【机器学习入门】numpy的主要用法

1、numpy.array
基本操作与Python的list差不多
其他操作：

np.zeros(10,dtype=int) # 生成10个0，类型为整型
np.zeros(shape=(3,5),dtype=int) # 生成3行5列的类型为整型的矩阵 
np.ones(10,dtype=int)  # 生成10个5，整型

np.full(shape=(3,5),fill_value=666) # 生成3行5列，值为666的整型矩阵

2、numpy.arange
基本操作与range一样
numpy可传入浮点数

np.arange(0,9,0.2) # 从0到9，步长为0.2,生成array

3、numpy.linspace（包含起始终止点）
等长截取数列

 np.linspace(1,10,2) # 从1到10，等长分为2个

4、numpy.random（前闭后开，取不到终止数）

np.random.randint(0,10,size=10) # 随机生成长度为10，从0到10的array
np.random.randint(0,10,size=(3,5)) # 随机生成3行5列，从0到10的array

np.random.seed (123) # 随机种子,使random出来的是指定的
np.random.random() # 类型为浮点型

np.random.normal(0,1,(3,5)) # 根据均值和方差产生浮点数,均值为0，方差为1，3行5列

5、numpy.concatenate([x,y]) # 拼接x,y

np.concatenate([x,y],axis=1) # axis为纬度，这里沿着行进行拼接，结果为2维，0为沿着列

6、numpy.vstack()\numpy.hstack() #在竖直或水平方向上进行堆叠

7、numpy.split(x,[3,7]) # 分割,起始分割点为3，结尾为7
np.vsplit(a,[2]) # 垂直分割，起始点为2

juper notebook中可以在末尾用"?"来查看文档

对于X=np.array()

属性：
1、X.ndim
查看纬度

2、X.shape
查看结构

3、X.size
查看大小

方法：
X.reshape(2,5) # 根据对象生成2行5列的矩阵，注意，不改变X自身

取值：
1、X[0,:] # 取第一行，列取从头到尾

计算

给定一个向量，让向量中每一个数乘以2

L=np.arange(10000)
A=np.array(2*e for e in L)

上面的操作等价于

A=2*L # 在list中不行，list是将两个数组连接起来

numpy中支持所有的直接数学计算，包括矩阵（对应元素计算），同时支持函数，比如A.cos()等

矩阵计算
矩阵乘法：A.dot(B)
矩阵转置：A.T
矩阵的逆：
np.linalg.inv(A) # 矩阵必须是方阵
np.linalg.pinv(A) # 伪逆矩阵，不需要是方阵，如2X8的矩阵求逆后就是8X2，与原矩阵相乘近乎为单位阵
矩阵的排序：A.sort() # 默认按照每一行排序,沿着列的方向排序，即axis=1

向量矩阵运算
向量与矩阵相加：

v=np.array([1,2])
v+A # 矩阵中每一行与向量对应相加

向量与矩阵相乘：

v.dot(A)

聚合计算
一组数据进行计算，结果为单独的值
求和：

np.sum() # 效率比公共库sum()高
np.sum(A,axis=0) # 每一列进行计算（沿着行进行计算，去行）
np.sum(A,axis=1) # 每一行进行计算（沿着列进行计算，去列）

求积：

np.prod()

求百分位：

np.percentile(A,q=50) # 小于50有多少百分位

最小值:

np.min()

中位数：

np.median()

平均值：

np.mean()

方差：

np.var()

标准差：

np.std()

索引与排序

np.argmin() # 返回最小值的索引值
np.argsort() # 将从小到大的数进行排序，并把索引值存入array
np.partition(x,3) # 将小于3的放左边，大于3的放右边，不进行排序

Fancy Indexing

取索引值相应的值组成列表

index=[3,5,8]
x[index]

即可得到，这里的index也可以是二维数据，得到对应的二维矩阵

取对应坐标对应的值组成列表

row=[0,1,2]
col=[0,1,2]
x[row,col]

即可得到想要的值

col=[True,False,True]
x[row,col]

也可以用这种方式取得想要的值

比较
x<3
返回bool型的数组

np.sum(x<3) # 计算小于3的数组的值，这个数组是布尔数组，计算的也就是小于3有多少个数

同理，可统计奇偶数

np.sum(x%2==0)

与或非的使用

np.sum((x>3)&(x<10)) # 与运算，和位运算相似

np.sum((x>3) | (x<3)) #或运算

np.sum(-(x>3)) #非运算

取值

x[x>2]

以上就是numpy的主要用法，一般用来处理简单的数据，复杂的数据，都先用pandas,然后转成numpy，最后用sklearn进行机器学习运算