Numpy
NumPy 是数值计算的扩展包，Pandas是做数据处理。
NumPy 是 Python 的一个外部模块，它提供了一个多维数组（ndarray）数据类型，以及关于多维数组的操作，NumPy 已经成为其他大数据和机器学习模块的基础。
Pandas是基于Numpy写的，它是Numpy的升级版本。
- np.arange()：
函数返回一个有终点和起点的固定步长的排列，如[1,2,3,4,5]，起点是1，终点是6，步长为1。
参数个数情况： np.arange()函数分为一个参数，两个参数，三个参数三种情况
1）一个参数时，参数值为终点，起点取默认值0，步长取默认值1。
2）两个参数时，第一个参数为起点，第二个参数为终点，步长取默认值1。
3）三个参数时，第一个参数为起点，第二个参数为终点，第三个参数为步长。其中步长支持小数
#一个参数 默认起点0，步长为1 输出：[0 1 2]
a = np.arange(3)
#两个参数 默认步长为1 输出[3 4 5 6 7 8]
a = np.arange(3,9)
#三个参数 起点为0，终点为3，步长为0.1 输出[ 0. 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1. 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2. 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9]
a = np.arange(0, 3, 0.1)
- np.zero(), np.ones(), np.empty：
在给数组赋初始值的时候，经常会用到0数组，而Python中，我们使用zero（）函数来实现。
ones函数可以创建任意维度和元素个数的数组，其元素值均为1；
empty一样，只是它所常见的数组内所有元素均为空，没有实际意义，所以它也是创建数组最快的方法。
zeros、ones、empty的使用方法差不多
创建一个一维数组时，只需要一个参数就可以了，代表数组长度。
import numpy as np
a = np.zeros([2,4])
print(a)
print()
b = np.ones([2,4])
print(b)
[[0. 0. 0. 0.]
[0. 0. 0. 0.]]
[[1. 1. 1. 1.]
[1. 1. 1. 1.]]
在默认的情况下，zeros创建的数组元素类型是浮点型的，如果要使用其他类型，可以设置dtype参数进行声明
- np.argsort():
含义：先进行排序，后原来元素所在的位置索引
np.argsort(a, axis=-1, kind=‘quicksort’, order=None)
import numpy as np
x=np.array([1,4,3,-1,6,9])
print(x.argsort())
[3 0 2 1 4 5]
如代码，argsort()函数是将x中的元素从小到大排列，提取其对应的index(索引)，然后输出。
- np.random.rand():
通过本函数可以返回一个或一组服从“0~1”均匀分布的随机样本值。随机样本取值范围是[0,1)，不包括1。
import numpy as np
print(np.random.rand())
print(np.random.rand(1))
print(np.random.rand(1,1))
print(np.random.rand(2,2))
print(np.random.rand(3,3,3))#有几个数生成几维数组
0.7723986771623469
[0.90801039]
[[0.74932592]]
[[0.30660971 0.49377846]
[0.26730439 0.12077014]]
[[[0.68246842 0.11959874 0.28999176]
[0.33480446 0.84117217 0.48405719]
[0.5629278 0.91784423 0.74722585]]
[[0.30410509 0.22919032 0.12917304]
[0.02025868 0.93309791 0.55408805]
[0.9760141 0.35419366 0.50546059]]
[[0.85970509 0.18936411 0.71980603]
[0.78452612 0.20441561 0.79112366]
[0.78806191 0.3976977 0.73671144]]]
- np.matmul():
原型: numpy.matmul(a, b, out=None)
如果两个参数a , b 都是2维的，做普通的矩阵相乘。
import numpy as np
a = [[1, 0], [0, 1]]
b = [[4, 1], [2, 2]]
x = np.matmul(a, b)
print(x)
[[4 1]
[2 2]]
- np.random.permutation(): 随机排列序列
如果x是整数，则随机置换np.arange（x），如果x是一个多维数组，它只会沿着它的第一个索引洗牌。
例1：对0到10 的数据进行随机排序
np.random.permutation(10)
array([1, 7, 4, 3, 0, 9, 2, 5, 8, 6]) # random
例2：对一维数组进行随机排序
np.random.permutation([1, 4, 9, 12, 15])
array([15, 1, 9, 4, 12]) # random
例3：对二维数组进行随机排序
arr = np.arange(9).reshape((3, 3))
np.random.permutation(arr)
array([[6, 7, 8], # random
[0, 1, 2],
[3, 4, 5]])
- np.mean():
mean()函数功能：求取均值, 经常操作的参数为axis
import numpy as np
a = np.array([[1, 2], [3, 4]])
print(np.mean(a))
print(np.mean(a, axis=0)) # axis=0，计算每一列的均值
print(np.mean(a, axis=1)) # 计算每一行的均值
2.5
[2. 3.]
[1.5 3.5]
- np.shape():
通常有三种使用方法：shape[0]，shape[1]，shape
shape[0] ：读取行数
shape[1]：读取列数
shape：行列数组成元组直接输出
个别举例（二维）：
import numpy as np
a=np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])
print(a.shape)
(4, 3)
- np.argmax()函数:
一维：
numpy.argmax(array, axis) 用于返回一个numpy数组中最大值的索引值。
list = [1,3,4,7,324,423,97]
print(np.argmax(list))
5
二维：
遵循运算之后降一维的原则，因此返回的会是一个一维的array。
list= np.array([[1, 3, 5], [0, 4, 3]])
list0 = np.argmax(list, axis = 0)
list01= np.argmax(list, axis = 1)
print(list0)
print(list1)
[0 1 0]
[2 1]
- np.exp():
np. exp(x) e的x幂次方
print(np.exp(0))
print(np.exp(1))
print(np.exp(2))
1.0
2.718281828459045
7.38905609893065
- np.unique( ):
该函数是去除数组中的重复数字，并进行排序之后输出。
- python np.mean和np.average的区别：
np.mean()和np.average()都是计算均值。np.average()可以计算加权平均。
a = np.array([1, 2, 3, 4, 5])
aw = np.array([0.1, 0.2, 0.3, 0.4, 0.5])
print('平均：', np.mean(a))
print('平均：', np.average(a))
print('加权平均：', np.average(a,weights = aw))
平均： 3.0
平均： 3.0
加权平均： 3.6666666666666665
-
np.multiply（）、np.dot（）和星号（*）三种乘法运算的区别：
np.multiply():数组和矩阵对应位置相乘，输出与相乘数组/矩阵的大小一致
np.dot()，matmul():对于秩为1的数组，执行对应位置相乘，然后再相加，输出为一个数值；对于秩不为1的二维数组，执行矩阵乘法运算；超过二维的可以参考numpy库介绍。
元素乘法：np.multiply(a,b)
矩阵乘法：np.dot(a,b) 或 np.matmul(a,b) 或 a.dot(b),
唯独注意：*，在 np.array 中重载为元素乘法，在 np.matrix 中重载为矩阵乘法!
扫一扫
183
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
