numpy 实例回顾总结

NumPy 是 Python 语言的一个扩充程序库。支持大量高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。机器学习涉及到大量对数组的变换和运算，NumPy 就成了必不可少的工具之一。基于之前对 numpy 的使用较零散，笔者今天对 numpy 的各个常用知识点做一个归纳总结，并都以实例形式展现（基于python3.6 与 NumPy1.14.2，输入与输入都放入代码块中，输入前标注>>>，输出以注释形式给出）。

1. linspace(start, stop, …)

（1）创建等间隔一维数组（6个数字）

>>> np.linspace(1, 10, num=6)
# array([ 1. ,  2.8,  4.6,  6.4,  8.2, 10. ])

（2） 创建一个长度为 5 的等间隔一维数组，其值域范围从 0 到 1，但是不包括 0 和 1

>>> np.linspace(0,1,6,endpoint=False)[1:]
# array([0.16666667, 0.33333333, 0.5       , 0.66666667, 0.83333333])

2. fromfunction(func, (shape)) 与 lambda 函数

匿名函数 lambda：是指一类无需定义标识符（函数名）的函数或子程序。
lambda 函数可以接收任意多个参数 (包括可选参数) 并且返回单个表达式的值。

以下面的实例（1）来解释 fromfunction(func, (shape))函数：

1. 并没有各个坐标迭代多次调用函数，实际上只调用了一次函数；
2. 传入的参数是各个维度的坐标数组。例如 shape 是3x3的数组，传入的第一个参数是：
   [[0,0,0],
   [1,1,1],
   [2,2,2]]
   第二个参数是：
   [[0,1,2],
   [0,1,2],
   [0,1,2]]
3. 传入各个维的坐标数组之后，剩下的就是数组计算了。

（1）依据自定义函数创建数组

>>> np.fromfunction(lambda i, j: i + j, (3, 3))
# array([[0., 1., 2.],
       [1., 2., 3.],
       [2., 3., 4.]])

（2）使用 NumPy 打印九九乘法表

>>> np.fromfunction(lambda i, j: (i + 1) * (j + 1), (9, 9))
# array([[ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9.],
       [ 2.,  4.,  6.,  8., 10., 12., 14., 16., 18.],
       [ 3.,  6.,  9., 12., 15., 18., 21., 24., 27.],
       [ 4.,  8., 12., 16., 20., 24., 28., 32., 36.],
       [ 5., 10., 15., 20., 25., 30., 35., 40., 45.],
       [ 6., 12., 18., 24., 30., 36., 42., 48., 54.],
       [ 7., 14., 21., 28., 35., 42., 49., 56., 63.],
       [ 8., 16., 24., 32., 40., 48., 56., 64., 72.],
       [ 9., 18., 27., 36., 45., 54., 63., 72., 81.]])

3. 双冒号 :: 的使用

Python 序列切片地址可以写为[开始：结束：步长]，其中的开始和结束可以省略。

（1）创建一个 10x10 的二维数组，并使得 1 和 0 沿对角线间隔放置

>>> Z = np.zeros((10,10),dtype=int)
>>> Z[1::2,::2] = 1
>>> Z[::2,1::2] = 1
>>> Z
# array([[0, 1, 0, 1, 0, 1, 0, 1, 0, 1],
       [1, 0, 1, 0, 1, 0, 1, 0, 1, 0],
       [0, 1, 0, 1, 0, 1, 0, 1, 0, 1],
       [1, 0, 1, 0, 1, 0, 1, 0, 1, 0],
       [0, 1, 0, 1, 0, 1, 0, 1, 0, 1],
       [1, 0, 1, 0, 1, 0, 1, 0, 1, 0],
       [0, 1, 0, 1, 0, 1, 0, 1, 0, 1],
       [1, 0, 1, 0, 1, 0, 1, 0, 1, 0],
       [0, 1, 0, 1, 0, 1, 0, 1, 0, 1],
       [1, 0, 1, 0, 1, 0, 1, 0, 1, 0]])

4. intersect1d()

（1）求两个数组的交集

>>> np.intersect1d([1, 3, 4, 3], [3, 1, 2, 1])
# array([1, 3])

（2）交集的数组多于两个, 可使用 functools.reduce:

>>> from functools import reduce
>>> reduce(np.intersect1d, ([1, 3, 4, 3], [3, 1, 2, 1], [6, 3, 4, 2]))
# array([3])

5. argsort()

（1）将随机二维数组按照第 3 列从上到下进行升序排列：

>>> Z = np.random.randint(0,10,(5,5))
>>> print("排序前：\n",Z)
>>> Z[Z[:,2].argsort()]
# 排序前：
 [[0 8 2 9 8]
 [7 1 1 3 8]
 [2 2 6 1 9]
 [5 7 7 5 3]
 [4 3 6 2 6]]
# array([[7, 1, 1, 3, 8],
       [0, 8, 2, 9, 8],
       [2, 2, 6, 1, 9],
       [4, 3, 6, 2, 6],
       [5, 7, 7, 5, 3]])

6. bincount()

（1）找出随机一维数组中出现频率最高的值

>>> Z = np.random.randint(0,10,50)
>>> print("随机一维数组:", Z)
>>> np.bincount(Z).argmax()
# 随机一维数组: [7 3 1 0 0 6 3 3 4 2 2 9 4 3 9 9 2 5 4 8 4 9 2 8 1 9 1 0 0 8 5 8 0 8 2 3 2
 4 8 1 0 1 3 6 6 9 0 1 2 4]
# 0

7. 计算欧式距离

>>> a = np.array([1, 2])
>>> b = np.array([7, 8])
>>> np.linalg.norm(b-a)
# 8.48528137423857

8. 矩阵求逆

>>> matrix = np.array([[1., 2.], [3., 4.]])
>>> np.linalg.inv(matrix)
# array([[-2. ,  1. ],
       [ 1.5, -0.5]])

9. 计算相关系数

>>> Z = np.array([
    [1, 2, 1, 9, 10, 3, 2, 6, 7], # 特征 A
    [2, 1, 8, 3, 7, 5, 10, 7, 2], # 特征 B
    [2, 1, 1, 8, 9, 4, 3, 5, 7]]) # 特征 C
>>> np.corrcoef(Z)
# array([[ 1.  , -0.06,  0.97],
       [-0.06,  1.  , -0.01],
       [ 0.97, -0.01,  1.  ]])

10. 计算矩阵特征值与特征向量

>>> M = np.matrix([[1,2,3], [4,5,6], [7,8,9]])
>>> w, v = np.linalg.eig(M)
# w 对应特征值，v 对应特征向量
>>> w, v
# (array([ 1.61e+01, -1.12e+00, -1.30e-15]), matrix([[-0.23, -0.79,  0.41],
         [-0.53, -0.09, -0.82],
         [-0.82,  0.61,  0.41]]))

11. 按行或列连接数组

>>> M1 = np.array([1, 2, 3])
>>> M2 = np.array([4, 5, 6])
>>> np.r_[M1, M2] #按行连接
# array([1, 2, 3, 4, 5, 6])
>>> np.c_[M1, M2] #按列连接
# array([[1, 4],
       [2, 5],
       [3, 6]])

numpy 给机器学习带来了极大的便利，其中的巧妙和实用操作不可能一一列出，笔者列出了几个有代表性的 numpy 函数和一些实用计算方法，在实际使用中若对函数意义以及函数参数有疑问，可直接查阅 numpy 函数文档，使用 help 命令即可：

>>> help(np.linspace) # 查阅 linspace 函数的相关用法