numpy 的基本使用1

拼搏现实的明天。 2023-01-10 14:38 110阅读 0赞

## numpy 的基本使用1 ##

最近开始认真学习机器学习啦，之前只是大概了解了一下，记录一下自己的学习过程，后面也方便随时复习一下。

> NumPy是一个由多维数组对象和用于处理数组的例程集合组成的库。可以执行以下操作：数组的算数和逻辑运算；傅立叶变换和用于图形操作的例程；与线性代数有关的操作，NumPy拥有线性代数和随机数生成的内置函数。NumPy 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）一起使用。
> 
> 官网：http://www.numpy.org
> 
> 安装Numpy:
> 
>     pip install numpy 或 python -m pip install numpy

#学会文档查询
    np.random.normal?
    help(np.random.normal)  #两种方式均可

#引入numpy库：
    import numpy 
    #查看numpy版本：
    numpy.__version__
    '1.19.5'
    #重命名库，方便使用：
    import numpy as np
    #通过list创建数组（数组元素类型一致）：
    nparray = np.array([i for i in range(10)])
    nparray
    array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
    nparray.dtype
    dtype('int32')

#创建array方法：
    nparray = np.array([i for i in range(10)])
    nparray
    array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
    array = np.zeros(10)
    array
    array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
    #类型查看：
    array.dtype
    dtype('float64')
    #指定类型：
    np.zeros(10,dtype = int)
    array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
    ar = np.zeros(3)
    ar
    array([0., 0., 0.])
    ar.dtype
    dtype('float64')
    #创建二维数组：
    np.zeros((2,3))
    array([[0., 0., 0.],
           [0., 0., 0.]])
    #全1数组或二维数组：
    np.ones(10)
    array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])
    np.ones((2,3))
    array([[1., 1., 1.],
           [1., 1., 1.]])
    #指定值：
    np.full(shape=(2,3),fill_value=6)
    array([[6,6,6],
          [6,6,6]])
    
    #arange
    #python中创建range(起始值默认0，截止，步长默认1) 步长不能为浮点数：
    [i for i in range(0,20,2)]
    [0, 2, 4, 6, 8, 10, 12, 14, 16, 18]
    #Numpy创建 步长可以为浮点数：
    np.arange(0,20,2.2)
    array([ 0. ,  2.2,  4.4,  6.6,  8.8, 11. , 13.2, 15.4, 17.6, 19.8])
    
    #linspace
    #包括起始点 等间距截取个数：
    np.linspace(0,20,10)
    array([ 0.        ,  2.22222222,  4.44444444,  6.66666667,  8.88888889,
           11.11111111, 13.33333333, 15.55555556, 17.77777778, 20.        ])
    
    #random
    #生成0到10（不包括10）之间的随机数
    np.random.randint(0,10)
    9
    #指定随机数个数，建议个数前加上名称size=以便区分
    np.random.randint(0,10,10)
    array([0, 3, 6, 1, 0, 9, 0, 7, 1, 4])
    np.random.randint(0,10,size=(2,3))
    array([[3, 0, 5],
           [6, 5, 3]])
    #指定随机种子：
    np.random.seed(666)
    np.random.randint(0,10,10)
    array([2, 6, 9, 4, 3, 1, 0, 8, 7, 5])
    #创建浮点随机数：
    np.random.random()
    0.19289200304058374
    #指定个数，size=可不写，建议加上以便区分：
    np.random.random(size = 10)
    array([0.70084475, 0.29322811, 0.77447945, 0.00510884, 0.11285765,
           0.11095367, 0.24766823, 0.0232363 , 0.72732115, 0.34003494])
    np.random.random((2,3))
    array([[0.19750316, 0.90917959, 0.97834699],
           [0.53280254, 0.25913185, 0.58381262]])
    #创建符合正态分布随机浮点数，均值为0 方差为1
    np.random.normal()
    0.7294645190059565
    指定均值为10和方差100 第三个参数为大小
    np.random.normal(10,100,(2,3))
    array([[ 124.13367716,   55.24366191, -213.49687669],
           [ 137.04776598,  -62.92882099,  145.9252547 ]])
    
    #属性相关：
    x = np.arange(10)
    x
    array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
    y = np.arange(6).reshape((3,2))
    y
    array([[0, 1],
           [2, 3],
           [4, 5]])
    #查看维度：
    x.ndim
    1
    y.ndim
    2
    #一行10个元素：
    x.shape
    (10,)
    #表示3行2列：
    y.shape
    (3, 2)
    #元素个数的统计：
    x.size
    10
    y.size
    6
    
    #array数据访问：
    x
    array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
    x[0]
    0
    x[-1]
    9
    y
    array([[0, 1],
           [2, 3],
           [4, 5]])
    y[0][0]
    0
    y[1,1]
    3
    #切片：
    x[0:5]
    array([0, 1, 2, 3, 4])
    x[5:]
    array([5, 6, 7, 8, 9])
    #取列：
    y[:,0]
    array([0, 2, 4])
    y[:,0].ndim
    1
    #注意：修改子矩阵中元素会改变原矩阵（区别于python）
    y
    array([[0, 1],
           [2, 3],
           [4, 5]])
    subY = y[:1,:1]
    subY
    array([[0]])
    subY = y[:1,:2]
    subY
    array([[0, 1]])
    subY[0,0]=1
    subY
    array([[1, 1]])
    y
    array([[1, 1],
           [2, 3],
           [4, 5]])
    #创建与原矩阵不相关的矩阵：
    subY = y[:1,:2].copy()
    subY
    array([[1, 1]])
    subY[0,0]=2
    y
    array([[1, 1],
           [2, 3],
           [4, 5]])

#reshape
    x
    array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
    A = x.reshape(2,5)
    A
    array([[0, 1, 2, 3, 4],
           [5, 6, 7, 8, 9]])
    B = x.reshape(1,10)
    B
    array([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]])
    #注意：B为二维数组 维度为2：
    B.ndim
    2
    A.ndim
    2
    B.shape
    (1, 10)
    #改变为10行，每行有多少让其自动生成（传入-1）
    x.reshape(10,-1)
    array([[0],
           [1],
           [2],
           [3],
           [4],
           [5],
           [6],
           [7],
           [8],
           [9]])
    x.reshape(2,-1)
    array([[0, 1, 2, 3, 4],
           [5, 6, 7, 8, 9]])
    #错误：10不能被3整除
    x.reshape(3,-1)
    Traceback (most recent call last):
      File "<input>", line 1, in <module>
    ValueError: cannot reshape array of size 10 into shape (3,newaxis)

跟着大佬梳理的流程走下来的，在这里注明一下出处：

[https://github.com/Exrick/Machine-Learning][https_github.com_Exrick_Machine-Learning]  
注：大佬的更直观详细

[https_github.com_Exrick_Machine-Learning]: https://github.com/Exrick/Machine-Learning