Numpy基础

4.0 学习目标

• 目标
  • 了解Numpy预算速度上的优势
  • 知道Numpy的数组内存块风格
  • 知道Numpy的并行化运算
• 应用
  • 机器学习、深度学习各种框架的基础库

---

4.1 Numpy的优势

1 numpy

什么是Numpy？

Numpy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。使用ndarray存储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量。

2 ndarray

如何创建？

np.array()

3 Numpy的优势是什么？

1. 内存块风格——体式存储
2. 支持并行化运算
3. 效率高于纯python代码
4. 底层使用了C，内部释放了GTL

---

4.2 Numpy为数组-ndarray

1 ndarray的属性

​ 属性名字 属性解释
​ ndarray.shape 数组维度的元组
​ ndarray.ndim 数组维数
​ ndarray.size 数组中的元素数量
​ ndarray.itemsize 一个数组元素的长度（字节）
​ ndarray.dtype 数组元素的类型

2 形状

3 类型

d = np.array([1,2,3], dtype=np.float32)
d

---

4.3 基本操作

1 生成数组的方法

1.1 生成0和1的数组

• np.ones(shape[,dtype,order])
  

• np.ones_like(a[, dtype, order,subok])

• np.zeros(shape[,dtype,order])

• np.zerps_like(a[,dtype,order,subok])

1.2 从现有数组生成

1.2.1 生成方式

• np.array()
• np.asaarray()

1.3 生成固定范围数组

• np.linspace() ——生成等间隔的多少个
• np.arrange() —— 每间隔多少生成数据
• np.logspace() —— 生成以10的N次幂的数据

1.4 生成随机数组 np.random()

​ 1.均匀分布生成
​ np.random.uniform()
​ low
​ high
​ size
​ 2.正态分布[*]
​ 均值，方差
​ 均值 – 图形的左右位置
​ 方差 – 图像是瘦，还是胖
​ 值越小，图形越瘦高，数据越集中
​ 值越大，图形越矮胖，数据越分散
​ 3.正态分布api[]
​ np.random.normal()
​ low
​ high
​ size

2.数组的索引、切片[***]

​ 直接索引
​ 先对行进行索引，再进行列索引 – [*, #]
​ 高维数组索引，从宏观到微观

3.形状修改[**]

​ 1.对象.reshape
​ 不进行行列互换，产生新变量
​ 2.对象.resize
​ 不进行行列互换,对原值进行更改
​ 3.对象.T
​ 进行行列互换

shape是查看数据有多少行多少列
reshape()是数组array中的方法，作用是将数据重新组织

新的形状应该与原来的形状兼容，即行数和列数相乘后等于a中元素的数量。

4.类型修改[*]

​ 对象.astype(np.int32)

5.数组去重[*]

​ np.unique()

---

4.4 ndarray运算

1.逻辑运算

​ 大于，小于直接进行判断
​ 赋值：满足要求，直接进行赋值

2.通用判断函数

​ np.all()
​ 所有满足要求，才返回True
​ np.any()
​ 只要有一个满足要求，就返回True

3.三元运算符

​ np.where()
​ 满足要求，赋值第一个值，否则赋值第二个值
​ np.logical_and()
​ 并
​ np.logical_or()
​ 或

4.统计运算

​ min
​ max
​ midian
​ mean
​ std – 标准差
​ var – 方差
​ argmax – 最大值下标
​ argmin – 最小值下标

4.5 矩阵

1.矩阵和向量

​ 矩阵：理解-二维数组
​ 向量：理解-一维数组

2.加法和标量乘法

​ 加法： 对应位置相加
​ 乘法： 标量和每个位置的元素相乘

3.矩阵向量（矩阵）乘法[*****]

​ [M行, N列]*[N行, L列] = [M行, L列]

4.矩阵乘法性质

​ 1.满足结合律，不满足交换律

5.单位矩阵

​ 对角线为1，其他位置为0的矩阵

6.逆

​ 矩阵A*矩阵B=单位矩阵I
​ 那么A和B就互为逆矩阵

7.转置

​ 行列互换

4.6 数组间运算[*]

1.数组和数字是直接可以进行运算

2.数组和数组

​ 需要满足广播机制: （或）
​ 1.维度相同
​ 2.shape对应位置为1

如 [2,6]+[2,1]可以进行运算 （都属于两维）

3.矩阵乘法api

​ np.dot –点乘
​ np.matmul – 矩阵相乘
​ 注意：两者之间在进行矩阵相乘时候，没有区别
​ 但是，dot支持矩阵和数字相乘