Numpy是一个很适合作为矩阵运算的python库，在机器学习中会经常使用到。底层使用C语言封装，效率比Python原生计算高很多！
基础用法
#Numpy数组对象
import numpy as np
#构造一个0-5，不包含5的一维数组
a = np.arange(5)
print(a)
#查看数组类型
print(a.dtype)
#查看维度
print(a.shape)
输出内容：
[0 1 2 3 4]
int64
(5,)
#多维数组
m = np.array([np.arange(2),np.arange(2)])
print(m)
print(m.shape)
print(m.dtype)
#根据索引下标获取具体数据
print(m[0,0])
#每一种数据均有对应的类型转换函数
print(np.float64(42))
#numpy数组中每个元素均为相同的数据类型
print(m.dtype.itemsize)
输出内容：
[[0 1]
[0 1]]
(2, 2)
int64
0
42.0
8
#字符编码,numpy可以用字符编码来标识数据类型，例如f表示单精度浮点数
np.arange(7,dtype='f')
输出内容：
array([0., 1., 2., 3., 4., 5., 6.], dtype=float32)
#一维数组的索引和切片
a = np.arange(9)
print(a)
#截取3-7位
print(a[3:7])
#逆序输出
print(a[::-1])
输出内容：
[0 1 2 3 4 5 6 7 8]
[3 4 5 6]
[8 7 6 5 4 3 2 1 0]
#多维数据的索引和切片
b = np.arange(24).reshape(2,3,4)
print(b)
#检索二三维都为0的一维数据元素
print(b[:,0,0])
#.flatten()把多维的数组改成一维数据
print(b.flatten())
#转置，原先是（2,3,4）转为（4,3,2）
print(b.transpose())
#resize会直接修改数组，而其他操作不会直接修改数组
b.resize(2,12)
print(b)
#2*矩阵，会把矩阵对应的位置值都乘以2
print(2*b)
输出内容：
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
[ 0 12]
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]
[[[ 0 12]
[ 4 16]
[ 8 20]]
[[ 1 13]
[ 5 17]
[ 9 21]]
[[ 2 14]
[ 6 18]
[10 22]]
[[ 3 15]
[ 7 19]
[11 23]]]
[[ 0 1 2 3 4 5 6 7 8 9 10 11]
[12 13 14 15 16 17 18 19 20 21 22 23]]
[[ 0 2 4 6 8 10 12 14 16 18 20 22]
[24 26 28 30 32 34 36 38 40 42 44 46]]
#hstack合并操作
import numpy as np
a = np.arange(9).reshape(3,3)
print(a)
b = 2*a
print(b)
#水平合并
print("水平合并：\n",np.hstack((a,b)))
#垂直合并
print("垂直合并：\n",np.vstack((a,b)))
#也可用concatenate方法来水平和垂直合并，1代表水平，0代表垂直
print("水平合并：\n",np.concatenate((a,b),axis = 1))
print("垂直合并：\n",np.concatenate((a,b),axis = 0))
输出内容：
[[0 1 2]
[3 4 5]
[6 7 8]]
[[ 0 2 4]
[ 6 8 10]
[12 14 16]]
水平合并：
[[ 0 1 2 0 2 4]
[ 3 4 5 6 8 10]
[ 6 7 8 12 14 16]]
垂直合并：
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 0 2 4]
[ 6 8 10]
[12 14 16]]
水平合并：
[[ 0 1 2 0 2 4]
[ 3 4 5 6 8 10]
[ 6 7 8 12 14 16]]
垂直合并：
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 0 2 4]
[ 6 8 10]
[12 14 16]]
#数组的分割
import numpy as np
a = np.arange(9).reshape(3,3)
print(a)
#水平分割，注意维度一定要符合，否则报错
print(np.hsplit(a,3))
#垂直分割
print(np.vsplit(a,3))
#ndim可以打印出数组的维度
print(a.ndim)
#itemsize输出array元素的字节数
print(a.itemsize)
#nbytes可以输出比特数
print(a.nbytes)
#T代表矩阵的转置
print(a.T)
输出内容：
[[0 1 2]
[3 4 5]
[6 7 8]]
[array([[0],
[3],
[6]]),
array([[1],
[4],
[7]]),
array([[2],
[5],
[8]])]
[array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]
2
8
72
[[0 3 6]
[1 4 7]
[2 5 8]]
#数组的转换
#tolist可以转成python列表
print(a.tolist())
#转换数组时指定数据类型
print(a.astype(np.int32))
输出内容：
[[0, 1, 2], [3, 4, 5], [6, 7, 8]]
[[0 1 2]
[3 4 5]
[6 7 8]]
import numpy as np
a = np.arange(-5,5)
signs = np.sign(a)
print(a)
#sign函数代表符号函数，负数为-1，正数为1，0则为0
print(signs)
#zeros_like表示生成一个与元数组相同格式的全0数组
print(np.zeros_like(a))
输出内容：
[-5 -4 -3 -2 -1 0 1 2 3 4]
[-1 -1 -1 -1 -1 0 1 1 1 1]
[0 0 0 0 0 0 0 0 0 0]
#生成3维对角矩阵
b = np.eye(3)
print(b)
#flat进行展开显示操作b
list(b.flat)
输出内容：
[[1. 0. 0.]
[0. 1. 0.]
[0. 0. 1.]]
[1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0]
算数运算
from __future__ import division
a = np.array([2,6,5])
b = np.array([1,2,3])
#矩阵相除
print(np.divide(a,b))
print(np.divide(b,a))
#引入__future__ 即可直接使用/进行相除
print(a/b)
print(a//b)
输出内容：
[2. 3. 1.66666667]
[0.5 0.33333333 0.6 ]
[2. 3. 1.66666667]
[2 3 1]
a = np.arange(-4,4)
#mod取余运算
print(np.mod(a,2))
print(a%2)
输出内容：
[0 1 0 1 0 1 0 1]
[0 1 0 1 0 1 0 1]
常用函数
import numpy as np
#随机生成10个元素的数组
h = np.random.randn(10)
print(h)
#np.max获取最大的数
print("max num:{}".format(np.max(h)))
#np.min获取最小的数
print("min num:{}".format(np.min(h)))
#np.median获取中间值
print("media num:{}".format(np.median(h)))
#msort函数可以进行排序
print("sort:{}".format(np.msort(h)))
#mean求均值
print("均值 mean:{}".format(np.mean(h)))
#var求方差
print("方差 var:{}".format(np.var(h)))
#sqrt求根号
print("根号 sqrt:{}".format(np.sqrt(np.var(h))))
输出内容：
[-1.66649735 -0.52701457 0.06060395 0.25293509 -0.17131163 -0.43367592
1.29385021 1.74423727 0.46241931 0.35674986]
max num:1.7442372690237153
min num:-1.6664973538238412
media num:0.15676952115447276
sort:[-1.66649735 -0.52701457 -0.43367592 -0.17131163 0.06060395 0.25293509
0.35674986 0.46241931 1.29385021 1.74423727]
均值 mean:0.13722962208616798
方差 var:0.8209223673422054
根号 sqrt:0.9060476628424166
#条件查询
a = np.arange(10)
print(a)
#可设定where条件
indices = np.where(a>5)
#使用take(数据，条件)查询
print(np.take(a,indices))
#argmin 最小值索引
print(np.argmin(a))
#argmax 最大值索引
print(np.argmax(a))
输出内容：
[0 1 2 3 4 5 6 7 8 9]
[[6 7 8 9]]
0
9
#生成一个全是1的数组，数量为5
a = np.ones(5)
print(a)
#将数组值全部替换成5
a.fill(5)
print(a)
#生成一个两行三列的全是1的矩阵数组
b = np.ones(shape=(2,3),dtype=np.int32)
print(b)
输出内容：
[1. 1. 1. 1. 1.]
[5. 5. 5. 5. 5.]
[[1 1 1]
[1 1 1]]
import numpy as np
a = np.arange(9)
print(a)
b = np.arange(9)
#np.dot 如果是一维数据就是点积，二维数据就是矩阵乘积
print(np.dot(a,b))
a = a.reshape(3,3)
b = b.reshape(3,3)
print(a)
print(np.dot(a,b))
输出内容：
[0 1 2 3 4 5 6 7 8]
204
[[0 1 2]
[3 4 5]
[6 7 8]]
[[ 15 18 21]
[ 42 54 66]
[ 69 90 111]]
1175
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
