numpy 的基本使用1

numpy 的基本使用1

最近开始认真学习机器学习啦，之前只是大概了解了一下，记录一下自己的学习过程，后面也方便随时复习一下。

NumPy是一个由多维数组对象和用于处理数组的例程集合组成的库。可以执行以下操作：数组的算数和逻辑运算；傅立叶变换和用于图形操作的例程；与线性代数有关的操作，NumPy拥有线性代数和随机数生成的内置函数。NumPy 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）一起使用。

官网：http://www.numpy.org

安装Numpy:

pip install numpy 或 python -m pip install numpy

#学会文档查询
np.random.normal?
help(np.random.normal)  #两种方式均可

#引入numpy库：
import numpy 
#查看numpy版本：
numpy.__version__
'1.19.5'
#重命名库，方便使用：
import numpy as np
#通过list创建数组（数组元素类型一致）：
nparray = np.array([i for i in range(10)])
nparray
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
nparray.dtype
dtype('int32')

#创建array方法：
nparray = np.array([i for i in range(10)])
nparray
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
array = np.zeros(10)
array
array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
#类型查看：
array.dtype
dtype('float64')
#指定类型：
np.zeros(10,dtype = int)
array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
ar = np.zeros(3)
ar
array([0., 0., 0.])
ar.dtype
dtype('float64')
#创建二维数组：
np.zeros((2,3))
array([[0., 0., 0.],
       [0., 0., 0.]])
#全1数组或二维数组：
np.ones(10)
array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])
np.ones((2,3))
array([[1., 1., 1.],
       [1., 1., 1.]])
#指定值：
np.full(shape=(2,3),fill_value=6)
array([[6,6,6],
      [6,6,6]])

#arange
#python中创建range(起始值默认0，截止，步长默认1) 步长不能为浮点数：
[i for i in range(0,20,2)]
[0, 2, 4, 6, 8, 10, 12, 14, 16, 18]
#Numpy创建 步长可以为浮点数：
np.arange(0,20,2.2)
array([ 0. ,  2.2,  4.4,  6.6,  8.8, 11. , 13.2, 15.4, 17.6, 19.8])

#linspace
#包括起始点 等间距截取个数：
np.linspace(0,20,10)
array([ 0.        ,  2.22222222,  4.44444444,  6.66666667,  8.88888889,
       11.11111111, 13.33333333, 15.55555556, 17.77777778, 20.        ])

#random
#生成0到10（不包括10）之间的随机数
np.random.randint(0,10)
9
#指定随机数个数，建议个数前加上名称size=以便区分
np.random.randint(0,10,10)
array([0, 3, 6, 1, 0, 9, 0, 7, 1, 4])
np.random.randint(0,10,size=(2,3))
array([[3, 0, 5],
       [6, 5, 3]])
#指定随机种子：
np.random.seed(666)
np.random.randint(0,10,10)
array([2, 6, 9, 4, 3, 1, 0, 8, 7, 5])
#创建浮点随机数：
np.random.random()
0.19289200304058374
#指定个数，size=可不写，建议加上以便区分：
np.random.random(size = 10)
array([0.70084475, 0.29322811, 0.77447945, 0.00510884, 0.11285765,
       0.11095367, 0.24766823, 0.0232363 , 0.72732115, 0.34003494])
np.random.random((2,3))
array([[0.19750316, 0.90917959, 0.97834699],
       [0.53280254, 0.25913185, 0.58381262]])
#创建符合正态分布随机浮点数，均值为0 方差为1
np.random.normal()
0.7294645190059565
指定均值为10和方差100 第三个参数为大小
np.random.normal(10,100,(2,3))
array([[ 124.13367716,   55.24366191, -213.49687669],
       [ 137.04776598,  -62.92882099,  145.9252547 ]])

#属性相关：
x = np.arange(10)
x
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
y = np.arange(6).reshape((3,2))
y
array([[0, 1],
       [2, 3],
       [4, 5]])
#查看维度：
x.ndim
1
y.ndim
2
#一行10个元素：
x.shape
(10,)
#表示3行2列：
y.shape
(3, 2)
#元素个数的统计：
x.size
10
y.size
6

#array数据访问：
x
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
x[0]
0
x[-1]
9
y
array([[0, 1],
       [2, 3],
       [4, 5]])
y[0][0]
0
y[1,1]
3
#切片：
x[0:5]
array([0, 1, 2, 3, 4])
x[5:]
array([5, 6, 7, 8, 9])
#取列：
y[:,0]
array([0, 2, 4])
y[:,0].ndim
1
#注意：修改子矩阵中元素会改变原矩阵（区别于python）
y
array([[0, 1],
       [2, 3],
       [4, 5]])
subY = y[:1,:1]
subY
array([[0]])
subY = y[:1,:2]
subY
array([[0, 1]])
subY[0,0]=1
subY
array([[1, 1]])
y
array([[1, 1],
       [2, 3],
       [4, 5]])
#创建与原矩阵不相关的矩阵：
subY = y[:1,:2].copy()
subY
array([[1, 1]])
subY[0,0]=2
y
array([[1, 1],
       [2, 3],
       [4, 5]])

#reshape
x
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
A = x.reshape(2,5)
A
array([[0, 1, 2, 3, 4],
       [5, 6, 7, 8, 9]])
B = x.reshape(1,10)
B
array([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]])
#注意：B为二维数组 维度为2：
B.ndim
2
A.ndim
2
B.shape
(1, 10)
#改变为10行，每行有多少让其自动生成（传入-1）
x.reshape(10,-1)
array([[0],
       [1],
       [2],
       [3],
       [4],
       [5],
       [6],
       [7],
       [8],
       [9]])
x.reshape(2,-1)
array([[0, 1, 2, 3, 4],
       [5, 6, 7, 8, 9]])
#错误：10不能被3整除
x.reshape(3,-1)
Traceback (most recent call last):
  File "<input>", line 1, in <module>
ValueError: cannot reshape array of size 10 into shape (3,newaxis)

跟着大佬梳理的流程走下来的，在这里注明一下出处：

https://github.com/Exrick/Machine-Learning
注：大佬的更直观详细