import numpy as np
为提高运算效率，ndarray数组值的类型默认相同，创建时自动指定默认数据类型(内存占用最大的值类型)
默认浮点类型(float)
| numpy方法 | 解释 |
|---|---|
| np.dtype | 指定当前numpy对象的整体数据, 见下一个表格 |
| np.itemsize | 对象中每个元素的大小, 单位字节 |
| np.size | 对象元素的个数, 相当于np.shape中的n*m值 |
| np.shape | 轴, 查看数组形状, 对于矩阵, n行m列 |
| np.ndim | 秩 |
| np.isnan(list) | 筛选出nan值 |
| np.iscomplex(list) | 筛选出非复数 |
| ~ | 取补运算符 |
| np.array(数组, dtype=np.bool) | 自定义数组类型 |
| np.astype(np.bool) | 转换存放数据类型 |
| np.mat() | 将python 列表转化成矩阵，比如将二维数组，转化为矩阵，方便运算 |
| np.mat().getA() | 将matrix对象转成ndarray对象，维度不变；getA1()直接转化为一维ndarray对象 |
| np.matrix() | 同上 |
| np.asmatrix() | 将ndarray对象转成matrix对象 |
| np.tile() | 重复某个数组。比如tile(A,n)，功能是将数组A重复n次，构成一个新的数组传送门 |
| np.T | 矩阵转置, 行变列, 列变行, 对角线翻转矩阵，相当于np.transpose() |
| np.tolist() | 转换成python列表, 用于和python原生结合写程序 |
| np.multiply(x, y) | 矩阵x 矩阵y相乘 |
| np.unique() | 数组去重, 并且从小到大生成一个新的一维数组或二维数组 |
| np.arange | 同python range()，生成的对象为ndarray类型的 |
| np.arange(24).reshape((2, 3, 4)) | 创建一个2维3行4列的数组, 必须能被给定的长度除开, 可以索引和切片 |
| np.arange(24).resize((2, 3, 4)) | 在一个创建好的np对象上修改原来的维度，创建一个新的对象 |
| np.linspace(x, y, z) | 等间距生成, x起始数值, y终止数值, z为产生的数据点数；也就是在区间x,y中产生z个点 |
| np.ones(shape, dtype=None, order='C') | 生成数值为1且shape形状的的数组, shape可以是元组，表示创建几行几列数据；也可以是单个数字，表示创建大小为n的一维数组 |
| np.zeros(shape, dtype=None, order='C') | 生成数值为0且shape形状的的数组, shape可以是元组，表示创建几行几列数据；也可以是单个数字，表示创建大小为n的一维数组 |
| np.full([x, y], z) | 自定义模板数组, 生成x行y列都是z的数组 |
| np.eye(N, M=None, k=0, dtype=float, order='C') | 生成大小为N的对角方阵，对角线的值都是1，其余都是0；M可以调整输出列数 |
| np.flatten() | np对象降维成一维，不改变原值 |
| np.random.rand(x, y, z) | 生成一个一维x随机数或生成x*y的随机数组 |
| np.random.randn(x, y) | 正态分布随机数 |
| np.random.randint(low, high, (shape)) | 整数随机数 |
| np.random.normal(loc, scale, (size)) | 从指定正态分布中抽取样本, loc为概率分布的均匀值, 标准差scale |
| np.random.seed(s) | 给一个随机数字固定 |
| np.randomunifrom(low, high, (size)) | 均匀分布的数组, 有小数 |
| np.random.shuffle(a) | 将数组a的第0轴(最外维度)进行随机排列(洗牌), 改变数组a, 行边列不变 |
| np.random.permutation(a) | 同上, 不改变数组a |
| np.random.choice(a, size=None, replace=False, p=数组a/np.sum(b)) | 从一维数组a中以概率p抽取元素，形成size形状新数组，replace表示是否可以重用元素，默认为False，p为抽取概率,本位置越高,抽取概率越高 |
| np.sum(axis=None) | 求和, axis=0为列, 1为行 |
| np.argsort() | 按照矩阵中的元素大小进行排序，输出的是元素对应的下标 |
| np.sort(a, kind='quicksort',axis=None) | 从小打大排序,默认quicksort；axis=None是将多维放在一维中排序；axis=-1多维数组按行排序；axis=0按列排序； |
| -np.sort(-a, axis=None) | 从大到小排序 |
| np.sort_values(‘字段’, ascending=False) | 排序,升序排列 |
| np.mean(axis=None) | 求平均数，axis=0同列取平均值，axis=1同行取平均值 |
| np.average(axis=None,weights=None) | 加权平均，weights加权值，不设为等权重,例子[10, 5, 1],每列分别X10,X5,X1在/(10+5+1) |
| np.var(axis=None) | 方差：各数与平均数之差的平方的平均数 |
| np.std(axis=None) | 标准差:方差平方根 |
| np.min(axis=None) | 最小值 |
| np.argmin(axis=None) | 求数组中最小值的坐标 |
| np.median(axis=None) | 中位数 |
| np.ptp(axis=None) | 元素最大值与最小值的差 |
| np.cumsum() | 累加,cumsum和cumprod之类的方法不聚合，产生一个中间结果组成的数组,默认一维数组,1为按原样 |
| np.cumprod() | 累乘 |
| np.count_nonzero(arr > 0) | 计数非0值个数,布尔值会被强制转换为1和0，可以使用sum()对布尔型数组中的True值计数 |
| np.bools.any() | 测试数组中是否存在一个或多个True |
| np.bools.all() | 数组中所有值是否都是True, 测试有没有空值 |
| np.insert(arr, obj, values, axis=None) | 插入数值，np.insert(a, [1], [[1],[2],[3]], axis=1)在第一列插入一个列表；axis=None插入到一维数组中；axis=1插入到列；axis=0插入到行 |
| np.dot(a, b, out=None) | 求乘积运算，如果a,b同为数字，则计算两个数的乘积；如果为两个向量，则计算两个向量的内积；如果为多维数组，则计算的是多维数组的向量积的和；同数组，同np.array对象，一般使用X_.T.dot(X_) |
| np.linalg.inv(a) | 求矩阵的逆，ainv = inv(np.matrix(a))，因为矩阵不能直接相除，所以有时需要转化为矩阵的逆来做乘法运算，矩阵的逆就是用来解决矩阵除法问题的 |
| np.select(condlist, choicelist, default=0) | condlist定义筛选规则，choicelist做筛选时需要做的操作 |
| np.column_stack((a,b)) | 将a作为b的一列合并到b，a为一维列表，b为1到多维列表，必须满足a的列表大小等于b的行数， |
| np.concatenate((a, b), axis=0) | 合并数组，axis=0按行合并，axis=1按列合并；np.concatenate((a, b.T), axis=1)；采用b.T的前提是必须a和b的维度相同，如果b为一维，a为二维的话，需要使用np.stack(b)将b转化为二维的列数据才可以进行合并 |
| np.asarray(a, dtype) | 将a数据转化为固定的类型；array和asarray都可以将结构数据转化为ndarray，但是主要区别就是当数据源是ndarray时，array仍然会copy出一个副本，占用新的内存，但asarray不会 |
| np.where(condition, x=None, y=None) | 满足条件(condition)，输出x，不满足输出y |
| np.ravel(order='C') | 将多维数组降维成一维数组，返回原始多维数组的引用，注意如果改变降维后一维数组的值，则原始数组的值也会改变；order为降维时采用的策略，可选值{'C', 'F', 'A', 'K'}，默认行序优先 |
| np.flatten(order='C') | 将多维数组降维成一维数组，返回原始多维数组的拷贝，改变降维后的一维数组的值，则原始数组的值不会改变；order为降维时采用的策略，可选值{'C', 'F', 'A', 'K'}，默认行序优先 |
| np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None) | 返回从起始值到终止值总数量为num的列表，endpoint为True表示包含终止值 |
| np.meshgrid(*xi, **kwargs) | meshgrid的作用是根据传入的两个一维数组参数生成两个数组元素的列表。如果第一个参数是xarray，维度是xdimesion，第二个参数是yarray，维度是ydimesion。那么生成的第一个二维数组是以xarray为行，ydimesion行的向量；而第二个二维数组是以yarray的转置为列，xdimesion列的向量。 |
| np.array(p_object, dtype=None, copy=True, order='K', subok=False, ndmin=0) | 转化列表数据类型为ndarray |
| np.c_[xx.ravel(), yy.ravel()] | 将两个数组中相同列的数据拼接起来，当做行；类似于pandas中的merge |
| np.r_[xx.ravel(), yy.ravel()] | 将两个数组中所有行数据转化为一行数据；类似于pandas中的contact |
| data.reshape(-1, m) | 表示事先不知道数据总数有多少个，numpy会自动计算数据的总数n，变化成为n列m行的数据 |
| np.vstack([a,b]) | 将a,b两个numpy对象按行堆叠到一块，列不变 |
| np.hstack(arr1, arr2) | 将两个数组进行堆叠，可以是一维或者多维(tuple/list)，相当于分别合并 |
| np.around(SVD, 4) | 将矩阵SVD中所有元素四舍五入保留四位小数 |
| np.linalg.norm(x, ord=None, axis=None, keepdims=False) | 求矩阵x的范数，默认相当于求向量或者矩阵的平方和的平方根，具体请参加下面函数详细讲解 |
| np.linalg.svd(a, full_matrices=True, compute_uv=True) | 奇异矩阵分解，在推荐系统中有举足轻重的地位 |
| np.diag(v, k=0) | 如果v为多维数组的话，则返回对角元组的一个一维数组；如果v为一维数组的话，则返回一个对角元素填充一维数组的值，其余元素补充为0的一个矩阵；k值可以为正负值，默认为0 |
| np.dtype类型 | |
|---|---|
| np.bool | 布尔值 |
| np.int | 整型 |
| np.float | 浮点型 |
| np.complex | 复数 |
| np.object | 对象 |
| np.string_ | ASCII字符 |
| np.unicode_ | Unicode所有字符, 字节数平台决定 |
np读取csv文件
- numpy提供了便捷的内部文件存取，将数据存为np专用的npy(二进制格式)或npz(压缩打包格式)格式
- npy格式以二进制存储数据的，在二进制文件第一行以文本形式保存了数据的元信息（维度，数据类型），可以用二进制工具查看查看内容
- npz文件以压缩打包文件存储，可以用压缩软件解压
# 读取csv文件
np.loadtxt(frame,dtype=np.float,delimiter=None,skiprows=0,usecols=None,unpack=False)
# 去掉b'0.00'中的b
np.loadtxt('a.csv', dtype=bytes, delimiter=',').astype(str)
c = np.load('x.npy') # .npy文件读入数组
d = np.load("y.npz") # .npz压缩包读入
# 存储csv文件,本身是ASCII字符，不能存储非ASCII字符串,csv文件只能存储一维、二维数据，不能存储多维数据
np.savetxt(frame,array,fmt='%.18e',delimiter=None)
np.save('a.npy',a) # 存为.npy文件
np.savez("a.npz", ar0 = a, ar1 = b) # 多个数组存入一个.npz压缩包| 参数 | 解释 |
|---|---|
| frame | 文件、字符串或产生器，可以是.gz或者bz2压缩文件 |
| dtype | 数据类型，可选，CSV的字符串以什么数据类型读入数组中，默认np.float |
| delimiter | 分隔字符串，默认是任何空格，改为逗号 |
| skiprows | 跳过前x行，一般跳过第一行表头 |
| usecols | 读取指定的列，索引，元组类型 |
| unpack | 如果True，读入属性将分别写入不同的数组变量，False读入数据只写入一个数组变量，默认False |
难点函数解析
1、numpy.linalg.svd
函数：np.linalg.svd(a,full_matrices=1,compute_uv=1)。
参数：
-
a是一个形如(M,N)矩阵
-
full_matrices的取值是为0或者1，默认值为1，这时u的大小为(M,M)，v的大小为(N,N) 。否则u的大小为(M,K)，v的大小为(K,N) ，K=min(M,N)。
-
compute_uv的取值是为0或者1，默认值为1，表示计算u,s,v。为0的时候只计算s。
返回值：
- 总共有三个返回值u,s,v
-
u大小为(M,M)，s大小为(M,N)，v大小为(N,N)。
-
A = u*s*v
-
其中s是对矩阵a的奇异值分解。s除了对角元素不为0，其他元素都为0，并且对角元素从大到小排列。s中有n个奇异值，一般排在后面的比较接近0，所以仅保留比较大的r个奇异值。
关于奇异值的解释：
- 对于方阵而言A=Q
Q-1 
其中的就是特征向量。但是对于不是方阵的矩阵而言就没有特征向量。 - 非方阵的矩阵可以用奇异值分解来描述这个矩阵。A=U
VT。其中U叫做左奇异值，
叫做奇异值，V叫做右奇异值。因为
只有对角线的数不为0，并且数值是从大到小排列，所以一般只取r个，r的值越接近A的列数，那么三个矩阵的乘法得到的矩阵越接近A。 - 因为三个矩阵的面积之和远远小于原矩阵A，所以当我们向压缩空间表达A的时候，可以使用这三个矩阵。
- 当A不是矩阵的时候，把A转置变为 AT。并且
。其中的v就是右奇异值。
，这里的
就是上面的奇异值。
，这里的u就是上面的左奇异值。
2、np.linalg.norm(x, ord=None, axis=None, keepdims=False)
①x: 表示矩阵（也可以是一维）
②ord：范数类型
向量的范数：
矩阵的范数：
ord=1：列和的最大值
ord=2：|λE-ATA|=0，求特征值，然后求最大特征值得算术平方根
ord=∞：行和的最大值
ord=None：默认情况下，是求整体的矩阵元素平方和，再开根号
③axis：处理类型
axis=1表示按行向量处理，求多个行向量的范数
axis=0表示按列向量处理，求多个列向量的范数
axis=None表示矩阵范数。
④keepding：是否保持矩阵的二维特性
True表示保持矩阵的二维特性，False相反
扫一扫
5416
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
