【numpy】（一）构造数据

                                目录

1，np.array()将其它数据格式转换成numpy数据格式

2，np.random随机数构建

2.1 np.random.rand()生成随机小数

2.2 np.random.random(size = ())生成随机小数

2.3 numpy.random.random_sample(size=None)生成随机小数

2.4 np.random.rand()和np.random.random(size = ())有什么区别？

2.5 np.random.randn() 生产标准正态分布

2.6 numpy.random.normal(loc=0,scale=1e-2,size=shape)  生成指定正态分布

2.7 np.random.randint(low, high = None, size = None,dtype = 'l')生成随机整数

2.8 np.random.random_integers(low,high = None,size = None) 生成闭区间随机整数

2.9 np.random.choice(a, size = None, replace = True, p = None) 从数组中选取随机数

2.10 np.set_printoptions()修改生成数据的小数位数，不建议修改配置文件

2.11 shuffle数据洗牌，可以用做打乱正负样本 

2.12 np.random.seed()生成同一组随机数

3，arange等距离构建

4，linspace线性构建

5，logspace对数构建

6， zeros构造全0矩阵

7，ones构建全1矩阵

8，identity构建单位对角阵

9，np.eye()

9.1 构建对角矩阵 

9.2 利用eye函数热编码 

10，empty构建空矩阵，并填充数据

11，zeros_like，ones_like构建结构一样的矩阵，并且用0或者1填充

---

1，np.array()将其它数据格式转换成numpy数据格式

2，np.random随机数构建

参考博文：https://www.cnblogs.com/fpzs/p/10196950.html

2.1 np.random.rand()生成随机小数

生成指定维度的的[0,1)范围之间的随机数，输入参数为维度

2.2 np.random.random(size = ())生成随机小数

生成[0, 1)范围内的随机浮点数阵列，只有一个参数（矩阵大小）

2.3 numpy.random.random_sample(size=None)生成随机小数

 生成[0, 1)范围内的随机浮点数阵列，只有一个参数（矩阵大小）

2.4 np.random.rand()和np.random.random(size = ())有什么区别？

相同点：两个函数都是在 [0, 1) 的均匀分布中产生随机数。

不同点：参数传递不同。random.random( )接收一个单独的元组，而random.rand( )接收分开的参数

两个函数功能完全一样，numpy为什么这么做，这是有历史原因的。可能是为了使 Matlab 用户更容易学习 python+numpy 的组合。把其中一个函数去掉，所带来的麻烦远大于好处，因为有很多现存的代码使用了函数的不同版本。

2.5 np.random.randn() 生产标准正态分布

生成指定维度的服从标准正态分布(0 ,1)的随机数，输入参数为维度

2.6 numpy.random.normal(loc=0,scale=1e-2,size=shape)  生成指定正态分布

生成指定均值，标准差的正态分布

1. 参数loc(float)：正态分布的均值，对应着这个分布的中心。loc=0说明这一个以Y轴为对称轴的正态分布，
2. 参数scale(float)：正态分布的标准差，对应分布的宽度，scale越大，正态分布的曲线越矮胖，scale越小，曲线越高瘦。
3. 参数size(int 或者整数元组)：输出的值赋在shape里，默认为None。

2.7 np.random.randint(low, high = None, size = None,dtype = 'l')生成随机整数

返回随机数或者随机数组成的array 

• low，high(范围区间为[low,high))，low不可以>=high
• size，
• dtype(默认为int)

2.8 np.random.random_integers(low,high = None,size = None) 生成闭区间随机整数

返回范围为[low,high] 闭区间 随机整数

2.9 np.random.choice(a, size = None, replace = True, p = None) 从数组中选取随机数

从给定数组a中随机选择,p可以指定a中每个元素被选择的概率

2.10 np.set_printoptions()修改生成数据的小数位数，不建议修改配置文件

2.11 shuffle数据洗牌，可以用做打乱正负样本 

2.12 np.random.seed()生成同一组随机数

类似给随机数做了一个标记，找到这个标记，就找到了这组随机数

3，arange等距离构建

 

4，linspace线性构建

5，logspace对数构建

 

6， zeros构造全0矩阵

注：构建多维，传入参数是元组

7，ones构建全1矩阵

注：构建多维，传入参数是元组

8，identity构建单位对角阵

注：

（1）对角线上只能是1

（2）只能是方阵

9，np.eye()

函数的原型：numpy.eye(N,M=None,k=0,dtype=<class 'float'>,order='C)

返回的是一个二维的数组(N,M)，对角线的地方为1，其余的地方为0.

参数介绍：

（1）N:int型，表示的是输出的行数

（2）M：int型，可选项，输出的列数，如果没有就默认为N

（3）k：int型，可选项，对角线的下标，默认为0表示的是主对角线，负数表示的是低对角，正数表示的是高对角。

（4）dtype：数据的类型，可选项，返回的数据的数据类型

（5）order：{‘C’，‘F'}，可选项，也就是输出的数组的形式是按照C语言的行优先’C'，还是按照Fortran形式的列优先‘F'存储

9.1 构建对角矩阵 

9.2 利用eye函数热编码 

这个函数的用法并非单单制造一个对角矩阵，而是通过其来将一个label数组，大小为(1,m)或者(m,1)的数组，转化成one-hot数组。例如他可以将类别总数为6的labels=[1,2,3,0,1,1]的数组转化成数组[[0,1,0,0,0,0],[0,0,1,0,0,0],[0,0,0,1,0,0],[0,0,0,0,0,0],[0,1,0,0,0,0],[0,1,0,0,0,0]]这就是所谓的one-hot的形式

10，empty构建空矩阵，并填充数据

注：构建多维，传入参数是元组

11，zeros_like，ones_like构建结构一样的矩阵，并且用0或者1填充

注：在神经网络中，权重矩阵w1和w2的创建，往往需要参考神经元矩阵