HBU-NNDL 实验一 numpy

 

numpy 的array操作

1.导入numpy库

import numpy as np       #缩写为np方便使用

2.建立一个一维数组 a 初始化为[4,5,6], (1)输出a 的类型（type）(2)输出a的各维度的大小（shape）(3)输出 a的第一个元素（值为4）

a=np.array([4,5,6])     #array()函数创建数组
print(type(a))          #type()函数显示类型为<class 'numpy.ndarray'>
print(np.shape(a))      #shape()函数返回list，array,matrix等的一维和二维长度值,也可以a.shape
print(a[0])             #a[0]显示数组a的第一个元素

3.建立一个二维数组 b,初始化为 [ [4, 5, 6],[1, 2, 3]] (1)输出各维度的大小（shape）(2)输出 b(0,0)，b(0,1),b(1,1) 这三个元素（对应值分别为4,5,2）

b=np.array([[4,5,6],[1,2,3]])   #创建二维数组格式[[],[]]
print(np.shape(b))              
print(b[0][0],b[0][1],b[1][1])  #b[][]表示元素

4. (1)建立一个全0矩阵 a, 大小为 3x3; 类型为整型（提示: dtype = int）(2)建立一个全1矩阵b,大小为4x5; (3)建立一个单位矩阵c ,大小为4x4; (4)生成一个随机数矩阵d,大小为 3x2.

a=np.zeros((3,3),dtype=int)     #zeros((n,m))生成n*m全零矩阵
b=np.ones((4,5),dtype=int)      #ones((n,m))生成n*m全一矩阵
c=np.eye(4,dtype=int)           #eye(n)生成n阶单位矩阵
d=np.random.randn(3,2)          #np.random.randn(N,M,...)生成N*M*...的正态分布矩阵（平均值为0，标准差为1）

5. 建立一个数组 a,(值为[[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]] ) ,(1)打印a; (2)输出 下标为(2,3),(0,0) 这两个数组元素的值

a=np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
print(a)
print(a[2][3],a[0][0])

6.把上一题的 a数组的 0到1行 2到3列，放到b里面去，（此处不需要从新建立a,直接调用即可）(1),输出b;(2) 输出b 的（0,0）这个元素的值

b=a[0:2, 2:4]       #使用a[:,:]对数组切片
print(b)
print(b[0][0])

7. 把第5题中数组a的最后两行所有元素放到 c中(1)输出 c ; (2) 输出 c 中第一行的最后一个元素

a=np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
c=a[1:,:]
print(c)
print(c[0][-1])

8.建立数组a,初始化a为[[1, 2], [3, 4], [5, 6]]，输出 （0,0）（1,1）（2,0）这三个元素（提示： 使用 print(a[[0, 1, 2], [0, 1, 0]]) ）

a=np.array([[1, 2], [3, 4], [5, 6]])
print(a[[0, 1, 2], [0, 1, 0]])   #使用a[[],[]]输出多个元素

9.建立矩阵a ,初始化为[[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]，输出(0,0),(1,2),(2,0),(3,1) 
 

a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])
b = np.array([0, 2, 0, 1])
print(a[np.arange(4), b])

10.对9 中输出的那四个元素，每个都加上10，然后重新输出矩阵a.(提示： a[np.arange(4), b] += 10 ）

a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]])
b = np.array([0, 2, 0, 1])
a[np.arange(4), b] += 10
print(a)

array 的数学运算

11. 执行 x = np.array([1, 2])，然后输出 x 的数据类型

x = np.array([1, 2])
print(x.dtype)      #int32

                                        使用dtype属性可以显示array内的数据类型 

12.执行 x = np.array([1.0, 2.0]) ，然后输出 x 的数据类类型

x = np.array([1.0, 2.0])
print(x.dtype)      #float64

13.执行 x = np.array([[1, 2], [3, 4]], dtype=np.float64) ，y = np.array([[5, 6], [7, 8]], dtype=np.float64)，然后输出 x+y ,和 np.add(x,y)

x = np.array([[1, 2], [3, 4]], dtype=np.float64)
y = np.array([[5, 6], [7, 8]], dtype=np.float64)
print(x+y)
'''
[[ 6.  8.]
 [10. 12.]]
'''
print(np.add(x,y))
'''
[[ 6.  8.]
 [10. 12.]]
'''

                                                无论使用“+”号还是np.add()函数都可以 

14. 利用 13题目中的x,y 输出 x-y 和 np.subtract(x,y)

x = np.array([[1, 2], [3, 4]], dtype=np.float64)
y = np.array([[5, 6], [7, 8]], dtype=np.float64)
print(x-y)
'''
[[-4. -4.]
 [-4. -4.]]
'''
print(np.subtract(x,y))
'''
[[-4. -4.]
 [-4. -4.]]
'''

                                        无论使用“-”号还是np.subtract()函数都可以 

15. 利用13题目中的x，y 输出 x*y ,和 np.multiply(x, y) 还有 np.dot(x,y),比较差异。然后自己换一个不是方阵的试试。

x = np.array([[1, 2], [3, 4]], dtype=np.float64)
y = np.array([[5, 6], [7, 8]], dtype=np.float64)
print(x*y)
'''
[[ 5. 12.]
 [21. 32.]]
'''
print(np.multiply(x,y))
'''
[[ 5. 12.]
 [21. 32.]]
'''
print(np.dot(x,y))
'''
[[19. 22.]
 [43. 50.]]
'''

x*y和 np.multiply(x, y)是对x和y对应位置的元素相乘，np.dot(x,y)是对矩阵x和y相乘

x = np.array([[1, 2, 3], [4, 5, 6]], dtype=np.float64)
y = np.array([[7, 8, 9], [3, 2, 1]], dtype=np.float64)
print(x*y)
'''
[[ 7. 16. 27.]
 [12. 10.  6.]]
'''
print(np.multiply(x,y))
'''
[[ 7. 16. 27.]
 [12. 10.  6.]]
'''
x = np.array([[1, 2, 3], [4, 5, 6]], dtype=np.float64)
y = np.array([[7, 8], [9, 1], [3, 2]], dtype=np.float64)
print(np.dot(x,y))
'''
[[34. 16.]
 [91. 49.]]
'''

 x*y和 np.multiply(x, y)需要x和y的行列数相同，np.dot(x,y)需要x的列数和y的行数相同

16. 利用13题目中的x,y,输出 x / y 

x = np.array([[1, 2], [3, 4]], dtype=np.float64)
y = np.array([[5, 6], [7, 8]], dtype=np.float64)
print(x/y)
'''
[[0.2        0.33333333]
 [0.42857143 0.5       ]]
'''
print(np.divide(x,y))
'''
[[0.2        0.33333333]
 [0.42857143 0.5       ]]
'''

                                        无论使用“/”号还是np.divide()函数都可以  

17. 利用13题目中的x,输出 x的 开方。(提示： 使用函数 np.sqrt() )

x = np.array([[1, 2], [3, 4]], dtype=np.float64)
y = np.array([[5, 6], [7, 8]], dtype=np.float64)
print(x**(1/2))
'''
[[0.2        0.33333333]
 [0.42857143 0.5       ]]
'''
print(np.sqrt(x))
'''
[[0.2        0.33333333]
 [0.42857143 0.5       ]]
'''

                                        无论使用“**(1/2)”号还是np.sqrt()函数都可以   

18.利用13题目中的x,y ,执行 print(x.dot(y)) 和 print(np.dot(x,y))

x = np.array([[1, 2], [3, 4]], dtype=np.float64)
y = np.array([[5, 6], [7, 8]], dtype=np.float64)
print(x.dot(y))
'''
[[19. 22.]
 [43. 50.]]
'''
print(np.dot(x,y))
'''
[[19. 22.]
 [43. 50.]]
'''

         ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        x.dot(y)和np.dot(x,y)作用相同

19.利用13题目中的 x,进行求和。提示：输出三种求和 (1)print(np.sum(x)): (2)print(np.sum(x，axis =0 )); (3)print(np.sum(x,axis = 1))

x = np.array([[1, 2], [3, 4]], dtype=np.float64)
print(np.sum(x))
'''
10.0
'''
print(np.sum(x,axis=0))
'''
[4. 6.]
'''
print(np.sum(x,axis = 1))
'''
[3. 7.]
'''

• axis的直观理解：axis=0可以认为列向量方向坐标轴，axis=1是行向量方向坐标轴
• np.sum(x, axis=0), 每行对应元素相加, 最终得到维度为1，长度为2的数组
• np.sum(x, axis=1)，每列对应元素相加，最终得到维度为1，长度为2的数组

 20.利用13题目中的 x,进行求平均数（提示：输出三种平均数(1)print(np.mean(x)) (2)print(np.mean(x,axis = 0))(3) print(np.mean(x,axis =1))）

x = np.array([[1, 2], [3, 4]], dtype=np.float64)
print(np.mean(x))
'''
2.5
'''
print(np.mean(x,axis = 0))
'''
[2. 3.]
'''
print(np.mean(x,axis =1))
'''
[1.5 3.5]
'''

21.利用13题目中的x，对x 进行矩阵转置，然后输出转置后的结果

x = np.array([[1, 2], [3, 4]], dtype=np.float64)
y = np.array([[5, 6], [7, 8]], dtype=np.float64)
print(x.T)
'''
[[1. 3.]
 [2. 4.]]
'''

22.利用13题目中的x,求e的指数

x = np.array([[1, 2], [3, 4]], dtype=np.float64)
print(np.exp(x))
'''
[[ 2.71828183  7.3890561 ]
 [20.08553692 54.59815003]]
'''

                                                np.exp()是求x各元素的e的幂次方

23.利用13题目中的 x,求值最大的下标（提示(1)print(np.argmax(x)) ,(2) print(np.argmax(x, axis =0))(3)print(np.argmax(x),axis =1))

x = np.array([[1, 2], [3, 4]], dtype=np.float64)
y = np.array([[5, 6], [7, 8]], dtype=np.float64)
print(np.argmax(x))
'''
3
'''
print(np.argmax(x, axis =0))
'''
[1 1]
'''
print(np.argmax(x,axis =1))
'''
[1 1]
'''

                        np.argmax(x, axis=0)的含义是x[0][j],x[1][j]中最大值的索引 

                        np.argmax(x, axis=1)的含义是x[i][0],x[i][1]中最大值的索引

24,画图，y=x*x 其中 x = np.arange(0, 100, 0.1) 

import matplotlib.pyplot as plt
x = np.arange(0, 100, 0.1)
y=x*x
plt.plot(x,y)
plt.show()

25.画图。画正弦函数和余弦函数， x = np.arange(0, 3 * np.pi, 0.1)

x = np.arange(0, 3 * np.pi, 0.1)
y1=np.sin(x)
y2=np.cos(x)
plt.plot(x,y1)
plt.plot(x,y2)
plt.legend(labels=["sin function","cos function"],loc="lower right",fontsize=10)
plt.show()

 

实验总结：

        本次实验简单地对numpy进行了复习。想对深度学习继续深度了解的话先别急，大的要来了。