机器学习（4）- Numpy

Numpy

一. Numpy的优势[重点]

• 是什么: 是一个Python开源科学计算库
• 核心类: ndarray, 用于表示任意维度的数字
• numpy优势:
  1. 内存风格:
     ndarray: 元素直接就是数据, 要求元素类型必须一致, 速度快
     list: 元素是真实数据的地址, 数据类型可以不一致, 速度慢
  2. ndarray; 支持向量化并行运算
  3. numpy底层使用C语言实现的, 解除GIL锁限制, 所以速度更快.

二. N维数组-ndarray[*]

1. 属性:
   • 形状: shape (重点)
   • 维度: ndim
   • 元素个数: size
   • 元素元素长度(字节) : itemsize
   • 元素数据类型: dtype
2. 数据类型:
   • 整数: np.int32, np.int64
   • 浮点数: np.float64
   • 字符串: np.string_

三. 基本操作[***]

1 生成数组的方法

1. 生成0和1的数组

   • 根据形状生成全1的数组:
     • np.ones(shape, dtype)
   • 根据已知数组的形状生成全1的数组:
     • np.ones_like(数组, dtype)
   • 根据形状生成全0的数组:
     • np.zeros(shape, dtype)
   • 根据已知数组的形状生成全0的数组:
     • np.zeros_like(数组, dtype)

2. 从现有数组生成

   • 深拷贝: np.array(), 产生新的内存空间
   • 浅拷贝: np.asarray() , 只是赋值操作, 拷贝的引用.

3. 生成固定范围的数组

   • 生成等间隔数组(重点):
     • np.linspace(start, end, nums, endpoint, dtype)
   • 根据起始值,结束值以及步长生成数组(类似于Python的range方法)(重点):
     • np.arange(start, end, step, dtype)
   • 从10^start, 10^end生成num个等比序列:
     • np.logspace(start, end, num)

4. 均匀分布

   • 概念: 生成的数组中每一个元素是等概率的.
   • API: np.random.uniform(low, high, size)
   • 参数:
     • low: 下限
     • high: 上限(不包含)
     • size: 形状

   # 绘制均匀分布的分布图
   import matplotlib.pyplot as plt
   
   # 准备数据
   arr = np.random.uniform(size=10000000)
   
   # 创建画布
   plt.figure(figsize=(