十六.人工智能基础学习笔记四

上一篇博客我们绘图时使用了numpy库，这一张我们详细介绍Numpy

四.Numpy

4.1Numpy介绍

Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。
Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。
Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。

numpy介绍【了解】
一个开源的Python科学计算库
计算起来要比python简洁高效
Numpy使用ndarray对象来处理多维数组
ndarray介绍【了解】
NumPy提供了一个N维数组类型ndarray，它描述了相同类型的“items”的集合。
生成numpy对象:np.array()
ndarray的优势【掌握】
内存块风格
list -- 分离式存储,存储内容多样化
ndarray -- 一体式存储,存储类型必须一样
ndarray支持并行化运算（向量化运算）
ndarray底层是用C语言写的,效率更高,释放了GIL

numpy是深拷贝（复制，粘贴），python是浅拷贝
（创建了快捷方式）

4.2N维数组-ndarray

4.3基本操作

主要会这些

创建数组【掌握】

生成0和1的数组
np.ones()
np.ones_like()
从现有数组中生成
np.array -- 深拷贝
np.asarray -- 浅拷贝
生成固定范围数组

np.linspace()
nun -- 生成等间隔的多少个
np.arange()
step -- 每间隔多少生成数据
np.logspace()
生成以10的N次幂的数据
生层随机数组

正态分布
里面需要关注的参数:均值:u, 标准差:σ
u -- 决定了这个图形的左右位置
σ -- 决定了这个图形是瘦高还是矮胖
np.random.randn()
np.random.normal(0, 1, 100)
均匀
np.random.rand()
np.random.uniform(0, 1, 100)
np.random.randint(0, 10, 10)
数组索引【知道】

直接进行索引,切片
对象[:, :] -- 先行后列
数组形状改变【掌握】

对象.reshape()
没有进行行列互换,新产生一个ndarray
对象.resize()
没有进行行列互换,修改原来的ndarray
对象.T
进行了行列互换
数组去重【知道】

np.unique(对象)

np.random.rand(d0, d1, ..., dn)
返回[0.0，1.0)内的一组均匀分布的数。
np.random.uniform(low=0.0, high=1.0, size=None)
功能：从一个均匀分布[low,high)中随机采样，注意定义域是左闭右开，即包含low，不包含high.
参数介绍:
low: 采样下界，float类型，默认值为0；
high: 采样上界，float类型，默认值为1；
size: 输出样本数目，为int或元组(tuple)类型，例如，size=(m,n,k), 则输出mnk个样本，缺省时输出1个值。
返回值：ndarray类型，其形状和参数size中描述一致。
np.random.randint(low, high=None, size=None, dtype='l')
从一个均匀分布中随机采样，生成一个整数或N维整数数组，
取数范围：若high不为None时，取[low,high)之间随机整数，否则取值[0,low)之间随机整数。

下面是演示