python中label函數_python中的一些函數

1、tile 元素重複函數

第二個參數是一維

>>> a=[[1,2,3],[4,5,5]]>>> b=np.tile(a,3)>>> print(b)

[[1 2 3 1 2 3 1 2 3]

[4 5 5 4 5 5 4 5 5]]

第二個參數是二維

>>> c=np.tile(a,[2,3])>>> print(c)

[[1 2 3 1 2 3 1 2 3]

[4 5 5 4 5 5 4 5 5]

[1 2 3 1 2 3 1 2 3]

[4 5 5 4 5 5 4 5 5]]

第二個參數是三維

d=np.tile(a,[2,3,4])>>> print(d)

[[[1 2 3 1 2 3 1 2 3 1 2 3]

[4 5 5 4 5 5 4 5 5 4 5 5]

[1 2 3 1 2 3 1 2 3 1 2 3]

[4 5 5 4 5 5 4 5 5 4 5 5]

[1 2 3 1 2 3 1 2 3 1 2 3]

[4 5 5 4 5 5 4 5 5 4 5 5]]

[[1 2 3 1 2 3 1 2 3 1 2 3]

[4 5 5 4 5 5 4 5 5 4 5 5]

[1 2 3 1 2 3 1 2 3 1 2 3]

[4 5 5 4 5 5 4 5 5 4 5 5]

[1 2 3 1 2 3 1 2 3 1 2 3]

[4 5 5 4 5 5 4 5 5 4 5 5]]]

2、expand_dims 元素增加次元

>>> a=[[1,2,3],[4,5,5]]>>> b=np.expand_dims(a,0)>>> print(b)

[[[1 2 3]

[4 5 5]]]>>> c=np.expand_dims(a,1)>>> print(c)

[[[1 2 3]]

[[4 5 5]]]>>> d=np.expand_dims(a,2)>>> print(d)

[[[1]

[2]

[3]]

[[4]

[5]

[5]]]

3、求accuracy precision recall

importnumpy as npfrom sklearn importmetricsdefget_precision(lable, pre):#((lable == pre) & lable).sum() / (pre.sum() + 0.00001)

returnmetrics.precision_score(lable, pre)defget_recall(lable, pre):#((lable == pre) & lable).sum() / (lable.sum() + 0.00001)

returnmetrics.recall_score(lable, pre)defget_accuracy(label, pre):return (label ==pre).mean()defget_auc(label, pre):returnmetrics.roc_auc_score(label, pre)if __name__ == '__main__':print get_recall(np.array([True, False, False]), np.array([True, False, True]))

4、不使用科學計數法

np.set_printoptions(suppress=True)