python六大数据类型

Posted 2023-04-23

1、数字：Python数字类型用于存储数值，支持三种不同的数值类型，包含整型、浮点型、复数。
2、字符串：Python中最常用的数据类型，由数字、字母、下划线等特殊符号组成的一串字符串。
3、列表：用一对"[ ]"将单个或多个元素括起来，每个元素之间用逗号分隔开。
4、元组：元组用一对"( )"将单个或多个元素括起来，每个元素之间用逗号分隔开来，另外元组创建完毕后，元素不可修改，这点与列表大不相同。
5、字典：字典的每个键值对(key=>value)用冒号(:)分割，每个对之间用逗号(,)分割，整个字典包括在花括号中，字典是无序的，也就是说一个值value，必须通过它的键key去取。
6、集合：是一个无序的不重复元素系列，用大括号括起来，与字典不同，集合在于无序不重复。 参考技术A

6个数据类型：Number,String,List,Tuple,Set,Dictionary

不可变数据（3 个）：Number（数字）、String（字符串）、Tuple（元组）；

可变数据（3 个）：List（列表）、Dictionary（字典）、Set（集合）

2020年六大机器学习Python库！

许多类型的python库可用，本文介绍了一些流行的机器学习库。

1. NumPy：

NumPy是一种通用的数组处理软件包。它提供高性能的多维数组对象和用于处理这些数组的工具。它是用于科学计算的基本Python软件包。

NumPy针对Python的CPython参考实现，这是一种非优化的字节码解释器。

NumPy的核心功能是“ndarray”，代表n维数组数据结构。这些数组是内存中的交错视图。相比Python的内置列表数据结构，这些数组是同构类型的：单个数组的所有元素都必须是同一类型。

2. Scipy：

SciPy是一种免费开源Python库，用于科学计算和技术计算。

它包含用于优化、线性代数、积分、插值、特殊函数、FFT、信号及图像处理、ODE求解器以及科学工程中其他常见任务的模块。

NumPy堆栈有时也叫SciPy堆栈。SciPy使用的基本数据结构是NumPy模块提供的多维数组。NumPy提供了一些用于线性代数、傅立叶变换和随机数生成的函数，但不具有SciPy中的等效函数具有的一般性。

3. Scikit-learn：

Scikit-learn(又名sklearn)是面向Python编程语言的免费软件机器学习库。

它有各种分类、回归和聚类算法，包括支持向量机、随机森林、梯度提升、k均值和DBSCAN，旨在与Python数值库NumPy和科学库SciPy协同操作。

Scikit-learn项目始于David Cournapeau开发的谷歌编程夏令营(Summer of Code)项目“SciKit”(SciPy  Toolkit)。

它是GitHub上最受欢迎的机器学习库之一。

它主要用Python编写，广泛地使用NumPy，用于高性能线性代数和数组运算。

4. Tensorflow：

TensorFlow是一种免费开源软件库，用于针对各种任务的数据流和可微分编程。

TensorFlow是谷歌Brain的第二代系统。参考实现在单个设备上运行，但TensorFlow可以在多个CPU和GPU上运行。TensorFlow可在64位的Linux、macOS、Windows和移动计算平台(包括Android和iOS)上使用。

Tensor处理单元(TPU)：2016年5月谷歌宣布Tensor处理单元，这种针对特定应用的集成电路专门为机器学习而构建，为TensorFlow量身定制。TPU是一种可编程的AI加速器，旨在提供高吞吐量的低精度算术运算，面向使用或运行模型，而不是训练模型。

5. Pytorch：

PyTorch是一种基于Torch库的开源机器学习库，用于计算机视觉和自然语言处理等应用，主要由Facebook的AI研究实验室开发。

它有更完善的Python接口，主要侧重于开发，它还有C++接口。

几款深度学习软件是在PyTorch上构建的，包括优步的Pyro、HuggingFace的Transformers和Catalyst。

它提供两种高级功能：通过GPU实现拥有强大加速功能的Tensor计算，建立在基于磁带的自动微分系统上的深度神经网络(DNN)。

它定义了一个名为Tensor的类来存储和操作数字的异构多维矩形阵列。PyTorch张量类似NumPy数组，但也可以在支持CUDA功能的英伟达GPU上加以处理。

6. Keras：

Keras是一种用Python编写的开源神经网络库。它能够在TensorFlow、Microsoft Cognitive  Toolkit、R、Theano或PlaidML上运行。

Keras致力于易于使用、模块化和可扩展。

François  Chollet(谷歌工程师兼Keras的维护者)解释，Keras被认为是一种接口，而不是一种独立的机器学习框架。它提供了更高级、更直观的抽象集，无论使用哪种计算后端，用户都可以轻松开发深度学习模型。

Keras含有常用神经网络构建模块的众多实现，比如层、目标、激活函数、优化器以及许多工具，这些工具使图像和文本数据处理起来更容易，从而简化编写深度神经网络代码所需的编程工作。

Keras支持卷积和循环神经网络。它支持其他常见的实用层，比如随机失活、批量归一化和池化。Keras让用户可以把深度模型用在智能手机、Web或Java虚拟机上。

截至2018年年中，Keras声称拥有逾25万个人用户，它在KDnuggets 2018软件调查中是被引用次数排名第十的工具，使用率达到22%。

图文来源于网络，版权归原作者所有，如有侵权，请联系删除。