机器学习——数据科学包（第一节：Numpy常规使用方法）

1 numpy输出矩阵及其属性

import numpy as np
array=np.array([[1,2,3],
                [2,3,4]])#输出矩阵
print(array)
print('number of dim:',array.ndim)#输出矩阵的维数
print('shape:',array.shape)#输出行数与列数
print('size:',array.size)#输出元素的个数
输出结果：
[[1 2 3]
 [2 3 4]]
number of dim: 2
shape: (2, 3)
size: 6
-----------------------------------------------
import numpy as np
array=np.array([[1,2,3],
                [2,3,4]])#输出矩阵
print(array)
print('number of dim:',array.ndim)#输出矩阵的维数
print('shape:',array.shape)#输出行数与列数
print('size:',array.size)#输出元素的个数
print('-------------------------------')
a=np.zeros((3,5))#生成3行5列的0矩阵
b=np.ones((3,5))#生成3行5列的1矩阵
c=np.empty((3,5))#生成3行5列的空矩阵
d=np.arange(10,22,2)#生成一行的有序矩阵
e=np.arange(12).reshape((3,4))#arrange中间只有一个数的时候表示从0到这个数，比如该例0-11，.reshape表示将一行矩阵重新塑造成3行4列
f=np.linspace(1,10,6)#linespace函数表示a,b等距生成6个元素的矩阵
print(a)
print(b)
print(c)
print(d)
print(e)
print(f)
输出结果：
[[1 2 3]
 [2 3 4]]
number of dim: 2
shape: (2, 3)
size: 6
-------------------------------
[[0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0.]]
[[1. 1. 1. 1. 1.]
 [1. 1. 1. 1. 1.]
 [1. 1. 1. 1. 1.]]
[[6.23042070e-307 1.89146896e-307 1.37961302e-306 6.23053614e-307
  6.23053954e-307]
 [9.34609790e-307 8.45593934e-307 9.34600963e-307 1.86921143e-306
  6.23061763e-307]
 [8.90104239e-307 6.89804132e-307 1.20160711e-306 1.42410974e-306
  4.82164143e+279]]
[10 12 14 16 18 20]
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[ 1.   2.8  4.6  6.4  8.2 10. ]

2 numpy的基础运算

2.1 numpy的基础运算1

a=np.array([[1,2],[3,4]])
b=np.arange(1,5).reshape((2,2))
c=np.dot(a,b)#a与b乘积
d=a*b#a与b相乘
print(c)
print(d)
e=np.random.random((2,4))#生成2行4列的随机矩阵
print(e)
print(np.sum(e,axis=1))#求每行的和
print(np.max(e,axis=0))#求每列的最大值
print(np.min(e,axis=1))#求每行的最小值
输出结果：
[[ 7 10]
 [15 22]]
[[ 1  4]
 [ 9 16]]
[[0.62375991 0.74061512 0.33883581 0.60083487]
 [0.45803126 0.29189054 0.2745398  0.94713148]]
[2.30404572 1.97159308]
[0.62375991 0.74061512 0.33883581 0.94713148]
[0.33883581 0.2745398 ]

2.2 numpy的基础运算2及索引

a=np.arange(1,10).reshape((3,3))
print(a)
print(np.argmin(a))#输出矩阵中最小值所在的索引
print(np.argmax(a))#输出矩阵中最大值所在的索引
print(np.mean(a))#输出矩阵中的平均值
print(np.median(a))#输出矩阵的中位数
print(np.cumsum(a))#输出元素累加的值
print(np.diff(a))#s输出累差的值
print(np.nonzero(a))#输出非零的值的位置
print(a.T)#输出矩阵的转置
print(np.clip(a,5,9))#将矩阵中的元素全部输出为5到9之间的数值
print(np.mean(a,axis=1))#输出每行的平均值
print(a[2,2])#输出第二行第二列的数9
for row in a:
    print(row)#遍历输出每一行
print(a.flatten())#将矩阵转换为一行的值
for item in a.flat:
    print(item)#输出矩阵的每一个元素

输出结果：
[[1 2 3]
 [4 5 6]
 [7 8 9]]
0
8
5.0
5.0
[ 1  3  6 10 15 21 28 36 45]
[[1 1]
 [1 1]
 [1 1]]
(array([0, 0, 0, 1, 1, 1, 2, 2, 2], dtype=int64), array([0, 1, 2, 0, 1, 2, 0, 1, 2], dtype=int64))
[[1 4 7]
 [2 5 8]
 [3 6 9]]
[[5 5 5]
 [5 5 6]
 [7 8 9]]
[2. 5. 8.]
9
[1 2 3]
[4 5 6]
[7 8 9]
[1 2 3 4 5 6 7 8 9]
1
2
3
4
5
6
7
8
9

3 numpy的合并与分割

3.1 合并

a=np.arange(1,5)[:,np.newaxis]
b=np.arange(11,15)[:,np.newaxis]
c=np.vstack((a,b))#将a,b上下链接
d=np.hstack((a,b))#将a,b左右连接
e=np.concatenate((a,b),axis=1)#运用concatenate进行合并可以自由选择行/列
print(a)
print(b)
print(a.shape,b.shape)
print(c)
print(d)
print(a.shape,c.shape)
print(e)
输出结果：
[[1]
 [2]
 [3]
 [4]]
[[11]
 [12]
 [13]
 [14]]
(4, 1) (4, 1)
[[ 1]
 [ 2]
 [ 3]
 [ 4]
 [11]
 [12]
 [13]
 [14]]
[[ 1 11]
 [ 2 12]
 [ 3 13]
 [ 4 14]]
(4, 1) (8, 1)
[[ 1 11]
 [ 2 12]
 [ 3 13]
 [ 4 14]]

3.2 分割

a=np.arange(1,10).reshape(3,3)
print(a)
print(np.split(a,3,axis=1))#实现等量分割
print(np.array_split(a,2,axis=0))#实现不等量分割
print(np.vsplit(a,3))#实现横向分割
print(np.hsplit(a,3))#实现纵向分割
输出结果：
[[1 2 3]
 [4 5 6]
 [7 8 9]]
[array([[1],
       [4],
       [7]]), array([[2],
       [5],
       [8]]), array([[3],
       [6],
       [9]])]
[array([[1, 2, 3],
       [4, 5, 6]]), array([[7, 8, 9]])]
[array([[1, 2, 3]]), array([[4, 5, 6]]), array([[7, 8, 9]])]
[array([[1],
       [4],
       [7]]), array([[2],
       [5],
       [8]]), array([[3],
       [6],
       [9]])]