机器学习---数据科学包---numpy基础运算

机器学习—数据科学包一

numpy的学习

numpy的属性

import numpy as np
array = np.array([[1, 2],
                  [3, 4],
                  [5, 6]])
print(array)
print('num of dim:', array.ndim)
print('shape:', array.shape)
print('size:', array.size)

输出

[[1 2]
 [3 4]
 [5 6]]
num of dim: 2
shape: (3, 2)
size: 6

numpy的创建array

array()

import numpy as np
array = np.array([2, 3, 4], dtype=np.int)
print(array.dtype)

输出：

int64

dtype还可以是 np.float np.int np.int32 np.int64等等
zeros()
输入：

a = np.zeros((3,4))
print(a)

输出:

[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]

np.ones()
np.empty()
arange()

a = np.arange(2,10,2)
print(a)

[2 4 6 8]

arange() reshape()

a = np.arange(12).reshape((3,4))
print(a)

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]

linspace()

a = np.linspace(1, 10 ,5)
print(a)

[ 1.  3.25  5.5  7.75 10. ]

numpy的基础运算一

import numpy as np
a = np.array([10,20,30,40])
b = np.arange(4)

print(a, b)
c = a+b
d = a-b
print(c)
print(d)

输出：

[10 20 30 40] [0 1 2 3]
[10 21 32 43]
[10 19 28 37]

平方 b**2
np.sin()
np.cos()

b = np.arange(4)
print(b<3)

输出

[ True  True  True False]

乘法

a = np.array([[1,1],
              [0,1]])
b = np.arange(4).reshape((2,2))

c = a*b  //按位乘
d = np.dot(a,b)  //标准的矩阵乘法 dot()
e = a.dot(b)

print(c)
print(d)
print(e)

输出：

[[0 1]
 [0 3]]
[[2 4]
 [2 3]]
[[2 4]
 [2 3]]

输入：

a = np.random.random([2,4])
print(a)
print(np.sum(a))
print(np.max(a))
print(np.min(a))

输出：

[[0.94885187 0.38031492 0.213684   0.22319111]
 [0.0539021  0.47663326 0.26024245 0.71382893]]
3.2706486386349116
0.9488518713445446
0.05390209558116199

行运算
np.sum(a, axis=1)
列运算
np.sum(a, axis=0)
输入：

a = np.random.random([2,4])
print(a)
print(np.sum(a, axis=1)) //每行求和
print(np.max(a, axis=0))  //每列最大的
print(np.min(a, axis=1))  //每列最小的

输出：

[[0.80573928 0.70621011 0.15774035 0.75615217]
 [0.47725911 0.62603335 0.09190359 0.97828574]]
[2.42584192 2.1734818 ]
[0.80573928 0.70621011 0.15774035 0.97828574]
[0.15774035 0.09190359]

numpy的基础运算二

最小值 最大值的索引

a = np.arange(2,14).reshape((3,4))
print(a)
print(np.argmin(a))  //最小值的索引
print(np.argmax(a))  //最大值的索引

输出：

[[ 2  3  4  5]
 [ 6  7  8  9]
 [10 11 12 13]]
0
11

平均值

a = np.arange(2,14).reshape((3,4))

print(np.mean(a))
print(a.mean())
print(np.average(a))

中位数
np.median(a)
逐渐相加

a = np.arange(2,14).reshape((3,4))

print(a)
print(np.cumsum(a))

输出：

[[ 2  3  4  5]
 [ 6  7  8  9]
 [10 11 12 13]]
[ 2  5  9 14 20 27 35 44 54 65 77 90]

每个数相差

a = np.arange(2,14).reshape((3,4))

print(a)
print(np.diff(a))

输出：

[[ 2  3  4  5]
 [ 6  7  8  9]
 [10 11 12 13]]
[[1 1 1]
 [1 1 1]
 [1 1 1]]

找出非零的数
np.nonzero(a)
逐行排序
np.sort(a)
矩阵按对角线反转 转置矩阵
np.transpose(a)
a.T
给定一个矩阵，矩阵里小于5的数置为5，大于9的数置为9，中间的数不变
np.clip(a, 5, 9)

numpy的索引

a = np.arange(3,15).reshape((3,4))

print(a)
print(a[2][1])
print(a[2,1])
print(a[2,:])
print(a[:,1])
print(a[1,1:3])

输出：

[[ 3  4  5  6]
 [ 7  8  9 10]
 [11 12 13 14]]
12
12
[11 12 13 14]
[ 4  8 12]
[8 9]

迭代

a = np.arange(3,15).reshape((3,4))

print(a)
for row in a:
    print(row)

for col in a.T:
    print(col)

print(a.flatten())
for item in a.flat:
    print(item)

输出：

[[ 3  4  5  6]
 [ 7  8  9 10]
 [11 12 13 14]]
 
[3 4 5 6]  //行迭代
[ 7  8  9 10]
[11 12 13 14]

[ 3  7 11]   //列迭代
[ 4  8 12]
[ 5  9 13]
[ 6 10 14]

[ 3  4  5  6  7  8  9 10 11 12 13 14]
3
4
5
6
7
8
9
10
11
12
13
14

numpy的array合并

合并
输入：

a = np.array([1,1,1])
b = np.array([2,2,2])

print(np.vstack((a,b)))
print(np.hstack((a,b)))

输出：

[[1 1 1]
 [2 2 2]]
[1 1 1 2 2 2]

数组 加纬度
[3: ] 变成[3:1]

a = np.array([1,1,1])[:,np.newaxis] 
b = np.array([2,2,2])[:,np.newaxis]

print(np.vstack((a,b)))
print(np.hstack((a,b)))

多个array合并

a = np.array([1,1,1])[:,np.newaxis]
b = np.array([2,2,2])[:,np.newaxis]

c=np.concatenate((a,b,b,a), axis=0)
print(c)
d=np.concatenate((a,b,b,a), axis=1)
print(d)

numpy的array分割

逐行分割 axis=1
逐列分割 axis=0

a = np.arange(12).reshape((3,4))
print(a)
print(np.split(a,3,axis=0))
print(np.split(a,2,axis=1))

结果：

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]
[array([[0, 1],
       [4, 5],
       [8, 9]]), array([[ 2,  3],
       [ 6,  7],
       [10, 11]])]

不等分 分割

a = np.arange(12).reshape((3,4))
print(a)
print(np.array_split(a,3,axis=1))

结果：

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[array([[0, 1],
       [4, 5],
       [8, 9]]), array([[ 2],
       [ 6],
       [10]]), array([[ 3],
       [ 7],
       [11]])]

另一种分割 垂直 or 水平

a = np.arange(12).reshape((3,4))
print(a)

print(np.vsplit(a,3))
print(np.hsplit(a,2))

结果：

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]
[array([[0, 1],
       [4, 5],
       [8, 9]]), array([[ 2,  3],
       [ 6,  7],
       [10, 11]])]

numpy的copy & deep copy

输入：

a = np.arange(4)
b=a
d=b
a[0]=99
print(a)
print(b)
print(d)
d[0]=99999
print(d)
print(a)

输出：

[99  1  2  3]
[99  1  2  3]
[99  1  2  3]
[99999     1     2     3]
[99999     1     2     3]

直接赋值，改变影响所有
deep copy
仅此一次赋值

a = np.arange(4)
b=a.copy()

a[0]=99999
print(a)
print(b)

输出：

[99999     1     2     3]
[0 1 2 3]