python编程：数值计算库numpy是做机器学习的必备库

爱被打了一巴掌 2022-01-23 11:55 102阅读 0赞

此处已添加圈子卡片，请到今日头条客户端查看）

![python编程：数值计算库numpy是做机器学习的必备库][python_numpy]

np.arange（15）的作用就是构造出\[0,1,2,3,4,5,6,7,8,9,10,11,12,13,14\]类似于列表或者说是一个行向量，然后使用reshape方法可以对这个进行重构，reshape(3,5)将这15个元素重构成3行5列,输出为一个三行五列的矩阵。

**shape属性可以输出当前矩阵的行数和列数**

![python编程：数值计算库numpy是做机器学习的必备库][python_numpy 1]

**ndim属性可以输出当前矩阵的维数**

![python编程：数值计算库numpy是做机器学习的必备库][python_numpy 2]

**dtype属性当前矩阵中元素类型**

**size当前矩阵中元素的个数**

**创建全是0的矩阵zeros方法：**

![python编程：数值计算库numpy是做机器学习的必备库][python_numpy 3]

创建一个三行四列的数组，zeros方法传递的参数应该是一个元组，（3，4）表示三行四列

**创建全是1的矩阵ones方法：**

![python编程：数值计算库numpy是做机器学习的必备库][python_numpy 4]

![python编程：数值计算库numpy是做机器学习的必备库][python_numpy 5]

创建一个3维的，（2，3，4）表示两个三行四列矩阵，就是三维的

**当我们没有指定类型的时候，他默认是float类型，我们可以指定其类型：**

![python编程：数值计算库numpy是做机器学习的必备库][python_numpy 6]

这样矩阵中的元素就全部都是int类型了，**后面全部都没有点了**

**使用数的序列创建矩阵：**

![python编程：数值计算库numpy是做机器学习的必备库][python_numpy 7]

np.arange(0,30,50的意思是从0到30，不包含30，每次增加5形成的序列构造成矩阵

# random模块 #

**random方法**

![python编程：数值计算库numpy是做机器学习的必备库][python_numpy 8]

np.random为进入random模块，然后再点上random为调用random函数，该函数会生成从-1到1的随机数，生成2行3列。

**linspace方法**

![python编程：数值计算库numpy是做机器学习的必备库][python_numpy 9]

**arr=np.linspace(0,pi,50)该方法为从0到3.14...之间平均取50个数**

# 矩阵的运算 #

如果两个矩阵的shape是一致的，那么两个矩阵的加减就是对应位置的加减：

如果减1那么对应每个元素都减1

arr1\*\*2表示每个元素都平方

arr1<2表示判断每个元素小于2，小于为true，不小于为false

![python编程：数值计算库numpy是做机器学习的必备库][python_numpy 10]

**矩阵的乘法**

![python编程：数值计算库numpy是做机器学习的必备库][python_numpy 11]

矩阵的乘法\*表示对应位置的相乘组成一个新的矩阵

arr.dot(arr2)等于np.dot(arr,arr2)就是真实的矩阵相乘，行乘以列

**sqrt和exp方法**

![python编程：数值计算库numpy是做机器学习的必备库][python_numpy 12]

exp（x）为e的x次方，exp（arr）为e的矩阵元素次方

sqrt为开根号，sqrt（arr）为矩阵中的元素开根号

--------------------

![python编程：数值计算库numpy是做机器学习的必备库][python_numpy 13]

floor为向下取整

ravel方法为将一个矩阵展开变成行向量组的形式

reshape为重构，因为重构的时候行若却确定那么列也确定了，reshape（2，-1）就是指定行数为2，那么列数就不用我们自己算出为6，而是自己写上-1，计算机自己会算出来

print（arr.T）这个方法为输出当前矩阵的转秩，行变列，列变行

--------------------

**矩阵的拼接**

![python编程：数值计算库numpy是做机器学习的必备库][python_numpy 14]

hstack为行拼接，vstack为列拼接

--------------------

矩阵的切分

![python编程：数值计算库numpy是做机器学习的必备库][python_numpy 15]

hsplit为行切分，切分成两部分（其实行切分从真实情况看就是一把刀再竖着砍一刀）

还可以再指定位置切分np.hsplit(arr,(1,2))

![python编程：数值计算库numpy是做机器学习的必备库][python_numpy 16]

这个意思是将arr矩阵从1切一下，从2切一下，这样就切成了三部分，三个矩阵

![python编程：数值计算库numpy是做机器学习的必备库][python_numpy 17]

vsplit为列切分，实际上看就是从行的角度来切分，切成两部分，那就是平均分

--------------------

![python编程：数值计算库numpy是做机器学习的必备库][python_numpy 18]

这个就没有实现copy，arr和arr1指向同一内存，一个改变全部都变

![python编程：数值计算库numpy是做机器学习的必备库][python_numpy 19]

arr.view实现的是浅copy，所谓浅copy是指两个不指向同一位置的内存，但是共用某些数据，比如说arr和arr1就是浅copy，arr和arr1的id不同，可见二者并没有指向同一块内存，但是当arr\[1\]\[2\]=66的时候，发现arr和arr1的数据都变化了，这就是说明他们共用某些数据

![python编程：数值计算库numpy是做机器学习的必备库][python_numpy 20]

copy可以实现arr1和arr完全指向不同的内存，并且没有共享数据

--------------------

找出一个矩阵中每行或每列的最大值

![python编程：数值计算库numpy是做机器学习的必备库][python_numpy 21]

一个矩阵可能有多维，如果arr.shape=(1,2,3),那么arr\[0\]=1,arr\[1\]=2,arr\[2\]=3,所以arr\[1\]就是4

arr.argmax(axis=0)是从列的角度获取最大值，输出为\[2 0 3 1\]就表示每列的最大值在第3行，1行，4行，2行，我们可以使用这个作为行索引，他们分别对应第一列，第二列，第三列，第四列，列索引是rang（4），这样正好是第1列，第二列，第三列，第四列，所以写成range（arr.shape\[1\]）用这个来表示0到3，行数固定

也就是说arr\[ind,range(4)\]表示为：

> arr\[2\]\[0\]
> 
> arr\[0\]\[1\]
> 
> arr\[3\]\[2\]
> 
> arr\[1\]\[3\]

行就是2，0，3，1，列是0，1，2，3分别对应

--------------------

![python编程：数值计算库numpy是做机器学习的必备库][python_numpy 22]

可以看出arr1是由arr组成了一个4行3列的矩阵

--------------------

矩阵内数据排序

可以将矩阵内的数据按行排序和按列排序：

![python编程：数值计算库numpy是做机器学习的必备库][python_numpy 23]

这个程序共有两个排序方式，方式一：按照它封装好的sort方法进行行排序和列排序

方式二：使用argsort方法返回矩阵数据从小到大的索引坐标，该程序结果为\[2,0,1,3\]然后在使用它作为索引，获取到数据，结果就是从小到大的数据

[python_numpy]: /images/20220123/a8aa5b1b45a04554960a88eeec8bc057.png
[python_numpy 1]: /images/20220123/005fdfb3af614256aa64bb31d9d39f1e.png
[python_numpy 2]: http://p1.pstatp.com/large/pgc-image/152449088666996fbcf91ae
[python_numpy 3]: http://p1.pstatp.com/large/pgc-image/15244912763322982b1a173
[python_numpy 4]: /images/20220123/f848184d49ee4f53adee58c49cdf1bf5.png
[python_numpy 5]: /images/20220123/fb535c88aec043d3a021ce8a21d42bfd.png
[python_numpy 6]: /images/20220123/bda6f7e47e6e47a6ab79c76b9a39c13a.png
[python_numpy 7]: /images/20220123/8a16948b934749e89a9ffd3c97ce4a27.png
[python_numpy 8]: http://p1.pstatp.com/large/pgc-image/1524492198944fe5d40fb35
[python_numpy 9]: http://p1.pstatp.com/large/pgc-image/1524492684044fd210af204
[python_numpy 10]: /images/20220123/8d52b71c343941888d1f8b4da92c9b86.png
[python_numpy 11]: /images/20220123/36eebf976cf94d729b26635fd348f40f.png
[python_numpy 12]: http://p1.pstatp.com/large/pgc-image/152449417489418d2715b47
[python_numpy 13]: /images/20220123/a178687d4b8046f1b80afb33dce97263.png
[python_numpy 14]: http://p1.pstatp.com/large/pgc-image/15244955021671a16bdd428
[python_numpy 15]: /images/20220123/8cb38ce5906643ac884f1abdc7eabf33.png
[python_numpy 16]: /images/20220123/85d83a9548584853b362885d2a99fdaa.png
[python_numpy 17]: http://p1.pstatp.com/large/pgc-image/152449654469706a41d2295
[python_numpy 18]: /images/20220123/8026c67c8dcc44da8faa03472abfce98.png
[python_numpy 19]: /images/20220123/755ac651cc934d519af4d8cd8dc8917f.png
[python_numpy 20]: http://p1.pstatp.com/large/pgc-image/1524533779997ddb55bc9c2
[python_numpy 21]: http://p1.pstatp.com/large/pgc-image/15245349847542c8b646aab
[python_numpy 22]: http://p1.pstatp.com/large/pgc-image/15245445367187b4cfc697a
[python_numpy 23]: /images/20220123/0af7b35b0939424bbe499c89c625b3dd.png