python深度学习笔记（一）——numpy篇（上）

numpy基础（上）

在本节中，将记录一些简单的numpy操作，如文件读取、创建数组、数据判断、与非判断、强制类型转换、极值以及求和操作
首先让我们从引入numpy库开始：

import numpy

文件读取

在numpy中，有一个非常强大的文件读取函数：genfromtxt() 我们只需在括号内输入文件对应的路径，数据分割标准以及数据类型即可，实例如下：

data = numpy.genfromtxt("data.txt", delimiter=",", dtype=str)

示例文件data.txt中数据如下：

同时要注意，文件内的数据列数必须相同，否则会报错。
ValueError: Some errors were detected !
将读取到的数据类型及数据输出：

print(type(data))
print(data)

得到结果

创建一个numpy矩阵

在深度学习中，矩阵起着一个非常重要的作用。于是我们需要了解一些在numpy中创建矩阵的基本操作。
在numpy中，主要是使用numpy.array(list)来进行矩阵的创建。
创建一维矩阵

vector = numpy.array([1, 2, 3, 4, 5])

传入一个一维的list，numpy.array自动将其转换成一维矩阵，输出结果如下：

创建二维矩阵

two_dimensional_matrix = numpy.array([  # 二维
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
])

传入一个二维的list，numpy.array自动将其转换成一维矩阵，输出结果如下：

创建三维矩阵

three_dimensional_matrix = numpy.array([  # 三维
    [
        [1, 2, 3],
        [4, 5, 6],
        [7, 8, 9]
    ], [
        [10, 11, 12],
        [13, 14, 15],
        [16, 17, 18],
    ], [
        [19, 20, 21],
        [22, 23, 24],
        [25, 26, 27]
    ]
])

传入一个三维的list，numpy.array自动将其转换成一维矩阵，输出结果如下：

同时，对于未知大小的矩阵，想要知道其维度，可使用shape来获取。如对于上述三个矩阵，可使用如下代码输出其对应维度：

print("一维矩阵大小: {}".format(vector.shape))
print("二维矩阵大小: {}".format(two_dimensional_matrix.shape))
print("三维矩阵大小: {}".format(three_dimensional_matrix.shape))

输出结果为：

利用切片操作取出数据

numpy的矩阵数据获取方式和python的list基本类似。可以直接通过[]来进行获取。如对于上面的二维矩阵：

[
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
]

可使用如下操作获取对应数值（要记得程序猿数数都是从0开始数）

print("获取第一行第二个数据:{}".format(two_dimensional_matrix[1, 2]))
print("获取所有行第二列数据:{}".format(two_dimensional_matrix[:, 2]))

结果为：

数据判断

要判断numpy的矩阵中的值是否等于某个具体的数字或其他，可以直接使用判断符==进行判断。其会返回一个类似真值表的list.
如，首先我们创建一个二维矩阵：

matrix = numpy.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])

然后再进行判断，保存并输出判断输出值：

re = matrix == 10
print(re)

输出结果为

与（&）非（|）判断

如何判断矩阵中的数据是否同时满足两个或多个值呢？这个时候我们就只需要使用我们熟悉的&和|来进行逻辑判断即可。
首先我们新建一个一维矩阵

vector = numpy.array([1, 2, 3, 4, 5, 6, 7])

然后进行&和|的判断。条件为“同时满足是2和3的数”及“满足是2或是3的数”

re_and = (vector == 2) & (vector == 3)
re_or = (vector == 2) | (vector == 3)

输出结果：

print("因为不存在同时等于2和3的数，故返回结果为{}".format(re_and))
print("因为存在等于2或者3的数，故返回结果为{}".format(re_or))

结果为：

强制类型转换

要将矩阵中的数据强制类型转换成需要的样子，只需使用astype()即可。
首先创建一个一维矩阵，其内部的数据类型为str

vector = numpy.array(['1', '2', '3', '4', '5', '6', '7'])

只需使用如下代码即可完成str到int的转换

vector = vector.astype(int)

极值

使用max和min获取极值

vector = numpy.array([1, 2, 3, 4, 5, 6, 7])
print("最大值为:{}".format(vector.max()))
print("最小值为:{}".format(vector.min()))

输出结果为：

注：min和max方法中还有一个非常重要的参数axis。其值的设定表示不同方向的最大和最小值。其中0表示列的最大值，1表示行的最大值。类似示例将在下面展示。

求和操作

使用sum进行求和。
如创建二维矩阵：

matrix = numpy.array([
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
])

利用上文提到的axis不同方向的求和。

print("行相加:{}".format(matrix.sum(axis=1)))
print("列相加:{}".format(matrix.sum(axis=0)))

输出结果为:

代码获取传送门.