python机器学习实战|机器学习入门笔记2-Numpy基础知识

Numpy

1.Numpy优势

• 开源的python科学计算库，用于快速处理任意维度的数组Numpy中，存储对象是ndarray
• 创建np.array([])
• 内存块风格 – 一体式存储
• 支持并行化运算
• 效率高于纯python代码–内部释放了GIL

2.N维数组-ndarray

1.ndarray的属性

属性名字	属性解释
ndarray.shape	数组维度的元组
ndarray.ndim	数组维数
ndarray.size	数组中的元素数量
ndarray.itemsize	一个数组元素的长度(字节)
ndarray.dtype	数组元素的类型

2.ndarray的形状
np.array()

3.ndarray的类型
bool、int、float、str…
若不指定，整数默认int64，小数默认float64

3.基本操作

3.1.生成数组方法

1.生成0和1的数组

• np.ones()
• np.ones_like()
• np.zeros()
• np.zeros_like()

import numpy as np
a=np.ones((3,5))
a
b=np.zeros_like(a)
b

2.从现有数组中生成

• np.array() – 深拷贝（相当于复制现有的数组，不会因为上边数组的变化而变化
• np.asarray() – 浅拷贝（会因为现有数组的数据变化而变化）

3.生成固定范围数组

• np.linspace(start,stop,num,dtype)
  • num – 生成等间隔的多少个

np.linspace(0,100,9,float)

• np.arange(start,stop,step,dtype)
  • step – 每间隔多少生成数据

np.arange(0,100,9,float)

• np.logspace(start,stop,num,endpoint)

np.logspace(0,3,num=5)

4. 生成随机数组

• 均匀分布生成
  • np.random.uniform(low,high,size)
  • low – 最小值
  • high – 最大值
  • size – 数组形状

a=np.random.uniform(0,2,(5,9))

• 正态分布
  • np.random.normal(loc,scale,size)
  • loc – 均差
  • scale – 方差
  • size – 数组形状

在这里插入代码片

案例：

import matplotlib.pyplot as plt 
import numpy as np
x=np.random.normal(5,0.2,100000000)
plt.figure(figsize=(20,8),dpi=100)
plt.hist(x,bins=1000)
plt.show()

生成图像：

3.2数组的索引、切片

直接索引
先对行进行索引，在进行列索引
高维数组索引，从宏观到微观

3.3形状修改

1.对象.reshape()

• 不进行行列互换，产生新变量

2.对象.resize()

• 不进行行列互换，直接对原值进行更改
  3.对象.T()
• 转置，进行行列互换

import numpy as np
a=np.random.normal(48,0.6,(5,4))
print(a)
print(a.reshape([4,5]))
print(a.reshape([-1,10]))
print(a.resize([4,5]))
print(a.T)

3.4类型修改

对象.astype()

3.5数组去重

np.unique()

4.ndarray运算

4.1逻辑运算

• 大于、小于直接进行判断
• 赋值：满足要求进行赋值，a[a>1]=2

4.2通用判断函数

• np.all()
  所有满足要求，才返回True
• np.any()
  只要有一个满足要求，才返回True

4.3三元运算符

• np.where()
  满足要求，赋值第一个值，否则赋值第二个值
• np.logical_and()
  并
• np.logical_or()
  或

4.4统计运算

• .min() – 最小值
• .max() – 最大值
• .median() – 中位数
• .mean() – 平均值
• .std() – 标准差
• .var() – 方差

import numpy as np
b=np.random.normal(5,0.3,(5,4))
b1=b[:3,:3]
b1>4.8 #逻辑运算
b1[b1>4.8]=5 #赋值
b1
np.any(b1>4.5)
np.all(b1>8)
np.where(b1>4.8,4,3) #b1中大于4.8的元素赋值为4，否则赋值为3
np.logical_and(b1>3.5,b1<5)
np.logical_or(b1>4,b1<5)
b1.min(axis=1) #求每一行最小值
b1.max(axis=0) #求每一列最大值

5.矩阵

5.1数组间的运算

1.数组和数字是直接可以进行运算
2.数组和数组
需要满足广播机制、维度相同、shape对应位置为1

5.2矩阵乘法

• np.dot() – 点乘
• np.matmul() – 矩阵相乘
• 两个矩阵在进行相乘时上边两个没有区别，但dot支持矩阵和数字相乘，matmul不支持