numpy入门

numpy

将jupyter notebook转换为markdown文件之后，效果不是很好看，可以访问以下链接：
https://nbviewer.jupyter.org/github/huxiwen/python3_jupyter_note/blob/master/numpy%E6%95%B0%E6%8D%AE%E5%9F%BA%E7%A1%80.ipynb

import numpy

• 查看numpy的版本

numpy.__version__

'1.13.3'

import numpy as np

np.__version__

'1.13.3'

Python List 的特点

L = [i for i in range(10)]
L

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

L[5]

5

L[5] = 100
L

[0, 1, 2, 3, 4, 100, 6, 7, 8, 9]

python List比较灵活，可以list中可以有多种类型

• 所以需要在识别list的过程中识别每一个元素的数据类型，操作的速度较慢

L[5] = 'Machine Learning'
L

[0, 1, 2, 3, 4, 'Machine Learning', 6, 7, 8, 9]

• 使用array，array中的元素只运行是同一种的元素

import array

arr = array.array('i', [i for i in range(10)])

arr

array('i', [0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

arr[5] = 100
arr

array('i', [0, 1, 2, 3, 4, 100, 6, 7, 8, 9])

• 将array中的一个元素赋值为其它类型的数据类型，将会报错

arr[5] = 'machine learing'

---------------------------------------------------------------------------

TypeError                                 Traceback (most recent call last)

<ipython-input-18-b1900297fd0e> in <module>()
----> 1 arr[5] = 'machine learing'


TypeError: an integer is required (got type str)

numpy.array

• 以下同array的性质相似

nparr  = np.array([i for i in range(10)])

nparr

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

nparr[5] = 100

nparr

array([  0,   1,   2,   3,   4, 100,   6,   7,   8,   9])

nparr[5]  = 'r'

---------------------------------------------------------------------------

ValueError                                Traceback (most recent call last)

<ipython-input-23-0f68c6bffbe5> in <module>()
----> 1 nparr[5]  = 'r'


ValueError: invalid literal for int() with base 10: 'r'

nparr.dtype

dtype('int32')

nparr[5] = 3.14

• 进行了隐式的数据转换

nparr

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

其它创建numpy.array的方法

• zeros方法生成元素为0的矩阵

• ones方法生成全为1的矩阵
• full方法可以进行填充一个值

np.zeros(10)

array([ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.])

np.zeros(10).dtype

dtype('float64')

np.zeros(10, dtype = int)

array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

np.zeros((3,5), dtype = int)

array([[0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0]])

np.ones(10)

array([ 1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.])

np.ones((3,5), dtype =int)

array([[1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1],
       [1, 1, 1, 1, 1]])

np.full((3,5), 10)

array([[10, 10, 10, 10, 10],
       [10, 10, 10, 10, 10],
       [10, 10, 10, 10, 10]])

np.full(shape=(3,5), fill_value=10)

array([[10, 10, 10, 10, 10],
       [10, 10, 10, 10, 10],
       [10, 10, 10, 10, 10]])

arange

• 功能类似于range，生成一个范围内的有一定步长的数组
• 但不同于range的是，在该方法中可以使用浮点型的数据作为输入

np.arange(0, 20, 2)

array([ 0,  2,  4,  6,  8, 10, 12, 14, 16, 18])

np.arange(0, 1, 0.1)

array([ 0. ,  0.1,  0.2,  0.3,  0.4,  0.5,  0.6,  0.7,  0.8,  0.9])

linspace

np.linspace(0, 20, 10)
# 生成0-20之间的等差数列，10个数，包含0和20

array([  0.        ,   2.22222222,   4.44444444,   6.66666667,
         8.88888889,  11.11111111,  13.33333333,  15.55555556,
        17.77777778,  20.        ])

np.linspace(0, 20, 11)

array([  0.,   2.,   4.,   6.,   8.,  10.,  12.,  14.,  16.,  18.,  20.])

random

np.random.randint(0, 10, size = 10)

array([8, 3, 9, 6, 3, 7, 1, 6, 8, 3])

• 因为用到的随机数都是伪随机数，所以在设定随机数种子之后，两次随机生成的数组是一样的

np.random.seed(1000)
np.random.randint(0, 10, size = 10)

array([3, 7, 7, 0, 1, 0, 9, 8, 9, 4])

np.random.seed(1000)
np.random.randint(0, 10, size = 10)

array([3, 7, 7, 0, 1, 0, 9, 8, 9, 4])

np.random.random()

0.8517471987138742

np.random.random(10)

array([ 0.57432043,  0.77250273,  0.9066506 ,  0.06032431,  0.02119571,
        0.90500709,  0.81729934,  0.08585602,  0.85544031,  0.24453192])

np.random.random((2,2))

array([[ 0.65856221,  0.47657574],
       [ 0.81632509,  0.24071122]])

nomal 生成指定均值，和方差的随机数

np.random.normal(loc=10,scale=100,size=10)

array([  37.77283981,   47.68117189,   18.13379194,  101.54615495,
         99.89578633,  -15.43312193,   24.73978704,  -54.9984287 ,
         70.59846046,  127.26178163])

• 在命令后面加上？可以看到产生文档所需要的参数

np.random.normal?