python机器学习——Numpy

最新推荐文章于 2022-11-22 13:18:49 发布

有所为有所不为

最新推荐文章于 2022-11-22 13:18:49 发布

阅读量588

点赞数 3

分类专栏： Python 文章标签： python scipy numpy pandas matplotlib

本文链接：https://blog.csdn.net/changqi008/article/details/89642041

版权

Python 专栏收录该内容

19 篇文章 0 订阅

订阅专栏

NumPy是Python语言的一个扩充程序库。支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。Numpy内部解除了Python的PIL(全局解释器锁),运算效率极好,是大量机器学习框架的基础库!

以下的缩写均是导入模块的缩写

import numpty as np
import pandas as pd
import matplotlib.pyplot as plt

使用np.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)有python list创建
参数为列表：[1,2,3,4,5]

名称	描述
object	数组或嵌套的数列
dtype	数组元素的数据类型，可选
copy	对象是否需要复制，可选
order	创建数组的样式，C为行方向，F为列方向，A为任意方向（默认）
subok	默认返回一个与基类类型一致的数组
ndmin	指定生成数组的最小维度

np.asarray(a, dtype = None, order = None)
numpy.asarray 类似 numpy.array，但 numpy.asarray 只有三个，比 numpy.array 少两个。

参数	描述
a	任意形式的输入参数，可以是，列表, 列表的元组, 元组, 元组的元组, 元组的列表，多维数组
dtype	数据类型，可选
order	可选，有"C"和"F"两个选项,分别代表，行优先和列优先，在计算机内存中的存储元素的顺序。

NumPy 的数组中比较重要 ndarray 对象属性有：

属性	说明
ndarray.ndim	秩，即轴的数量或维度的数量
ndarray.shape	数组的维度，对于矩阵，n 行 m 列
ndarray.size	数组元素的总个数，相当于 .shape 中 n*m 的值
ndarray.dtype	ndarray 对象的元素类型
ndarray.itemsize	ndarray 对象中每个元素的大小，以字节为单位
ndarray.flags	ndarray 对象的内存信息
ndarray.real	ndarray元素的实部
ndarray.imag	ndarray 元素的虚部
ndarray.data	包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。

注意：
numpy默认ndarray的所有的数据类型都是相同的
如果传递进来的数据类型有不同的，则统一为同一类型，优先级为：str > float > int

arr = np.array([1,2,3,4,5])
arr.shape	#显示的是维数，以元祖的形式输出

np.dtype(object, align, copy)

名称	描述
object	要转换为的数据类型对象
align	如果为 true，填充字段使其类似 C 的结构体。
copy	复制 dtype 对象，如果为 false，则是对内置数据类型对象的引用

numpy.empty(shape, dtype = float, order = ‘C’)
numpy.empty 方法用来创建一个指定形状（shape）、数据类型（dtype）且未初始化的数组：

参数描述
shape 数组形状
dtype 数据类型，可选
order 有"C"和"F"两个选项,分别代表，行优先和列优先，在计算机内存中的存储元素的顺序。
np.ones(shape,dtype=None,order=‘C’)
创建指定形状的数组，数组元素以 1 来填充

参数描述
shape 数组形状
dtype 数据类型，可选
order ‘C’ 用于 C 的行数组，或者 ‘F’ 用于 FORTRAN 的列数组
```
func = np.ones(shape=(5,4),dtype=int)	#创建的是一个5行4列的二维数组
```
代码执行后显示的是一张白色图片
```
ones= np.ones(shape=(100,80,3),dtype=float)
plt.imshow(ones)
plt.show()
```
np.zeros(shape,dtype=float,order=‘C’)

参数描述
shape 数组形状
dtype 数据类型，可选
order ‘C’ 用于 C 的行数组，或者 ‘F’ 用于 FORTRAN 的列数组
语法要求没有那么严格,输出的是一个四维数组,默认值全部使用0填充
```
 zeros = np.zeros((4,4))
```
np.full(shape,fill_value,dtype=None,order=‘C’)
创建的是一个数组,默认值是用fill_value的值进行填充
```
full = np.full((10,10),fill_value=1024)
```
np.eye(N,M=None,k=0,dtype=float)
创建一个N维数组,对角线为1其他位置为0,创建的是一个满秩的矩阵
```
 eye = np.eye(10,dtype=int)
```

参数	描述
shape	数组形状
dtype	数据类型，可选
order	有"C"和"F"两个选项,分别代表，行优先和列优先，在计算机内存中的存储元素的顺序。

参数	描述
shape	数组形状
dtype	数据类型，可选
order	‘C’ 用于 C 的行数组，或者 ‘F’ 用于 FORTRAN 的列数组

参数	描述
shape	数组形状
dtype	数据类型，可选
order	‘C’ 用于 C 的行数组，或者 ‘F’ 用于 FORTRAN 的列数组

np.linspace(start,stop,num=50,endpoint=True,retstep=Flase,dtype=None)

数	描述
tart	序列的起始值
top	序列的终止值，如果endpoint为true，该值包含于数列中
um	要生成的等步长的样本数量，默认为50
ndpoint	该值为 ture 时，数列中中包含stop值，反之不包含，默认是True。
etstep	如果为 True 时，生成的数组中会显示间距，反之不显示。
type	ndarray 的数据类型

函数用于创建一个一维数组，数组是一个等差数列构成的

lins = np.linspace(1,100,20)

np.arange(start,stop,step,dtype=None)

参数描述
start 起始值，默认为0
stop 终止值（不包含）
step 步长，默认为1
dtype 返回ndarray的数据类型，如果没有提供，则会使用输入数据的类型。
根据 start 与 stop 指定的范围以及 step 设定的步长，生成一个 ndarray。使用改方法创造ndarray时候,左闭右开
```
ara = np.arange(0,50,2)
```

参数	描述
start	起始值，默认为0
stop	终止值（不包含）
step	步长，默认为1
dtype	返回ndarray的数据类型，如果没有提供，则会使用输入数据的类型。

np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)
base 参数意思是取对数的时候 log 的下标。

参数	描述
start	序列的起始值为：base ** start
stop	序列的终止值为：base ** stop。如果endpoint为true，该值包含于数列中
num	要生成的等步长的样本数量，默认为50
endpoint	该值为 ture 时，数列中中包含stop值，反之不包含，默认是True。
base	对数 log 的底数。
dtype	ndarray 的数据类型

函数用于创建一个于等比数列

np.random.randint(low,high=None,size=None,dtype=‘1’)
生成随机数,在0到100之间随机生成5个随机数
```
ran = np.random.randint(0,100,size=5)
```
np.random.randn(d0,d1,d2,d3,…,dn)
生成的是标准正态分布
```
randn = np.random.randn(100)
```
np.random.normal(loc=0.0,scale=1.0,size=None)
生成的也是一个正态分布,只不过这个中间值是自己可以指定,当scale的值越大时,数据的波动就会越大
```
normal = np.random.normal(loc=170,scale=50,size=100)
```
np.random.random(size=None)
生成0到1的随机数
eg:使用随机数生成一张图片,数字3表示的是生成的是三维的图片
```
r = np.random.random(size=(200,300,3))
plt.imshow(r)
plt.show()
```
级联
np.concatenate()级联需要注意的点:
- 级联的参数是列表:一定要加中括号或者是小括号
- 维度必须相同
- 形状相同
- 级联的方向默认是shape这个tuple的第一个值所代表的维度方向
- 可通过axis参数改变级联的方向
np.hstack:水平级联
np.vstack:垂直级联
ndarray的排序
- 快速排序
  np.sort()与ndarray.sort()都可以,但是有区别:
  np.sort()不改变输入
  ndarray.sort()本地处理,不占用空间,但改变输入
- 部分排序
  np.partition(a,k)
  当k为正时,我们得到的是最小的k个数
  当k为负时,我们得到的是醉倒的k个数

SciPy

SciPy是构建在numpy的基础之上的，它提供了许多的操作numpy的数组的函数。SciPy是一款方便、易于使用、专为科学和工程设计的python工具包，它包括了统计、优化、整合以及线性代数模块、傅里叶变换、信号和图像图例，常微分方差的求解等

scipy 文件输入输出

随机生成数组,使用scipy中的io.savemat()保存,文件格式是.mat,标准的二进制文件

import numpy as np
import pandas as pd
from pandas import Series,DataFrame
import matplotlib.pyplot as plt
import scipy.io as spio
import scipy.misc as misc
nd = np.random.randint(0,150,size=10)
# 保存文件
spio.savemat(file_name="nd",mdict={"data":nd})
# 读取文件
spio_data = spio.loadmat("nd")["data"]
print(spio_data)

图片处理

import numpy as np
import pandas as pd
from pandas import Series,DataFrame
import matplotlib.pyplot as plt
import scipy.misc as misc
import scipy.ndimage as ndimage
# 读取图片显示图片
face = misc.face(gray=True)
# gray=True 获取的图片是黑白
plt.imshow(face,cmap="gray")
plt.show()
# 移动坐标
shift_face = ndimage.shift(face,[200,0],mode='constant')
plt.imshow(shift_face,cmap="gray")
plt.show()
# 旋转图片
face_rotate = ndimage.rotate(face,angle=180)
plt.imshow(face_rotate,cmap="gray")
plt.show()
# 缩放图片
face_zoom = ndimage.zoom(face,zoom=0.5)
plt.imshow(face_zoom,cmap="gray")
plt.show()
# 切割图片
face_spilt = face[:512,-512:]
plt.imshow(face_spilt,cmap="gray")
plt.show()

图片进行过滤
添加噪声,对噪声图片使用ndimage中的高斯滤波,中值滤波,signal中维纳滤波进行处理,是图片变得清楚

加载图片,使用灰色图片misc.face()添加噪声

import numpy as np
import pandas as pd
from pandas import Series,DataFrame
import matplotlib.pyplot as plt
import scipy.misc as misc
import scipy.ndimage as ndimage
# 将图片置为灰色图片
face = misc.face(gray=True)
face = face[:512,-512:]
# 获取图片的标准方差
std = face.std()
# 获取图片的维度
shape = face.shape
# 添加噪声
face = face + std*0.8*np.random.random(shape)
plt.imshow(face,cmap='gray')
plt.savefig('./test.jpg')
plt.show()

高斯滤波signal:高斯核的标准偏差
通过改变高斯核的标准偏差来改变图片的清晰度

import numpy as np
import pandas as pd
from pandas import Series,DataFrame
import matplotlib.pyplot as plt
import scipy.misc as misc
import scipy.ndimage as ndimage
# 将图片置为灰色图片
face = misc.face(gray=True)
face = face[:512,-512:]
# 获取图片的标准方差
std = face.std()
# 获取图片的维度
shape = face.shape
# 添加噪声
face = face + std*0.8*np.random.random(shape)
plt.imshow(face,cmap='gray')
plt.show()
# 高斯滤波signal:高斯核的标准偏差
face_g = ndimage.gaussian_filter(face,sigma=0.8)
plt.imshow(face_g,cmap='gray')
plt.savefig('./test.jpg')
plt.show()

中值滤波参数size:给出在每个元素上从输入数组中去除的形状位置,定义过滤器功能的输入

import numpy as np
import pandas as pd
from pandas import Series,DataFrame
import matplotlib.pyplot as plt
import scipy.misc as misc
import scipy.ndimage as ndimage
# 将图片置为灰色图片
face = misc.face(gray=True)
face = face[:512,-512:]
# 获取图片的标准方差
std = face.std()
# 获取图片的维度
shape = face.shape
# 添加噪声
face = face + std*0.8*np.random.random(shape)
plt.imshow(face,cmap='gray')
plt.show()
# 中值滤波参数size:给出在每个元素上从输入数组中去除的形状位置,定义过滤器功能的输入
face_median = ndimage.median_filter(face,size=3)
plt.imshow(face_median,cmap='gray')
plt.savefig('./test.jpg')
plt.show()

signal维纳滤波mysize:滤镜尺寸的标量

import numpy as np
import pandas as pd
from pandas import Series,DataFrame
import matplotlib.pyplot as plt
import scipy.misc as misc
import scipy.ndimage as ndimage
import scipy.signal as signal
# 将图片置为灰色图片
face = misc.face(gray=True)
face = face[:512,-512:]
# 获取图片的标准方差
std = face.std()
# 获取图片的维度
shape = face.shape
# 添加噪声
face = face + std*0.8*np.random.random(shape)
plt.imshow(face,cmap='gray')
plt.show()
# signal维纳滤波mysize:滤镜尺寸的标量
face_signal = signal.wiener(face,mysize=5)
plt.imshow(face_signal,cmap='gray')
plt.savefig('./test.jpg')
plt.show()

有所为有所不为

关注

3
点赞
踩
5

收藏

觉得还不错? 一键收藏
1
评论
python机器学习——Numpy

以下的缩写均是导入模块的缩写import numpty as npimport pandas as pdimport matplotlib.pyplot as plt使用np.array()有python list创建参数为列表：[1,2,3,4,5]注意：numpy默认ndarray的所有的数据类型都是相同的如果传递进来的数据类型有不同的，则统一为同一类型，优先级为：...
复制链接

扫一扫