Python机器学习实验 数据处理之Numpy

一、实验目的

1. 了解numpy库的基本功能

2. 掌握Numpy库的对数组的操作与运算

二、实验工具：

1. Anaconda

2. Numpy

三、Numpy简介

Numpy 的英文全称为 Numerical Python，指Python 面向数值计算的第三方库。Numpy 的特点在于，针对 Python 内建的数组类型做了扩充，支持更高维度的数组和矩阵运算，以及更丰富的数学函数。Numpy 是 Scipy.org 中最重要的库之一，它同时也被 Pandas，Matplotlib 等我们熟知的第三方库作为核心计算库。

NumPy（Numeric Python）提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生。多为很多大型金融公司使用，以及核心的科学计算组织如：Lawrence Livermore，NASA用其处理一些本来使用C++，Fortran或Matlab等所做的任务。

Numpy包括了：1、一个强大的N维数组对象Array；2、比较成熟的（广播）函数库；3、用于整合C/C++和Fortran代码的工具包；4、实用的线性代数、傅里叶变换和随机数生成函数。Numpy和稀疏矩阵运算包scipy配合使用更加方便。

四、实验内容

1. 数组的创建（创建全0数组，全1数组，随机数数组）

#数组的创建（创建全0数组，全1数组，随机数数组）

import numpy as np
a=np.zeros(5)
b=np.ones(5)
c=np.random.randint(0,5)
print(a,b,c)

2. 数组的属性（查看数组的维度，数组元素的个数）

#数组的属性（查看数组的维度，数组元素的个数）

import numpy as np
a=np.array([[1,2,3],[4,5,6],[7,8,9]])
print(a.shape)
print(a.size)

3. 数组的维度操作（将数组的行变列，返回最后一个元素，返回第2到第4个元素，返回逆序的数组）

a=np.array([[1,2,3],[4,5,6]])

#数组的维度操作（将数组的行变列，返回最后一个元素，返回第2到第4个元素，返回逆序的数组）

import numpy as np
a=np.array([[1,2,3],[4,5,6]])
print(a.T)
print(a[-1])
print(a[1:4])
print(a[::-1])

4. 数组的合并（数组的水平合并，垂直合并，深度合并）

a=np.arange(9).reshape(3,3)

b=np.arange(9).reshape(3,3)

#数组的合并（数组的水平合并，垂直合并，深度合并）
import numpy as np
a=np.arange(9).reshape(3,3)
b=np.arange(9).reshape(3,3)
c=np.hstack((a,b))
print(c)
d=np.vstack((a,b))
print(d)
e=np.dstack((a,b))
print(e)

5. 数组的拆分（数组的水平拆分，垂直拆分，深度拆分）

a=np.arange(27).reshape(3,3,3)

#数组的拆分（数组的水平拆分，垂直拆分，深度拆分）
import numpy as np
a=np.arange(27).reshape(3,3,3)
c=np.hsplit(a,3)
print(c)
d=np.vsplit(a,3)
print(d)
e=np.dsplit(a,3)
print(e)

6. 数组运算（与常的四则运算，与数组的四则运算，判断数组是否相等）

a=np.arange(4,dtype=np.float32).reshape(2,2)

b=np.arange(4,8,dtype=np.float32).reshape(2,2)

：

#数组运算（与常的四则运算，与数组的四则运算，判断数组是否相等）
import numpy as np
a=np.arange(4,dtype=np.float32).reshape(2,2)
b=np.arange(4,8,dtype=np.float32).reshape(2,2)
constant=5
print(a+constant)
print(a-constant)
print(a*constant)
print(a/constant)
print(a+b)
print(a-b)
print(a*b)
print(a/b)
print(a==b)
print(a!=b)

7. 数组的常用函数（数组所有元素的和、积、平均值、最大值、最小值、元素替换、方差、标准差）

a=np.array([3,2,4])

#数组的常用函数（数组所有元素的和、积、平均值、最大值、最小值、元素替换、方差、标准差）
import numpy as np
a=np.array([3,2,4])
print(np.sum(a))
print(np.prod(a))
print(np.mean(a))
print(np.max(a))
print(np.min(a))
a[0]=10
print(a)
print(np.std(a))
print(np.var(a))

8.创建一个长度为10的一维全为0的ndarray对象，然后让第5个元素等于1

#创建一个长度为10的一维全为0的ndarray对象，然后让第5个元素等于1
import numpy as np
a=np.zeros(10)
a[4]=1
print(a)

9.运行以下代码，理解每句代码的意思或输出结果（print 语句）：

(a)

mysqrt = [math.sqrt(x) for x in range(0,5)]

mycrt = [x**(1/3) for x in range(0,5)]

npData = np.array(mysqrt)

print(“The shape:”, npData.shape)

print(“The dimensionality:”, npData.ndim)

print(“The type:”, npData.dtype)

twoDarray = np.array([mysqrt, mycrt])

print(“The shape:”, twoDarray.shape)

print(“The dimensionality:”, twoDarray.ndim)

print(“The type:”, twoDarray.dtype)

(b)

zeros = np.zeros(3)

zMat = np.zeros((4,3))

ones = np.ones(3)

oMat = np.ones((3,2))

diag = np.eye(4)

rng = np.arange(5)

dm = np.diag(rng)

print(dm.shape)

zMat_re = zMat.reshape(6,2)

Print(zMat_re)

( c )

A = np.random.randint(0,10, size = (3,2))

B = np.random.randint(0,10, size = (3,3,3))

C = np.random.randint(0,10, size = (3,1))

print(A**2)

print(np.sqrt(A))

print(A + C)

print(B + C)

B[:, 0:2 , 0:2 ] -= 20

print(B)

10. 给定一个矩阵 2n×2n，将该矩阵分成四个象限（参见示例），然后返回一个新的 2×2 矩阵，包含每个象限的平均值。

例子：

#给定一个矩阵 2n×2n，将该矩阵分成四个象限，然后返回一个新的 2×2 矩阵，包含每个象限的平均值。
import numpy as np


def quadrant_averages(matrix):
    # 检查输入矩阵的维度
    if matrix.shape[0] != matrix.shape[1] or matrix.shape[0] % 2 != 0:
        raise ValueError("输入矩阵必须是2n×2n的维度")

    n = matrix.shape[0] // 2

    # 分割矩阵为四个象限
    q1 = matrix[:n, :n]
    q2 = matrix[:n, n:]
    q3 = matrix[n:, :n]
    q4 = matrix[n:, n:]

    # 计算每个象限的平均值
    avg_q1 = np.mean(q1)
    avg_q2 = np.mean(q2)
    avg_q3 = np.mean(q3)
    avg_q4 = np.mean(q4)

    # 返回包含每个象限平均值的2x2矩阵
    return np.array([[avg_q1, avg_q2], [avg_q3, avg_q4]])


# 测试函数
matrix = np.array([[1, 2, 5, 7],
                   [4, 1, 8, 0],
                   [2, 0, 5, 1],
                   [0, 2, 1, 1]])

print(quadrant_averages(matrix))