numpy函数浅析

前言

最近机器学习中用到numpy，发现里面的很多函数，都不太了解，所以总结一下，以加深理解；

numpy 函数

argsort函数

argsort()函数：将数组中的元素从小到大排列，返回对应的index(索引)数组

import numpy as np
x=np.array([1,5,3,-2,6,8,9])
print(x)  ##[ 1  5  3 -2  6  8  9]
print(type(x)) ##<class 'numpy.ndarray'>
y=x.argsort() 
pirnt(y) ##[3 0 2 1 4 5 6]
print(type(y))##<class 'numpy.ndarray'>

解析：x数组中-2是最小的，其下标为3，其他同上；

zeros函数

import numpy as np
print(np.zeros((2,3),dtype = np.int32 ))
[[0 0 0]
 [0 0 0]]

总结：
zeros函数：返回来一个给定形状和类型的用0填充的数组；
zeros(shape, dtype=float, order=‘C’)
shape:形状
dtype:数据类型，可选参数，默认numpy.float64
order:可选参数，c代表与c语言类似，行优先；F代表列优先

ravel和 flatten函数

首先声明两者所要实现的功能是一致的（将多维数组降位一维），这点类似spark中的flatmap，其中ravel中文意思是散开，解开，flatten中文意思是变平；

##flatten函数
import numpy as np
x =np.array([[2,3],[4,5]])
a = x.flatten()
print(a)
a[1] =100
print(a)
print(x)

[2 3 4 5]
[ 2 100 4 5]
[[2 3]
[4 5]]

##ravel函数
import numpy as np
x =np.array([[2,3],[4,5]])
a = x.ravel()
print(a)
a[1] =100
print(a)
print(x)

[2 3 4 5]
[ 2 100 4 5]
[[ 2 100]
[ 4 5]]
总结：numpy.flatten()返回一份拷贝，对拷贝所做的修改不会影响原始矩阵，而numpy.ravel()返回的是视图，会影响原始矩阵；

shape函数

shape是查看数据有多少行多少列

import numpy as np
a = np.array([1,2,3,9,5,6,7,8])  #一维数组
print(a.shape[0])  #值为8，因为有8个数据
print(a.shape) 
b = np.array([[1,2,3,9],[5,6,7,8]])  #二维数组
print(b.shape[0])  #值为2，最外层矩阵有2个元素，2个元素还是矩阵。
print(b.shape[1])  #值为4，内层矩阵有4个元素。
print(b.shape)

8
(8,)
2
4
(2, 4)

reshape函数

reshape(1,-1)转化成1行：
reshape(-1,1)转换成1列：
reshape(2,-1)转换成两行：
reshape(-1,2)转化成两列：
reshape(2,4)转化成两行四列：

import numpy as np
x =np.array([[2,3,4,5],[4,5,6,7]])
a = x.reshape(-1,1)
b=x.reshape(1,-1)
c=x.reshape(2,4)
print(a)
print(b)
print(c)

[[2]
[3]
[4]
[5]
[4]
[5]
[6]
[7]]
[[2 3 4 5 4 5 6 7]]
[[2 3 4 5]
[4 5 6 7]]