人工智能基础（六） numpy基础学习

numpy基础学习

numpy 优势

1.定义

开源的Python科学计算库，用于快速处理任意纬度的数组
numpy中，存储对象是ndarry
2.创建

np.array([])

3.numpy的优势

• 内存块风格 ----- 一体式存储
• ndarray支持并行化运算（向量化运算）
• 效率远高于纯Python代码 — 底层使用了C，内部释放了GIL

N维数组 – ndarry

1.ndarray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()
三维数组不好理解 – excel中有多个sheet

3.ndarry的类型
bool
int
float
str
…
注意：若不指定，整数默认Int, 小数默认float

基本操作

生成数组的方法
1.1 生成0和1的数组

np.ones()
np.ones_like()

2.从现有数组中生成

np.array – 深拷贝
np.asarray – 浅拷贝

3.生成固定范围数组
np.linspace (start, stop, num, endpoint)
num — 生成等间隔的多少个
np.arange(start,stop, step, dtype)
step — 每间隔多少生成数据
np.logspace(start,stop, num)
生成以10的N次幂的数据

生成随机数组

1.均匀分布生成
np.random.uniform()
low
high
size

2.正态分布
均值，方差
均值 — 图形的左右位置
方差 — 图像是瘦，还是胖
值越小，图形越瘦高，数据越集中
值越大，图形越矮胖，数据越分散

3.正态分布API
np.random.normal()
low
high
size

数组索引切片

直接索引，先对行进行索引，再进行列的索引
高维数组索引，从宏观到微观

形状修改

1.对象.reshape
不进行行列互换，产生新变量
2.对象.resize
进行行列互换，对原值进行更改
3.对象.T
进行行列互换

类型修改

对象.astype()

数组去重

np.unique()

ndarray运算

1.逻辑运算

大于，小于直接进行判断
赋值：满足要求，直接进行赋值

2.通用判断函数

np.all()
所有满足要求，才返回ture
np.any()
只要有一个满足要求，就返回true

3.三元运算符
np.where()
满足要求赋值给第一个值，否则赋值给第二个值
np.logical_and()
并
np.logical_or()
或

4.统计运算
min
max
midian
mean
std — 标准差
var — 方差
argmax — 最大值方差
argmin — 最小值方差