numpy 学习笔记

pattern and speech recognition的课要用到tensorflow，就打算学tensorflow，看到Get started中的例子需要用到numpy，要不就简单地先看一下numpy。

What’s numpy

numpy主要用于处理矩阵的科学计算。
—fixed size at creation
—python的语言，C的速度
—broadcast, element-by-element behavior
when operating on 2 arrays, numpy compare their shapes element-wise.

shape

shape: (a1,a2,a3,…), 表示有几个维度，数字表示该维度上的长度。 例：(4,1), 两个维度，第一维度长度为4,即为4行，第二长度维度是1,即为1列，就是4行1列的矩阵

broadcast rules

2个维度是可比较的：相等 or 其中一个长度为1
当其中一个长度为1，另一个对应维度长度为d时，运算操作会将矩阵扩展，结果取较大的长度d，例子如下：

>>> import numpy as np
>>> y = np.ones(5)
>>> y
array([ 1.,  1.,  1.,  1.,  1.])
>>> x = np.arange(4)
>>> x
array([0, 1, 2, 3])
>>> xx = x.reshape(4,1)
>>> xx
array([[0],
       [1],
       [2],
       [3]])
>>> xx+y
array([[ 1.,  1.,  1.,  1.,  1.],
       [ 2.,  2.,  2.,  2.,  2.],
       [ 3.,  3.,  3.,  3.,  3.],
       [ 4.,  4.,  4.,  4.,  4.]])
>>> (xx+y).shape
(4, 5)

维度不可比较(报错，无法计算)的例子：

>>> x = np.ones((2,1))
>>> y = np.zeros((8,4,3))
>>> x + y
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ValueError: operands could not be broadcast together with shapes (2,1) (8,4,3) 

quick start tutorial

基本操作

numpy中，维度称为轴(axes), 维数称为秩(rank)，numpy中的数组类名为ndarray，以下是ndarray的一些属性：

>>> x = np.array([[1,2,1],[3,5,6]])
>>> x
array([[1, 2, 1],
       [3, 5, 6]])
>>> x.ndim
2
>>> x.shape
(2, 3)
>>> x.size
6
>>> x.dtype
dtype('int64')
>>> x.dtype.name
'int64'
>>> type(x)
<type 'numpy.ndarray'>
>>> x.itemsize
8

全0，全1或者empty数组(值随机)，可用于初始化大小已知但数值未知的对象:

>>> ones = np.ones((3,4),dtype=np.int64)
>>> ones
array([[1, 1, 1, 1],
       [1, 1, 1, 1],
       [1, 1, 1, 1]])
>>> zeros = np.zeros((3,4))
>>> zeros
array([[ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.]])
>>> em = np.empty((2,3))
>>> em
array([[ 0.,  0.,  0.],
       [ 0.,  0.,  0.]])

arange可用于生成数列：

>>> np.arange(10,30,5)
array([10, 15, 20, 25])

算术操作是element-wise的，作用在单个元素上

>>> a = np.array( [20,30,40,50] )
>>> b = np.arange( 4 )
>>> b
array([0, 1, 2, 3])
>>> c = a-b
>>> c
array([20, 29, 38, 47])
>>> b**2
array([0, 1, 4, 9])
>>> 10*np.sin(a)
array([ 9.12945251, -9.88031624,  7.4511316 , -2.62374854])
>>> a<35
array([ True, True, False, False], dtype=bool)

乘法符号 * 也是作用与单个元素上，执行矩阵乘法要使用dot函数

>>> A = np.array([[1,2],[8,0]])
>>> B = np.array([[3,0],[5,6]])
>>> A
array([[1, 2],
       [8, 0]])
>>> B
array([[3, 0],
       [5, 6]])
>>> A*B
array([[ 3,  0],
       [40,  0]])
>>> A.dot(B)
array([[13, 12],
       [24,  0]])

数据类型：精度高的不能转换精度低的，两个精度不同的矩阵进行运算，运算结果类型取精度高的

>>> a = np.ones((2,3), dtype=int)
>>> b = np.random.random((2,3))
>>> a+=b
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: Cannot cast ufunc add output from dtype('float64') to dtype('int64') with casting rule 'same_kind'
>>> c = a+b
>>> c
array([[ 1.22483735,  1.39092262,  1.81829782],
       [ 1.70122655,  1.51918794,  1.84569808]])
>>> c.dtype
dtype('float64')

ndarry类型的方法包括一元矩阵运算，如计算矩阵中所有元素和，最大最小值

>>> a = np.random.random((2,3))
>>> a
array([[ 0.18626021,  0.34556073,  0.39676747],
       [ 0.53881673,  0.41919451,  0.6852195 ]])
>>> a.sum()
2.5718191614547998
>>> a.min()
0.1862602113776709
>>> a.max()
0.6852195003967595

使用axis参数可以对指定的维度进行一元运算

>>> b = np.arange(12).reshape(3,4)
>>> b
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>> b.sum(axis=0)                            #每一列的和
array([12, 15, 18, 21])
>>>
>>> b.min(axis=1)                            #每一行的最小元素
array([0, 4, 8])

索引，切分与迭代

一维：可以像list一样按下标索引元素

>>> a = np.arange(10)**3
>>> a
array([  0,   1,   8,  27,  64, 125, 216, 343, 512, 729])
>>> a[2]
8
>>> a[2:5]
array([ 8, 27, 64])
>>> a[:6:2] = -1000    # 从下标0到下标6迭代，步长2
>>> a
array([-1000,     1, -1000,    27, -1000,   125,   216,   343,   512,   729])
>>> a[ : :-1]                                 # reversed a
array([  729,   512,   343,   216,   125, -1000,    27, -1000,     1, -1000])

多维：形式一样，只是下标多了几个

shape 操作

numpy.reshape(): 不改变数据，改变维数和长度

>>> a = np.floor(10*np.random.random((3,4)))
>>> a
array([[ 5.,  4.,  0.,  8.],
       [ 9.,  1.,  7.,  9.],
       [ 0.,  2.,  4.,  8.]])
>>> a.reshape((2,6))
array([[ 5.,  4.,  0.,  8.,  9.,  1.],
       [ 7.,  9.,  0.,  2.,  4.,  8.]])

复制和views

不复制：简单赋值及函数调用不复制数据，改变其属性会改变原来矩阵属性,相当于指向同一个地方的指针

>>> a = np.arange(12)
>>> b = a            # no new object is created
>>> b is a           # a and b are two names for the same ndarray object
True
>>> b.shape = 3,4    # changes the shape of a
>>> a.shape
(3, 4)

view或swallow copy：view，创建一个新的对象，数据为a的数据，改变shape属性时a不改变，但是改变数据时a的数据也改变

>>> c = a.view()
>>> c
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>> id(a)
139709095931616
>>> id(b)
139709095931616
>>> id(c)
139709095931536
>>> c.shape = 2,6
>>> c
array([[ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11]])
>>> a
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>> c[0,4]=1234
>>> c
array([[   0,    1,    2,    3, 1234,    5],
       [   6,    7,    8,    9,   10,   11]])
>>> a
array([[   0,    1,    2,    3],
       [1234,    5,    6,    7],
       [   8,    9,   10,   11]])

deep copy: 创建新的对象，改变属性或者数据时a的属性和对象都不变

>>> d = a.copy()
>>> id(d)
139709095931216
>>> d[0,0]=1111
>>> d
array([[1111,    1,    2,    3],
       [1234,    5,    6,    7],
       [   8,    9,   10,   11]])
>>> a
array([[   0,    1,    2,    3],
       [1234,    5,    6,    7],
       [   8,    9,   10,   11]])
>>> d.shape = 2,6
>>> d
array([[1111,    1,    2,    3, 1234,    5],
       [   6,    7,    8,    9,   10,   11]])
>>> a
array([[   0,    1,    2,    3],
       [1234,    5,    6,    7],
       [   8,    9,   10,   11]])

线性代数

转置：np.transpose()
k阶I矩阵：np.eye(k)
求逆：np.linalg.inv(a)
特征值与特征向量： np.linalg.eig(j)

>>> a = np.array([[1.0, 2.0], [3.0, 4.0]])
>>> a.transpose()
array([[ 1.,  3.],
       [ 2.,  4.]])
>>> np.linalg.inv(a)
array([[-2. ,  1. ],
       [ 1.5, -0.5]])
>>> u = np.eye(2) # unit 2x2 matrix; "eye" represents "I"
>>> u
array([[ 1.,  0.],
       [ 0.,  1.]])
>>> j = np.array([[0.0, -1.0], [1.0, 0.0]])
>>> np.linalg.eig(j)
(array([ 0.+1.j,  0.-1.j]), array([[ 0.70710678+0.j        ,  0.70710678-0.j        ],
       [ 0.00000000-0.70710678j,  0.00000000+0.70710678j]]))