【机器学习】python3中numpy，pandas等科学计算包的使用（持续更新）

最新推荐文章于 2023-05-04 13:44:38 发布

kikook

最新推荐文章于 2023-05-04 13:44:38 发布

阅读量478

点赞数

分类专栏： Python 强化学习

本文链接：https://blog.csdn.net/chenhanxuan1999/article/details/104671398

版权

Python 同时被 2 个专栏收录

37 篇文章 3 订阅

订阅专栏

强化学习

7 篇文章 0 订阅

订阅专栏

本学期选修了《机器学习》，每周两次，每次课都有5-10道编程练习，限时很刺激，做点笔记！

numpy中文手册，查着很快很爽：https://www.numpy.org.cn/reference/ 感恩翻译者和网站的维护者们！

1.4.2 协方差（covariance）

1.Numpy常用的

1.0 n维数组(ndarray)

1.0.1 np.array()

import numpy as np

array1_6 = np.array(((1, 6), (2, 7)))  # NumPy中的默认数据类型是float_
array2_3 = np.array([[1, 2, 3], [4, 5, 6]], np.int32)  # 显示指定数据类型为32bit integer

print(array1_6)
print(type(array1_6))
print(array1_6.shape)

print(array2_3)
print(type(array2_3))
print(array2_3.shape)

ndarray 可以指定的数据类型：

布尔（Booleans）：platform?（平台？）表示该类型可能并非在所有平台上都可用

类型	备注	字符代码
bool_	兼容：Python bool	'?'
bool8	8位

整数（Integers）：

类型	备注	字符代码
byte	兼容：C char	'b'
short	兼容：C短	'h'
intc	兼容：C int	'i'
int_	兼容：Python int	'l'
longlong	兼容：C长	'q'
intp	大到足以适合指针	'p'
int8	8位
int16	16位
int32	32位
int64	64位

无符号整数（Unsigned integers）：

类型	备注	字符代码
ubyte	compatible：C unsigned char	'B'
ushort	兼容：C unsigned short	'H'
uintc	compatible：C unsigned int	'I'
uint	兼容：Python int	'L'
ulonglong	兼容：C长	'Q'
uintp	大到足以适合指针	'P'
uint8	8位
uint16	16位
uint32	32位
uint64	64位

浮点数字（Floating-point numbers）：

类型	备注	字符代码
half		'e'
single	兼容：C浮动	'f'
double	兼容：C双
float_	兼容：Python float	'd'
longfloat	兼容：C长浮	'g'
float16	16位
float32	32位
float64	64位
float96	96位，平台？
float128	128位，平台？

复杂的浮点数（Complex floating-point numbers）：

类型	备注	字符代码
csingle		'F'
complex_	兼容：Python复杂	'D'
clongfloat		'G'
complex64	两个32位浮点数
complex128	两个64位浮点数
complex192	两个96位浮动平台？
complex256	两个128位浮点数，平台？

任何Python对象（Any Python object）：

类型	备注	字符代码
object_	任何Python对象	'O'

既可以传入tuple，又可以传入list，特别的，当数组为1 * n 时，其.shape 为 (n, ) 而不是 (1, n)

import numpy as np

array1_6 = np.array((1, 6))

print(array1_6)
print(type(array1_6))
print(array1_6.shape)

1.0.2 np.ones()

import numpy as np

array1_6 = np.ones((1, 6))

print(array1_6)
print(type(array1_6))
print(array1_6.shape)

可以发现这里传入（1， 6）的效果与np.array() 完全不同，生成了一个1 * 6的数组并将其全部初始化为1，进一步推广到三维：

import numpy as np

array1_6 = np.ones((2, 3, 4))

print(array1_6)
print(type(array1_6))
print(array1_6.shape)

之后要访问(1, 0, 3) 处的元素：

print(array1_6[1][0][3])

1.0.3 np.zeros()

原理同1.0.2 np.ones() ,效果初始化为0，略

1.0.4 np.random()

原理同1.0.2 np.ones() ,效果初始化为随机数，这里比较奇怪的时np.random不能直接用，要再加上一个random

import numpy as np

array1_6 = np.random.random((1, 6))

print(array1_6)
print(type(array1_6))
print(array1_6.shape)

1.0.5 np.arange()

待补充

1.0.6 数组切片

切片的规则很简单，举一个例子：

b = np.array([[i, i+1, i+2, i+3, i+4, i+5] for i in range(6)])

使用上面的代码创建一个 6*6 的二维 ndarray 命名为 b（这里使用了列表推导式：参考博客）

>>> b
array([[ 0,  1,  2,  3,  4,  5],
       [ 1,  2,  3,  4,  5,  6],
       [ 2,  3,  4,  5,  6,  7],
       [ 3,  4,  5,  6,  7,  8],
       [ 4,  5,  6,  7,  8,  9],
       [ 5,  6,  7,  8,  9, 10]])

然后可以按照以下规则进行切片 (最多 6 个参数可以省略部分参数)：

b[row_start: row_end: row_stride, col_start : col_end : col_stride]

其中步长默认为 row_stride = col_stride = 1 (可以省略)，例如：

>>> b[1:2, 1:6]
array([[2, 3, 4, 5, 6]])

解释：从下标为 1 的行到下标为 2 的行（不包含下标为 2 的行），从下标为 1 的列到下标为 6 的列（不包含下标为 6 的列）

>>> b[::2, 1:6]
array([[1, 2, 3, 4, 5],
       [3, 4, 5, 6, 7],
       [5, 6, 7, 8, 9]])

解释：对行按步长2进行访问，列规则依然是1到6（不含6），步长为1

>>> b[::2, 1:6:2]
array([[1, 3, 5],
[3, 5, 7],
[5, 7, 9]])