机器学习笔记3_numpy的数组

机器学习笔记3_numpy入门

前言

import numpy as np
import array

array模块

该模块的函数可以创建都是同一种数据类型的列表，在定义时需要先声明。

arr = array.array('i',[i for i in range(10)])
arr[5]

numpy模块

array的创建若是刚开始都是Integer，则这个array的dtype就是integer类型

对integer的array赋值3.14（浮点数）是不行的

若是想创建dtype为float的array，则在创建数组时写成小数(例子：3.0)

arr1 = np.array([i for i in range (5)])
arr1[3] = 3.0
arr1

numpy创建数组

同一个数的数组

• np.zeros(size = (2,3), dtype = ‘int64’)
• np.ones(size = (2,3), dtype = ‘int64’)
• np.full(shape, fill_value, dtype=None, order=‘C’)

连续数的数组

• np.arange(start,stop, step, dtype=None)
• np.linspace(start,stop,num=50,endpoint=True,retstep=False,dtype=None,axis=0)

随机数的数组

• np.random.randint(start,stop,size)
• np.random.random(size) # 默认0-1中取随机数
• np.random.seed(label_num)
• np.random.nomal(loc=0.0, scale=1.0, size=None)

其中，所有当有(start,stop)的函数的区间的开闭应该被注意，一般为左闭右开

但是，np.linspace的(start,stop)是一定会包含到数组中的！

array的属性，方法以及取值

array的取值

某行某列数据取值（一个数值）

• array1[1][1] # 这是一个很差的方法
• array1(1,1) # 正确的方法

切片取值

理解以下切片的取值

• array1(:5,:5) # **切片的取值也是左关右闭
• array1(1:5,1:6:-1)
• array1(1:5,1:6:2)

array1[2:4][3:5]指的是什么？,如下所示：

array1 = np.random.randint(1,10,size=(5,5))
array1[:3][:3]

array([[4, 1, 1, 1, 6],
       [1, 1, 5, 1, 5],
       [1, 7, 9, 6, 8]])

上述取值方法与我们想表达的不同，故我们不用[][]的方式为数组取值。

array的属性以及方法

属性

• array.size
• array.dtype
• array,ndim
• array.shape

方法

• array2 = array2.reshape(3,5)
• array2 = array1.copy()

array2.reshape(2,-1) # 其中的-1指的是什么？

切片和reshape的赋值问题

在python中

当：

‘’’
sublist = list[3:10]
sublist[5] = 999
‘’’
最后会改变sublist的值吗？（不会）因为切片后就是新的一个列表

在numpy中

1. 切片的赋值

---

subarray = array[3:10]
subarray[5] = 999

---

array的值会改变吗？（会）numpy中的切片仍是原array

如何修改subarray而不修改原数组，可以用.copy()的方法

2. reshape的赋值

---

array2 = array1.reshape(3,5)

---

array的shape改变了吗?没有，这个方法是有返回值不改变原对象的！

numpy数组的合并与分割

有如下方法：

array的数直合并和水平合并

分别为：np.vstack([arr1,arr2])和np.hstack([arr1,arr2])

这里的v和h指的是两个数组合并vertical 和 horizontal

arr1 = np.arange(15).reshape(3,5)
arr2 = np.vstack([arr1,arr1])  # 此处的[]为必须药添加的
arr2

array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])

arr1 = np.arange(15).reshape(3,5)
arr2 = np.hstack([arr1,arr1])  # 此处的[]为必须药添加的
arr2

array([[ 0,  1,  2,  3,  4,  0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9,  5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14, 10, 11, 12, 13, 14]])

水平水平分割和竖直分割

分别为：np.vsplit(arr1,[2])和np.hsplit(arr1,[-1]) # 这里的3是指从第2行开始分割和倒数第一列开始分割

尤其注意：vsplit指的是数据切割后的新array是竖直排列的， hsplit指的是数据切割后的新array是水平排列的

arr1 = np.arange(54).reshape(6,9)
V1, V2 = np.vsplit(arr1,[3])  # 此处的[]为必须药添加的,从第三列开始切割
H1, H2 = np.hsplit(arr1,[-1])  # 此处的[]为必须药添加的，从倒数第1行开始切割
V1

array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8],
       [ 9, 10, 11, 12, 13, 14, 15, 16, 17],
       [18, 19, 20, 21, 22, 23, 24, 25, 26]])

V2

array([[27, 28, 29, 30, 31, 32, 33, 34, 35],
       [36, 37, 38, 39, 40, 41, 42, 43, 44],
       [45, 46, 47, 48, 49, 50, 51, 52, 53]])

H1

array([[ 0,  1,  2,  3,  4,  5,  6,  7],
       [ 9, 10, 11, 12, 13, 14, 15, 16],
       [18, 19, 20, 21, 22, 23, 24, 25],
       [27, 28, 29, 30, 31, 32, 33, 34],
       [36, 37, 38, 39, 40, 41, 42, 43],
       [45, 46, 47, 48, 49, 50, 51, 52]])

H2

array([[ 8],
       [17],
       [26],
       [35],
       [44],
       [53]])

hsplit 常常用于分离标签与数据

---

学习视频来源B站