Python学习笔记之Python库

学习笔记之numpy库

1.简介与作用

NumPy库用于对大量高维度数组与矩阵的运算，具有大量的对数组运算的数学函数。因此对于机器学习必不可少

2.np使用

2.1导入numpy库，并命名为np：

import numpy as np

2.2创建数组

1. 直接通过列表创建各个维度的列表

   以二维为例

   np.array([(1, 2, 3), (4, 5, 6)])

   array([[1, 2, 3], [4, 5, 6]])

2. full函数创建任意维度数组并填充任意数字

   import numpy as np
   a = np.full((2,5,4),3)
   print(a)
   

   [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-PHieovVS-1666668757314)(https://gitee.com/sansejindeyihan/images/raw/master/%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20221022150145.jpg)]

3. 创建随机数组

   a=np.random.rand（2，3，4）

   [[[3.71953356e-01 2.98125629e-01 6.35245652e-01 1.45150249e-01]
   [7.85047262e-01 6.01131278e-01 3.45234466e-01 8.20691705e-02]
   [4.28491379e-01 2.55677570e-04 3.93174460e-01 7.65555842e-01]]

   [[1.42879641e-01 6.76978332e-01 2.04327525e-01 4.77823107e-01]
   [7.13667163e-01 1.89743202e-01 6.40582503e-01 9.32597250e-01]
   [3.86566849e-01 2.36095948e-01 3.38541578e-01 2.23460120e-01]]]

   np.random.randint(8,size = (2,3,4))

   [[[5 7]
   [2 2]
   [3 6]]

   [[7 4]
   [4 7]
   [3 4]]

   [[3 5]
   [0 6]
   [5 2]]

   [[7 3]
   [7 4]
   [2 6]]]

4. 创建单位矩阵

   np.eye(3)

   [[1., 0., 0.],
   [0., 1., 0.],
   [0., 0., 1.]]

5. 创建二维等差数组：

   np.arange(6).reshape(2, 3)

   [[0 1 2]
   [3 4 5]]

2.3数组运算

1. sum

   a = np.array([(1,2,3),(4,5,6)])
   np.sum(a)
   np.sum(a,axis=1)#求每一行的和
   np.sum(a.axis=0)#求每一列的和
   

   10

   [6,15]

   [5,7,9]

2. tile

   c = np.array([[3,4,5],[6,7,8]])
   d = np.tile(c,(2,3))列的方向上重复2次，行3次
   f = np.tile(c,(3,2))列的方向上重复3次，行2次
   

   [[3 4 5]
   [6 7 8]]
   [[3 4 5 3 4 5 3 4 5]
   [6 7 8 6 7 8 6 7 8]
   [3 4 5 3 4 5 3 4 5]
   [6 7 8 6 7 8 6 7 8]]
   [[3 4 5 3 4 5]
   [6 7 8 6 7 8]
   [3 4 5 3 4 5]
   [6 7 8 6 7 8]
   [3 4 5 3 4 5]
   [6 7 8 6 7 8]]

3. argsort

   将数组从小到大排序，返回排序后的的数原来在各自行或列的索引值

4. 二维数组运算在相应位置进行运算

5. 矩阵运算np提供了dot()函数

6. 如果使用 np.mat 将二维数组准确定义为矩阵，就可以直接使用 * 完成矩阵乘法计算：

   A = np.array([[1, 2],
                 [3, 4]])
   B = np.array([[5, 6],
                 [7, 8]])
   np.mat(A) * np.mat(B)
   

   [[19,22],
   [43,50]]

7. 转置矩阵

   A.T

   [[1,3],

   [2,4]]

2.4索引的使用

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

1. 取某个确定值

   a[1,2]#第二行第三列的数
   

2. 取出某个范围的值

   # 冒号表示所取的范围，跟列表的索引用法一样，
   # 逗号用来区分每个维度，下面的代码表示取倒数第二行到最后一行, 第二列到第三列
   a[-2:, 1:3]
   

   [[ 6, 7],
   [10, 11]]

3. 给某个范围的数进行运算

# 给a数组的第二列上的每个数加上10
a[np.arange(3), 1] += 10
a

[[ 1, 12, 3, 4],
[ 5, 16, 7, 8],
[ 9, 20, 11, 12]]

4. 获取数组中大于或小于某个确定值的数值

b = a[a > 10]
b = a > 10

[11,12]

[[False False False False]
[False False False False]
[False False True True]]

2.5元素数据类型

1. 使用dtype函数查看数组的数据类型

   a = np.array([1.1, 2.2])
   a.dtype
   

   dtype(‘float64’)

   a = np.array([1.1, 2.2], dtype = np.int64) # 将数据类型转换为整数，直接去掉小数部分

   [1,2]

2. 使用astype转换数据类型

   a = np.array([1.1,2.2,3.3])
   b = a.astype(int)
   

   [1 2 3]

   a = np.array(['1.2', '1.3', '1.4'], dtype = np.string_)
   b = a.astype(np.float)#不知道有没有方法可以直接转为数值型
   c = b.astype(int)
   

   [1.2 1.3 1.4]
   [1 1 1]
   ])
   b = a.astype(int)

   
   > [1 2 3]
   
   

   a = np.array([‘1.2’, ‘1.3’, ‘1.4’], dtype = np.string_)
   b = a.astype(np.float)#不知道有没有方法可以直接转为数值型
   c = b.astype(int)

   
   > [1.2 1.3 1.4]
   > [1 1 1]