机器学习_Numpy科学计算库

Numpy科学计算库

一：创建Numpy数组

1.定义

Numpy（Numeric Python）

• 提供了多维数组、矩阵的常用操作和一些高效的科学计算函数。
• 底层运算通过C语言实现，处理速度快、效率高，适用于大规模多维数组。
• 可以直接完成数组和矩阵运算，无需循环。

2.导入Numpy库

• import numpy as np （在调用Numpy中的函数时，一定要加上前缀np）
• from numpy import * （在调用Numpy中的函数时，可以不加前缀）

3.创建数组

array([ 列表 ]/( 元组 ), dtype= 数据类型 )

• dtype数据类型接口可省略，在使用Python列表或元组、创建NumPy数组时，所创建的数组类型，由原来的元素类型推导而来。也可以由dtype来直接规定；
• NumPy要求数组中所有元素的数据类型必须是一致的。

4.数组的属性

属性	描述
ndim	数组的维度
shape	数组的形状
size	数组元素的总个数
dtype	数组中元素的类型
itemsize	数组中每个元素的字节数

5.创建特殊数组

函数	功能描述
np.arange(起始数字,结束数字,步长,dtype)	创建数字序列数组
np.ones(shape,dtype)	创建全1数组
np.zeros(shape,dtype)	创建全0数组
np.eye(shape,dtype)	创建单位矩阵
np.linspace(起始数字,结束数字,元素个数,dtype)	创建等差数列
np.logspace(起始指数,结束指数,元素个数,基,dtype)	创建等比数列

6.转换数组

asarray()函数： 将列表或元组转化为数组对象。

• 当数据源本身是一个ndarray对象时，array()会复制出一个副本，占用新的内存，而asarray()则不复制副本, 它直接引用原数组。

二：数组运算

1.数组元素切片

• 可以使用切片来访问NumPy数组中的一部分，切片方法和Python序列数据结构的切片一样；

2.改变数组形状

函数	功能描述
np.reshape(shape)	不改变当前数组，按照shape创建新的数组
np.resize(shape)	改变当前数组，按照shape创建数组

• 当改变形状时，应该考虑到数组中元素的个数，确保改变前后，元素总个数相等；
• 参数-1：根据数组中元素总个数、以及其他维度的取值，来自动计算出这个维度的取值，例如：

import numpy as np
a = np.arange(12)
b = a.reshape(3,-1)
print(a)
print(b)
print(b.shape)

[ 0  1  2  3  4  5  6  7  8  9 10 11]
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
(3, 4)

3.数组运算

加减乘除

• 相加的2个数组的形状和长度应该一致，否则就会出现错误；
• 一维数组可以和多维数组相加，相加时会将一维数组扩展至多维；
• 数组之间的减法、乘法、除法运算，和加法运算规则相同；
• 当两个数组中元素的数据类型不同时，精度低的数据类型，会自动转换为精度更高的数据类型，然后再进行运算。

矩阵乘法

• 乘号运算符 *：矩阵中对应的元素分别相乘
• 矩阵相乘{np.dot();np.matmul()}：按照矩阵相乘的规则运算

数组的的转置和求逆

• 数组转置—— np.transpose()
• 数组求逆—— np.linalg.inv()

4.数组元素运算

函数	功能描述
np.sum(array,axis)	计算所有元素的和
np.prod()	计算所有元素的乘积
np.diff()	计算数组的相邻元素之间的差
np.sqrt()	计算各元素的平方根
np.exp()	计算各元素的指数值
np.abs()	取各元素的绝对值

• sum()——对数组中所有元素求和

• 按行求和&按列求和

  • 轴（axes）：数组中的每一个维度被称为一个
  • 秩（rank）：轴的个数，一维数组（rank=1)，二维数组（rank=2)，三维数组（rank=3)
    

  二维数组举例

c = np.arange(12).reshape(3,4)
print(c)
np.sum(c,axis=0)  #按列求和

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]

array([12, 15, 18, 21])

np.sum(c,axis=1)  #按行求和

array([ 6, 22, 38])

• sprt()函数实例：

d = np.logspace(1,4,4,base=2)
d

array([ 2.,  4.,  8., 16.])

np.sqrt(d)

array([1.41421356, 2.        , 2.82842712, 4.        ])

5.数组堆叠运算

np.stack( ( 数组 1, 数组 2,…) , axis)

• 执行NumPy函数前，如果有python列表，则首先自动把Python列表转换为NumPy数组，和数据类型转换，然后再进行堆叠

三：矩阵和随机数

1.矩阵

• 矩阵的创建
• np.matrix(字符串/列表/元组/数组 )
• np.mat(字符串/列表/元组/数组 )
• 矩阵对象的属性

属性	描述
.ndim	矩阵的维数
.shape	矩阵的形状
.size	矩阵的元素总个数
.dtype	矩阵元素的数据类型

• 矩阵运算
• 矩阵相乘 a*b
• 矩阵转置 a.T
• 矩阵求逆 a.I

2.随机数模块 np.random

函数	功能描述	返回值
np.random.rand(d0,d1,…,dn)	元素在[0,1)区间均匀分布的数组	浮点数
np.random.uniform(low,hige, size)	元素在[low,hige)区间均匀分布的数组	浮点数
numpy.random.randint(low,hige, size)	元素在[low,hige)区间均匀分布的数组	整数
np.random.randn(d0,d1,…,dn)	产生标准正态分布的数组	浮点数
np.random.normal(loc, scale, size)	产生正态分布的数组	浮点数

• 因为是随机数，使用同样的语句，所得到的结果也是不同的。

np.random.rand(2,3)

array([[0.12616194, 0.44501057, 0.67152549],
       [0.75359755, 0.5818422 , 0.65866233]])

np.random.uniform(2,5,(4,3))

array([[2.54701723, 4.80398693, 2.33308575],
       [3.64370624, 3.59986233, 3.6292718 ],
       [2.20305486, 2.46791211, 4.91596931],
       [4.24011085, 4.70773334, 3.39320752]])

• 伪随机数：由随机种子，根据一定的算法生成的。

• 随机种子： 指定随机数生成时所用算法开始的整数值。

• 如果使用相同的seed( )值，则每次生成的随即数都相同。

• 如果不设置这个值，则系统根据时间来自己选择这个值，此时每次生成的随机数因时间差异而不同。

• 设置的seed()值仅一次有效。

• 随机数产生的算法，和系统有关。

• np.random.shuffle( 序列 )

• 序列指Python列表、umPy数组等；

• 对于多维数组，使用shuffle()函数只打乱第一维元素。

e = np.arange(12).reshape(3,4)
e

array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

np.random.shuffle(e)
e

array([[ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [ 0,  1,  2,  3]])