取多个元素 No.4. 获取矩阵中感兴趣的行或感兴趣的列,重新组成矩阵 N ...
第四十二篇入门机器学习——Numpy的基本操作——索引相关
No.1. 使用np.argmin和np.argmax来获取向量元素中最小值和最大值的索引 No.2. 使用np.random.shuffle将向量中的元素顺序打乱,操作后,原向量发生改变:使用np. ...
第四十一篇入门机器学习——Numpy的基本操作——聚合操作
No.1. 对向量元素求和使用np.sum,也可以使用类似big_array.sum()的方式 No.2. 对向量元素求最小值使用np.min,求最大值使用np.max,也可以使用类似big_arra ...
第三十九篇入门机器学习——Numpy.array的基础操作——合并与分割向量和矩阵
No.1. 初始化状态 No.2. 合并多个向量为一个向量 No.3. 合并多个矩阵为一个矩阵 No.4. 借助vstack和hstack实现矩阵与向量的快速合并.或多个矩阵快速合并 No.5. 分割 ...

随机推荐

OptimalSolution(2)--二叉树问题（3）Path路径问题
一.在二叉树中找到累加和为指定值的最长路径长度给定一棵二叉树和一个32位整数sum,求累加和为sum的最长路径长度.路径是指从某个节点往下,每次最多选择一个孩子节点或者不选所形成的节点链 -3 / ...
windows系统先安装hexo
一.安装node.js 下载地址为:https://nodejs.org/en/可以根据自己需要下载对于的版本. 打开cmd,输入指令 node -v 若出现上图这样的结果则说明安装好了. 二.安装h ...
UART和RS232/RS485的关系是什么？
串口通讯是电子工程师和嵌入式开发工程师面对的最基本问题,RS232则是其中最简单最常用的通讯方式.但是初学者往往搞不清有关的名词如UART和RS232或RS485之间是什么关系,因为它们经常被放到语句 ...
List<model>需要根据特定字段求差集的实现
list对象不能直接使用Except等封装好的函数,因为内存地址不一样(还有一些数虽然主数据一致但是update/create信息也不一致,对,我碰到的需求就是这么难受 TOT) 这时候我们的需求很多 ...
Nexus安装(Windows)
1. nexus下载官网下载:https://www.sonatype.com/download-oss-sonatype 网盘下载:https://pan.baidu.com/s/1CXOW7Lv ...
Android自定义控件：图形报表的实现（折线图、曲线图、动态曲线图）（View与SurfaceView分别实现图表控件）
图形报表很常用,因为展示数据比较直观,常见的形式有很多,如:折线图.柱形图.饼图.雷达图.股票图.还有一些3D效果的图表等. Android中也有不少第三方图表库,但是很难兼容各种各样的需求. 如果第 ...
Spring Boot2 系列教程(二十)Spring Boot 整合JdbcTemplate 多数据源
多数据源配置也算是一个常见的开发需求,Spring 和 SpringBoot 中,对此都有相应的解决方案,不过一般来说,如果有多数据源的需求,我还是建议首选分布式数据库中间件 MyCat 去解决相关问 ...
树上神奇逆逆序对（我的叫法）hh的小纸条重中之重！！！！！
HH是一位十分爱好数学的大佬,尤其喜爱数数,一天百无聊赖的他写下了一个1-N的排列,并且在小纸条上记下了每个数前面有多少个数比他小,但HH不小心忘记了这个排列.现在只有当时记下的小纸条,现在请你还原出 ...
apache+php+mysql搭建php环境
1.首先准备解压包:zend-loader-php5.6-windows-x86_update1(nts版).php-5.6.37-nts-Win32-VC11-x86.mysql-5.5.19-wi ...
（25）ASP.NET Core EF查询（复杂查询运算符、原生SQL查询、异步查询）
1.复杂查询运算符在生产场景中,我们经常用到LINQ运算符进行查询获取数据,现在我们就来了解下生产场景经常出现几种复杂查询运算符. 1.1联接(INNER JOIN) 借助LINQ Join运算符, ...

scikit-learn_cookbook1: 高性能机器学习-NumPy

简介