[动手学深度学习]NumPy库

学习笔记来源于NumPy官网：NumPy documentation — NumPy v1.25 Manual

可能涉及使用jupyter的内容，即变量可以直接打印，可能会和pycharm存在差异

目录

1. 导入

2. 关于数组的函数或类

2.1. 绘图函数的矩阵/数组输入类型

2.2. 数组的创建和添加

2.3. 数组的合并和排序

2.4. 数组的形状和大小

2.5. 数组的堆叠

2.6. 数组的快捷操作

2.7. 数组的反转

3. 随机数

3.1. 计算机中的随机数

3.2. NumPy生成随机数

4. 唯一数

4.1. 获取唯一数

1. 导入

import numpy as np
import torch

2. 关于数组的函数或类

2.1. 绘图函数的矩阵/数组输入类型

（1）numpy.matrix：矩阵

        ①numpy.matrix的参数

class numpy.matrix(data, dtype=None, copy=True)

        ②⭐官网Note：不再建议使用此类，即使对于线性代数也是如此。而是使用常规数组。该类可能会在未来被删除。

        ③numpy.matrix的返回：从类似数组的对象或数据字符串返回矩阵。 矩阵是保留其 2-D 性质的专用 2-D 数组 通过操作。它具有某些特殊的运算符，例如（矩阵乘法）和（矩阵幂）。

        ④示例

（2）numpy.asarray：将输入转换为数组

        ①numpy.asarray的参数

numpy.asarray(a, dtype=None, order=None, *, like=None)

        ②numpy.asarray的返回值：数组解释 a.如果输入，则不执行复制 已经是一个具有匹配 dtype 和顺序的 ndarray。如果 a 是 NDarray的子类，返回一个基类NDARRAY。

        ③示例（事实证明和上面那个看上去一样，只是应该格式不一样）

2.2. 数组的创建和添加

（1）np.array()

        ①一维数组

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

        ②二维数组

a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])

        ③高的就不一一例举了

（2）np.zeros() 或 np.ones()：创建括号中大小的为全0或全1的数组

（3）np.empty()：创建一个为括号内数大小的全部数为随机数（取决于内存）的数组

（4）np.arange()：其中数字可以分别为第一个数，最后一个数，步长，从而建立数组

（5）np.linspace()：第一个参数是开始数，第二个是结束值，num是生成多少个数（所以和刚刚的arange会有差异，相当于linspace的步进是机器算的）

        ①参数

numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)

        ②返回值

（6）指定数据类型（就是在后面加dtype）

        ①代码示例

x = np.ones(2, dtype=np.int64)

（7）np.newaxis：添加新轴

        ①代码示例

a = np.array([1, 2, 3, 4, 5, 6])
a2 = a[np.newaxis, :]
a3 = a[:, np.newaxis]

a.shape,a2.shape,a3.shape

        ②结果展示

(6,)，(1, 6),(6, 1)

（8）np.expand_dims()：在指定位置插入新轴来扩展阵列

        ①代码示例

a4 = np.expand_dims(a, axis=1)
a5 = np.expand_dims(a, axis=0)

a4.shape,a5.shape

        ②结果展示

(6, 1)，(1, 6)

2.3. 数组的合并和排序

（1）np.sort()：排序（好像默认升序）

        ①参数

numpy.sort(a, axis=-1, kind=None, order=None)

        ②参数axis：默认-1，如果没有的话这个数组会在排序前被展平

        ③参数kind：默认为快排，但是还有其他的可以选，如 'mergesort'， 'heapsort'， 'stable'

        ④参数order：可选str或list of str，区别是按字符串还是字段

（2）np.ndarray.sort()：就地排序

        ①参数

ndarray.sort(axis=-1, kind=None, order=None)

（3）np.concatenate()：把两个数组连起来，但是需要注意的是写出来有俩括号

        ①参数

numpy.concatenate((a1, a2, ...), axis=0, out=None, dtype=None, casting="same_kind")

2.4. 数组的形状和大小

（1）数组名.ndim：显示出数组的轴数或尺寸（因为是方法所以是"."）

（2）数组名.size：显示出数组元素中的总数

（3）数组名.shape：显示出数组的形状

（4）数组名.reshape：更改形状，但是要保证元素总个数一样，其中也有个order参数可以控制按指定的索引顺序读/写元素

2.5. 数组的堆叠

（1）这个stack和torch.cat((x,y),dim= )应该是一样的道理

（2）np.vstack()：垂直堆叠

        ①代码示例

a1 = np.array([[1, 1],
               [2, 2]])

a2 = np.array([[3, 3],
               [4, 4]])

np.vstack((a1, a2))

        ②结果展示

（3）np.hstack()：水平堆叠

        ①代码示例

np.hstack((a1, a2))

        ②结果展示

（4）np.hsplit：数组拆分（偷个懒）

（5）zip()：将单个列表打包成更多维的列表

        ①元素不可以！如n1 = 0和n2 = [1, 2]是不可以一起打包的！

        ②测试总样本代码

c = [0]

x = [1, 2]

y = [3, 4, 5]

z = [6, 7, 8, 9]

h = [[1,2,3,4],[5,6,7,8]]


n1 = zip(c,x) #测试不同大小的列表的压缩，但不用list表示

n2 = list(zip(c,x)) #将不同大小的列表压缩并用list表示

n3 = list(zip(y,z)) #ditto

n4 = list(zip(z,h)) #将不同维度的列表压缩

n5 = list(zip(x)) #单个压缩

n6 = list(zip()) #空压缩

n7 = list(zip(*n3)) #猜测是解压缩，答案需要看输出

        ③测试结果展示

2.6. 数组的快捷操作

（1）数组名.max, 数组名.min, 数组名.sum：快捷求最大，最小，和

（2）List类型测试

        ①代码

x = [1, 2, 3, 4]

        ②结果展示

光荣地失败了！说明max不能对列表用

（3）一维np.array测试

        ①代码

y = np.array([1, 2, 3, 4 ])

        ②结果展示

还活着！取了个最大值，看上去蛮正常的

（4）多维np.array测试（这时候会给单个数据max还是以一个列表作为元素呢？）

        ①代码

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

"""或"""

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

        ②结果展示

首先能很清楚地看到z确实成了三维的，然后z.max()从中截取的是元素

（5）torch.tensor测试

        ①代码（直冲二维）

h = torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [8, 3, 2, 1]])

        ②结果展示

看上去还是返回的单个元素！但是是tensor类型的 

2.7. 数组的反转

（1）np.flip()：这个和转置有点不一样，感觉是前后颠倒

        ①代码

a = np.array([1,2,3,4]) #一维
b = np.array([[1,2],[3,4]]) #二维
c = np.array([[[1,2],[3,4]]]) #三维
              
np.flip(a),np.flip(b),np.flip(c)

        ②结果展示

（2）np.transpose()：维度/轴变换

        ①举个栗子，比如我现在手里有个（图片来源：numpy之transpose详解_numpy transpose_代码拖拉鸡的博客-CSDN博客）

        ②按理来说，np.transpose(0,1,2)表示不变（里面的就表示维度在正常位置）

        ③但是如果改变里面的参数，如np.transpose(0,2,1)，意思就是交换第一维和第二维，把数组维度变成(2,4,2)，其余变换同理

3. 随机数

3.1. 计算机中的随机数

（1）用计算机的算法生成的实际上都叫伪随机数（Pseudo-random Number），它和自然的随机数有差别，但是十分近似和方便所以平时我们都用伪随机来代替真随机

3.2. NumPy生成随机数

（1）np.random.default_rng()：是个随机数生成器

        ①随机数生成器代码

rng = np.random.default_rng()

        ②普通随机

        ③标准正态随机

         ④集合内随机

（2）secrets：随机数种子

        ①代码和结果

可以看出secrets.randbits()会每次生成随机的128位数，可以避免大家的随机数种子用到同样的。因此把这个大数嵌在rng里面会更有随机保证。

4. 唯一数

4.1. 获取唯一数

（1）np.unique()：找到数组中所有的值（如5,5,5有三个就变成一个5）（后面那个index参数可加可不加，加了的话返回的是第一个看到的新数的下标。counts就是分别返回每个数有多少个）

        ①代码

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

b,c,d = np.unique(a,return_index=True,return_counts=True)

b,c,d

        ②结果展示

 

 也适用于二维数组，同时在二维数组中还是以单个数字为元素。若要以行列为单个元素，则需要指出axis=n