机器学习三剑客之Numpy

本文参考自: 原文地址

Numpy

NumPy是Python语言的一个扩充程序库。支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。Numpy内部解除了Python的PIL(全局解释器锁),运算效率极好,是大量机器学习框架的基础库!

Numpy简单创建数组

import numpy as np # 创建简单的列表 a = [1, 2, 3, 4] # 将列表转换为数组 b = np.array(b) 

Numpy查看数组属性

数组元素个数

b.size 

数组形状

b.shape 

数组维度

b.ndim 

数组元素类型

b.dtype 

快速创建N维数组的api函数

• 创建10行10列的数值为浮点1的矩阵

array_one = np.ones([10, 10]) 

• 创建10行10列的数值为浮点0的矩阵

array_zero = np.zeros([10, 10]) 

• 从现有的数据创建数组
  • array(深拷贝)
  • asarray(浅拷贝)

Numpy创建随机数组np.random

• 均匀分布

  • np.random.rand(10, 10)创建指定形状(示例为10行10列)的数组(范围在0至1之间)
  • np.random.uniform(0, 100)创建指定范围内的一个数
  • np.random.randint(0, 100) 创建指定范围内的一个整数

• 正态分布

  给定均值/标准差/维度的正态分布np.random.normal(1.75, 0.1, (2, 3))

• 数组的索引, 切片

# 正态生成4行5列的二维数组 arr = np.random.normal(1.75, 0.1, (4, 5)) print(arr) # 截取第1至2行的第2至3列(从第0行算起) after_arr = arr[1:3, 2:4] print(after_arr) 

数组索引

• 改变数组形状(要求前后元素个数匹配)

改变数组形状

print("reshape函数的使用!") one_20 = np.ones([20]) print("-->1行20列<--") print (one_20) one_4_5 = one_20.reshape([4, 5]) print("-->4行5列<--") print (one_4_5) 

Numpy计算(重要)

条件运算

原始数据

条件判断

import numpy as np stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]]) stus_score > 80 

三目运算

import numpy as np stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]]) np.where(stus_score < 80, 0, 90) 

统计运算

• 指定轴最大值amax(参数1: 数组; 参数2: axis=0/1; 0表示列1表示行)

求最大值

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]]) # 求每一列的最大值(0表示列) print("每一列的最大值为:") result = np.amax(stus_score, axis=0) print(result) print("每一行的最大值为:") result = np.amax(stus_score, axis=1) print(result) 

• 指定轴最小值amin

求最小值

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]]) # 求每一行的最小值(0表示列) print("每一列的最小值为:") result = np.amin(stus_score, axis=0) print(result) # 求每一行的最小值(1表示行) print("每一行的最小值为:") result = np.amin(stus_score, axis=1) print(result) 

• 指定轴平均值mean

求平均值

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]]) # 求每一行的平均值(0表示列) print("每一列的平均值:") result = np.mean(stus_score, axis=0) print(result) # 求每一行的平均值(1表示行) print("每一行的平均值:") result = np.mean(stus_score, axis=1) print(result) 

• 方差std

求方差

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]]) # 求每一行的方差(0表示列) print("每一列的方差:") result = np.std(stus_score, axis=0) print(result) # 求每一行的方差(1表示行) print("每一行的方差:") result = np.std(stus_score, axis=1) print(result) 

数组运算

• 数组与数的运算

加法

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]]) print("加分前:") print(stus_score) # 为所有平时成绩都加5分 stus_score[:, 0] = stus_score[:, 0]+5 print("加分后:") print(stus_score) 

乘法

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]]) print("减半前:") print(stus_score) # 平时成绩减半 stus_score[:, 0] = stus_score[:, 0]*0.5 print("减半后:") print(stus_score) 

• 数组间也支持加减乘除运算,但基本用不到

image.png

a = np.array([1, 2, 3, 4]) b = np.array([10, 20, 30, 40]) c = a + b d = a - b e = a * b f = a / b print("a+b为", c) print("a-b为", d) print("a*b为", e) print("a/b为", f) 

矩阵运算np.dot()(非常重要)

根据权重计算成绩

• 计算规则

(M行, N列) * (N行, Z列) = (M行, Z列)

矩阵计算总成绩

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]]) # 平时成绩占40% 期末成绩占60%, 计算结果 q = np.array([[0.4], [0.6]]) result = np.dot(stus_score, q) print("最终结果为:") print(result) 

• 矩阵拼接

  • 矩阵垂直拼接

垂直拼接

print("v1为:") v1 = [[0, 1, 2, 3, 4, 5], [6, 7, 8, 9, 10, 11]] print(v1) print("v2为:") v2 = [[12, 13, 14, 15, 16, 17], [18, 19, 20, 21, 22, 23]] print(v2) # 垂直拼接 result = np.vstack((v1, v2)) print("v1和v2垂直拼接的结果为") print(result) 

• 矩阵水平拼接

水平拼接

print("v1为:") v1 = [[0, 1, 2, 3, 4, 5], [6, 7, 8, 9, 10, 11]] print(v1) print("v2为:") v2 = [[12, 13, 14, 15, 16, 17], [18, 19, 20, 21, 22, 23]] print(v2) # 垂直拼接 result = np.hstack((v1, v2)) print("v1和v2水平拼接的结果为") print(result) 

Numpy读取数据np.genfromtxt

csv文件以逗号分隔数据

读取csv格式的文件

如果数值据有无法识别的值出现,会以nan显示,nan相当于np.nan,为float类型.