Python Numpy基础超级无敌快速上手

前言

本文中使用的是anaconda下的Jupyter Notebook。该交互式笔记本的基本使用方法已在前段时间贴出，可自行查看Jupyter Notebook使用

首先导入模块numpy

import numpy as np

查看numpy的版本号(注意是双下划线)

一、Python List特点

为什么不直接使用Python中的List而要使用NumPy的array?首先我们需要了解List的优缺点。

从上图可以看出，List中的元素不受数据类型的限制，可以是数字也可以是字符串，并不会报错，所以List的优点在于很灵活，但同时也引出它的缺点，效率相对来说较低下，因为需要检查每一个元素的类型。

二、Python array的特点

Python中也有限定只能存储一种类型元素的数组，即array。导入模块array：

import array

上图中可以看出arr中元素的数据类型为int整数类型，再赋值为字符串时就会报错，但是array本身也有一个缺点，即存储的数据只是看做一个二维数组，并不能看作矩阵或向量，所以也就不配备矩阵和向量有关的运算，于是，numpy.array是最好的选择，机器学习中的数据大多是依靠矩阵和向量的运算处理问题。

三、numpy.array基本创建方法

可以看出和List的操作基本相同，索引、赋值等，所以很熟悉List的操作方法的情况下上手np.array是很快的。赋值为字符串时会报错。通过dtype方法查看np.array数组的数据类型：

在整型的情况下对数组中的元素赋值为浮点数：

可以发现以上的操作合法运行并没有报错，但写入数组的数值依旧是一个整型数据，这是np.array进行了隐式类型转换，向下取整，截位操作，在以后的实验里这个方面要多加注意。

四、其他创建np.array的方法

np.zero()

传入的第一个参数为大小，若传入一个数，则创建一个二维数组；若可以传入一个元组，则创建的就是一个矩阵。

第二个参数是数据类型，dtype=int是将array的数据类型改为整型。同样通过dtype方法查看元素数据类型，观察发现，输出的数组元素为0.这是浮点数，np.array默认的数据类型是浮点数类型，而我们在进行机器学习的过程中使用的数据基本上都是浮点数。

np.ones()

np.ones()的使用和np.zeros()的使用是一样的，只是由元素全为0，变为元素全为1。

np.full()

第一个参数为大小，第二个参数为要填入的数字，参数的名字可有可没有，加上参数名字可以更加方便的供他人阅读。

np.arange

python中的range和numpy中的arange:

它们之间也有细微的差别，python中的range的步长不能为浮点数而np.arange中是可以的。

np.linspace

注意！第三个参数不是步长！！np.linspace(0,20,10)意思是在0到20的区间上，等长的取10个点（包括0和20）

五、np.random

np.random.randint

随机生成0到10之间的整数

第三个参数为大小，同样可以传入一个数或一个元组。（取不到终止位置即第二个参数，是左闭右开的）

np.random.seed()

python中的随机数是伪随机数，我们可以通过seed来控制随机数。

np.random.random()

随机生成0到1之间的数：

np.random.normal()

所谓标准正太分布（μ=0, σ=1），对应于np.random.normal(loc=0, scale=1, size)

六、查看帮助文档

方法一:help

方法二：？

对你有帮助的话，点个赞再走吧~