用于数据预处理和模型指标计算的numpy

NumPy具有如下功能：

        1.ndarray数组：一个具有矢量算术运算和复杂广播能力的多维数组，具有快速且节省空间的特点；( ndarray数组是NumPy的基础数据结构，可以灵活、高效地处理多个元素的操作。 )

        2.对整组数据进行快速运算的标准数学函数（无需编写循环）；

        3.线性代数、随机数生成以及傅里叶变换功能；

        4.读写磁盘数据、操作内存映射文件。

本质上，NumPy期望用户在执行“向量”操作时，像使用“标量”一样轻松。

ndarray的特点：

        1.ndarray数组中所有元素的数据类型相同、数据地址连续，批量操作数组元素时速度更快。而list列表中元素的数据类型可能不同，需要通过寻址方式找到下一个元素。

        2.ndarray数组支持广播机制，矩阵运算时不需要写for循环。

        3.NumPy底层使用C语言编写，内置并行计算功能，运行速度高于Python代码。        

在不写for循环的情况下，ndarray数组就可以非常方便的完成数学计算。在编写矢量或者矩阵的程序时，可以像编写普通数值一样，使得代码极其简洁。

另外，ndarray数组还提供了广播机制，它会按一定规则自动对数组的维度进行扩展(扩维)以完成计算。例如1维数组和2维数组进行相加操作，ndarray数组会自动扩展1维数组的维度，然后再对每个位置的元素分别相加。

如何创建ndarray数组：

        创建ndarray数组最简单的方式就是使用array函数，它接受一切序列型的对象（包括其他数组），然后产生一个新的含有传入数据的NumPy数组。

        

arange：创建元素从0到10依次递增2的数组。

ndarray数组的属性：

        ndarray的属性包括shape、dtype、size和ndim等，通过如下代码可以查看ndarray数组的属性。

        1.shape：数组的形状 ndarray.shape，1维数组（N, ），二维数组（M, N），三维数组（M, N, K）。

        2.dtype：数组的数据类型。

        3.size：数组中包含的元素个数 ndarray.size，其大小等于各个维度的长度的乘积。

        4.ndim：数组的维度大小，ndarray.ndim, 其大小等于ndarray.shape所包含元素的个数。

ndarray数组的统计方法：

                     1.mean：计算算术平均数，零长度数组的mean为NaN。

        2.std   ，var：计算标准差和方差，自由度可调（默认为n）。

      3.sum ：对数组中全部或某轴向的元素求和，零长度数组的sum为0。

        4.max  ，min：计算最大值和最小值。

      5.argmin，argmax：分别为最大和最小元素的索引。

        6.cumsum：计算所有元素的累加。

        7.cumprod：计算所有元素的累积。

设置随机数种子是为了保证输出结果一致

np.random.seed(10)

均匀分布：

使生成的随机数均匀分布，取值范围在(0,1)之间：a = np.random.rand(3, 3)

生成均匀分布的随机数，并指定随机数取值范围和数组形状：

a = np.random.uniform(low = -1.0, high = 1.0, size=(2,2))

正态分布

生成标准正态分布的随机数：a = np.random.randn(3, 3)

生成标准正态分布的随机数，指定均值loc和方差scale：

a = np.random.normal(loc = 1.0, scale = 1.0, size = (3,3))

线性代数：

        线性代数（如矩阵乘法、矩阵分解、行列式以及其他方阵数学等）是任何数组库的重要组成部分，NumPy中实现了线性代数中常用的各种操作，并形成了numpy.linalg线性代数相关的模块。本节主要介绍如下函数：

• diag：以一维数组的形式返回方阵的对角线（或非对角线）元素，或将一维数组转换为方阵（非对角线元素为0）。
• dot：矩阵乘法。
• trace：计算对角线元素的和。
• 上面三者用法：np.diag   np.dot  np.trace 
• 下面三者用法：np.linalg.det   np.linalg.eig    np.linalg.inv
• det：计算矩阵行列式。
• eig：计算方阵的特征值和特征向量。
• inv：计算方阵的逆。

        

numpy读取文本文件：

       1. 使用np.fromfile从文本文件'housing.data'读入数据

        2.这里要设置参数sep = ' '，表示使用空白字符来分隔数据

        3. 空格或者回车都属于空白字符，读入的数据被转化成1维数组        

        d = np.fromfile('./work/housing.data', sep = '  ')

实现图片垂直翻转：image2 = image[::-1, :, :]

实现图片水平翻转：image3 = image[:, ::-1, :]

调整图片亮度：

                               变暗：

image6 = image * 0.5

plt.imshow(image6.astype('uint8'))

                               变亮：

由于图片的RGB像素值必须在0-255之间，此处使用np.clip进行数值裁剪

image7 = image * 2.0

image7 = np.clip(image7, a_min=None, a_max=255.)

plt.imshow(image7.astype('uint8'))