numpy

默默不哇事

已于 2022-07-04 10:55:41 修改

阅读量579

点赞数

文章标签： numpy python 机器学习

于 2022-07-03 15:12:49 首次发布

本文链接：https://blog.csdn.net/weixin_45046542/article/details/125584833

版权

numpy

1.导包

import numpy as np

2.将列表转化为数组

array = np.array([[1,2,3],
                 [2,3,4]])

3.创建矩阵

1 直接利用array（）

（1）创建一维矩阵

a = np.array([22,23,4],dtype=np.int64) # dype=np.int64 可选择不写

（2）创建二维矩阵

a = np.array([[1,2,3],
                 [2,3,4]])

2 创建空矩阵zeros((a,b))

c = np.zeros((3,4))

3 创建全1矩阵ones((a,b))

d = np.ones((3,4))

4 利用arange（），还可以对其进行规定形状利用reshape（a,b)

arrange(a,b,c)——————>[a,b)，其中c为步长

e = np.arange(10,20,2)

arrange(a,b,c).reshape(d,e)——>d为矩阵的行数，e为矩阵的列数

f = np.arange(12).reshape(3,4)

5 linspace (a,b,c).reshape(d,e)——>[a,b],c为在[a,b]中产生20个数，等差数列

g = np.linspace(1,10,20).reshape(4,5)

6 random.random((a,b))

a = np.random.random((2,4))
print(a)

4.矩阵的一些附加函数

ndim 、shape、size

# 数组为几维
print('number of dim',array.ndim)
# 数组为几行几列
print('shape',array.shape)
# 数组的大小
print('size',array.size)

5.numpy的基础运算

1 + 、-、*、/

a= np.array([10,20,30,40])
b = np.array(4)
print(a)
print(b)
c = a-b	# -
print(c)
d = 10*np.sin(a) # *
print(d<3)
print(d)

2 矩阵的运算

(1) ‘*’ 矩阵中所对应的数字相乘

a = np.array([[1,2],
              [4,5]])
b = np.arange(4).reshape(2,2)
print('矩阵a',a)
print('矩阵b',b)
# a和b逐个相乘
c = a*b
print('a,b对应的数字相乘',c)

(2) 'dot()'正常的矩阵相乘

d_dot=np.dot(a,b)

3 矩阵的一些基本函数

（1）sum、max、min

a = np.random.random((2,4))
print(a)
# sum、max、min max(a,axis=1) 当axis=1时，就是每行最大值。axis=0时，就是每列最大值
print(np.sum(a),np.max(a,axis=0),np.min(a))

（2）argmin(a) 数组中最小值的一个索引

A = np.arange(2,14).reshape((3,4))
print('打印出A',A)
# 数组中最小值的一个索引
print(np.argmin(A))

（3）argmax(a) 数组中最大值的一个索引

# 数组中最大值的一个索引
print(np.argmax(A))

（4）argmean(a) 整个数组中的一个平均值

# 整个数组中的一个平均值
print(np.mean(A))

（5）cumsum(a) 逐步累加

# 逐步累加
print(np.cumsum(A))

（6） diff(a) 逐步累差

print('逐步累差',np.diff(A))

（7）nonzero(a) 找出非零的数

print(np.nonzero(A))

（8）transpose()为求其转置矩阵、A.T也是转置矩阵

A = np.arange(14,2,-1).reshape((3,4))
print('A',A)
# transpose()为求其转置矩阵、其（x.T）也是转置矩阵
print('A.T',np.transpose(A))
print(A.T.dot(A))

（9）截取clip(x,a,b) scope（5,9）保留，>b变成b，小于a变成a

print(A)
print(np.clip(A,5,9))

拓展axis=0/1

# 求平均值mean(a,aixs=0/1) when aixs=0,就是对列进行操作 when axis=1，就是对行操作
print(np.mean(A,axis=0))
print(np.mean(A,axis=1))

6.numpy索引操作

# numpy 索引
A = np.arange(3,15).reshape((3,4))
print(A)
print(A[2]) # 输出一行的东西
print(A[2][0]) # 根据索引进行查找

7.遍历操作

1 对矩阵进行行列遍历

for row in A:
    print(row)
print("对行进行遍历\n")
for column in A.T:
    print(column)
print("对列进行遍历\n")

2 将矩阵变换成一行 flatten（）

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

8.numpy的array合并

vstack((a,b))上下合并、hstack((a,b))水平合并

# numpy的array合并
A = np.array([1,1,1])
B = np.array([2,2,2])
C = np.vstack((A,B)) # vertical stack
D = np.hstack((A,B)) # horizontal
print('c',C) # vertical stack上下合并
print('D',D) # horizontal 水平合并
print(A[:,np.newaxis])
'''
A[:,np.newaxis]输出为：
[[1]
 [1]
 [1]]
'''

9. numpy的array()的分割

1 均分操作split（A,a,axis=0/1）

# numpy的array分割
A = np.arange(12).reshape((3,4))
print("输出A")
print(A)
print(np.split(A,2,axis=1)) # 将其分成2部分，axis=1将其进行对其列向分割
print ("横向分割")
print(np.split(A,3,axis=0)) # 将其进行分成3部分，axis=0将其进行横向分割
 # print(np.split(A,3,axis=1)) # array split does not result in an equal division ,无法对其进行平均分割，会报错

2 不均分操作 array_split(A，a,axis=0/1)、vsplit（A,a）、hsplit(A,a)

print("不均等分割")
print(np.array_split(A,3,axis=1))
print("jajjaaj\n")
print(np.vsplit(A,3)) # 横向分割
print("xixixii\n")
print(np.hsplit(A,2)) # 纵向分割

print("-------------------------------------------------------------------------------------------------------------")
# numpy的copy & deep copy
a = np.arange(4)
print(a)