机器学习入门（二）---------numpy

学习“黑马程序员：13天机器学习入门”整理笔记备用，以防忘记，欢迎指教

ndarray：n维数组

一、创建

1、生成全0和1的数组

import numpy as np
np.ones(shape,dtype) #生成大小为shape的全1数组
np.zeros(shape,dtype) #生成大小为shape的全0数组
np.ones_like(a,dtype) #a : array_like; 生成与a形状相同的全1数组
np.zeros_like(a,dtype) #生成与a形状相同的全0数组

2、从现有数组生成

import numpy as np

np.array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0) #object：公开数组接口的任何对象，__array__方法返回数组的对象，或任何（嵌套）序列
np.asarray(a, dtype=None, order=None) #a : array_like

        np.array：创建一个新的，深拷贝

        np.asarray：索引形式，未创建一个新的，浅拷贝

3、生成固定范围的数组

np.linspace(start,stop,num,endpoint)#等差数列-指定数量
#start：序列的起始值
#stop：序列的终止值
#num：要生成的等间隔样例数量，默认值50
#endpoint：序列中是否包含stop值，默认为true

np.arange(start,stop,step,dtype)#等差数列-指定步长
#step:步长，默认为1

np.logspace(start,stop,num)#等比数列
#num：等比数列的数量，默认50

二、形状修改

np.reshape：返回一个具有相同数据，但shape不一样的视图，行列不进行互换

np.resize：修改了数组本身形状（前后数据元素个数要一致），行列不进行互换

np.T：数组转置，行列互换

eg：

 np.reshape：

import numpy as np
x = np.random.rand(3,4)
print(x)
x = x.reshape(4,3)
print(x)

 np.resize：

import numpy as np
xx = np.random.rand(3,4)
print(xx)
xx = xx.resize(4,3)
print(xx)

三、类型修改

np.astype(type) #返回修改类型之后的数组
np.tostring([order]) #or ndarrary.tobytes([order]) 构造包含数组中原始数据字节的Python字节

四、逻辑运算

#用于判断整个数组中的元素的值是否全部满足条件，如果满足条件返回True，否则返回False
np.all(a, axis=None, out=None, keepdims=<no value>)

#或操作，任意一个元素为True，输出为True
np.any(a, axis=None, out=None, keepdims=<no value>)

#满足条件(condition)，输出x，不满足输出y#
#复合逻辑结合np.logical_and和np.logical_or使用
np.where(condition, x, y)

五、数组与数组的运算

1、广播机制

        数组在进行矢量运算时要求数组的形状是相等的，当不相等时就会出现广播机制对数组进行扩展，使数组的shape属性值一样

        使用广播机制时，数组需要满足以下任一条件：

                数组的某一维度等长

                其中一个数组的某一维度为1

2、矩阵乘法

np.matmul(a,b)
np.dot(x,y)

区别：

        np.matmul中禁止矩阵与标量的乘法