Numpy的基础

最新推荐文章于 2022-05-16 14:38:16 发布

赵小越

最新推荐文章于 2022-05-16 14:38:16 发布

阅读量230

点赞数

分类专栏：传统机器学习分类算法的学习

本文链接：https://blog.csdn.net/angela2016/article/details/85273234

版权

传统机器学习分类算法的学习专栏收录该内容

25 篇文章 1 订阅

订阅专栏

Numpy是机器学习的大杀器，是对于python的一个扩充程序库，支持高维度大量的矩阵和数组的运算，并且提供了大量的数学函数库。对于Numpy而言，解除了python的PIL（全局解释器锁），运算效率得到极大的提高。

对于Python中的类型是dynamically typed（动态类型），对于一个object, 里面有很多的信息，如： a reference count, the type of the variable, size of the data, digit:actual interger value。

贴一个学习链接：http://www.runoob.com/numpy/numpy-dtype.html

对于numpy而言，数组类被称为了ndarray。

对于Python list而言，除了list的头部信息，长度信息，里面存储的各个索引对应的是每一个object，包裹了一层又一层，而对于numpy而言，除了头部信息等公共信息，存储的就是一个一个的数据，这样可以减少解析的时间。

对于python的list, 我们可以存在不同的类型的数据，而对于numpy，我们只能存储一个类型的数据。

import numpy as np
np_list1 = np.array([1, 2, 3, 4.0])
print np_list1
np_list2 = np.array([1, 2, 3], dtype='int')
np_list2[0] = 1.2
print np_list2

对于上面的程序，np_list1的数据类型为float, np_list2的数据类型是int。

一 numpy矩阵的创建工作

1）通过list，tuple来实现（注意传入的方式）

array(深拷贝的方式)

asarray(浅拷贝的方式)

2）通过numpy中的函数，zeros，ones，full来创建

3）通过随机函数(random)来创建

np.random.rand(10, 10) 产生（10， 10）维度的0到1之间的数字

np.random.randint(0, 100)产生100以内的整数，包括0和100的情况。

np.random.uniform(0, 100)产生100以内的数，也是闭口的情况。

np.random.normal(1.75, 0.1, (4,5))，正态分布，第一个均值，第二个是标准差，第三个是shape。

4）通过arrange来创建

5）通过linspace(均匀间隔)的函数来创建

import numpy as np
np_list1 = np.array([1, 2, 3])
np_list2 = np.zeros((2, 3), dtype=int)
np_list3 = np.ones((2, 3), dtype=float)
np_list4 = np.full(shape=(2, 3), fill_value=2.33, dtype=float)
mean = 0
std = 1
np_list5 = np.random.normal(loc=mean, scale=std, size=(3, 3))
np_list6 = np.array([[1, 2, 3], [2, 3, 4]])
np_list7 = np.array([1, 2, 3]).reshape(3, 1)
np_list8 = np.arange(start=0, stop=10, step=2, dtype=int)
np_list9 = np.linspace(start=1, stop=10, num=6, dtype=int)

二 ndarray的数组类所拥有的属性

1）ndim数组的维度

2）shape数组的形状

3）size数组中的数据个数

4）dtype数组中元素的类型（除标准的numpy类型以外，还有numpy.int32, numpy.int16, numpy.float64）

5）itemsize数组中每个元素字节的大小


代码示例：
>>> import numpy as np
>>> a = np.arange(15).reshape(3,5)
>>> a
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])
>>> a.shape
(3, 5)
>>> a.ndim
2
>>> a.dtype.name
'int64'
>>> a.dtype
dtype('int64')
>>> a.size
15
>>> a.itemsize
8
>>> type(a)
<class 'numpy.ndarray'>
>>> 
>>> b = np.array([1,2,3,4,5,6,7,8,9])
>>> b
array([1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> c = np.array([1,2,3,4,5,6,'7','a','b'])
>>> c
array(['1', '2', '3', '4', '5', '6', '7', 'a', 'b'], dtype='<U21')
>>> type(b)
<class 'numpy.ndarray'>
>>> type(c)
<class 'numpy.ndarray'>
>>> c.dtype
dtype('<U21')
>>> b.dtype
dtype('int64')
>>> c.itemsize
84
>>> b.itemsize
8

其中 < 代表字节顺序，小端（最小有效字节存储在最小地址中）

U 代表Unicode，数据类型

其中，reshape((1, -1))中的-1是指利用系统来完成计算，但这个reshape这个操作并没有改变其本身。

三 numpy基本操作

1）reshape改变数组的形状，但这个操作并不改变原数组，所以需要额外进行赋值操作。

2）flatten()，进行扁平化操作，将其变为一维的情况。

3）切片和索引的操作（索引是按行来进行的，取得是每一行的元素，为一个ndarray类型）

在这个地方， z = y[:, :,:]可能出现浅拷贝的问题，可以通过z = y[:, :, :].copy来实现。

import numpy as np
np_list = np.arange(9).reshape(3, 3)
print np_list
print np_list[-1]
print np_list[2]
print np_list[1:3]
print np_list.shape
np_list = np_list.flatten()
print np_list.shape

4）基本的运算

条件运算，然后得到的是一个同维度的True, False的矩阵。

np.where(a, b, c)三目运算符, a成立的话，执行b, a不成立的话，执行c。

np.any()存在True，即为True, 否则为False.

np.all()是否全部为True, 如果是为True,否则为False

np.nonzero（a）返回a中非零元素的坐标，一个元祖，第一个为行的情况（ndarray），第二个为列的情况(ndarray)

np.count_nonzero(a) 返回a中非零元素的个数

统计运算，np,max/np.amax/np.min/np.amin/np.mean/np.std，其中axis =1表示行的情况，axis= 0表示列的情况。

基本数学运算（这个地方可以利用到numpy的广播特性，主要要进行正确的传播和扩展）

基本的运算（+， -， *， /）

np.dot()矩阵乘法

np.multiply同维度的矩阵的乘法