文章目录
- 一、numpy的重要性
- 二、numpy 的array操作
- 三、array 的数学运算
- 总结
前言
新的学期开始了,开始学习深度学习和神经网络了,之后要在这发实验了,最希望的还是,请各位大佬多批评指正,让我学到更多的知识,同时也希望我写的东西能够在大家查东西时提供一些帮助,更欢迎大家指出我的错误或者教教我深度学习咋学。
一、numpy 的重要性
各位大佬,我知道你们不想听我废话了,可是我还是要说,在上学期学习机器学习时,我习惯于用pandas,因为pandas读取数据之后,它是有标签的,而且你还可以设置要不要标签,所以在写决策树等算法时我更习惯于用pandas,一般只有画图时,我把pandas转化成numpy,用的是.values方法,但是numpy和pandas作为两大主流,numpy是非常重要的,下面是两张我用numpy做的词云来表达,numpy的重要性和我对nunmpy的敬仰。
二、numpy 的array操作
1.导入numpy库
import numpy as np #也可以写为 import numpy
2.建立一个一维数组 a 初始化为[4,5,6], (1)输出a 的类型(type)(2)输出a的各维度的大小(shape)(3)输出 a的第一个元素(值为4)
a=np.array([4,5,6]) #array函数为创建numpy的数组
print(a) #输出a
print(type(a)) #type函数是输出a的类型
print(np.shape(a)) #shape函数是输出a几x几的矩阵,其实a.shape用的更广泛
print(a[0]) #由于是一维的数组,从0开始,a[0]为第一个元素
运行结果为:
[4 5 6]
<class 'numpy.ndarray'>
(3,)
4
此时要注意type和dtype的区别,type是整体的类型,dtype是元素的类型。
3.建立一个二维数组 b,初始化为 [ [4, 5, 6],[1, 2, 3]] (1)输出各维度的大小(shape)(2)输出 b(0,0),b(0,1),b(1,1) 这三个元素(对应值分别为4,5,2)
b=np.array([[4,5,6],[1,2,3]]) #创建2x3的数组
print(b) #输出b
print(np.shape(b)) #输出b是几x几的矩阵
print(b[0,0]) #因为是2维矩阵,从横纵都是从零开始
print(b[0,1]) #(0,1)是第一行第二个
print(b[1,1]) #(0,2)是第一行第三个
运行结果为:
[[4 5 6]
[1 2 3]]
(2, 3)
4
5
2
4. (1)建立一个全0矩阵 a, 大小为 3x3; 类型为整型(提示: dtype = int)(2)建立一个全1矩阵b,大小为4x5; (3)建立一个单位矩阵c ,大小为4x4; (4)生成一个随机数矩阵d,大小为 3x2.
a=np.zeros((3,3),dtype=int) #zeros是全零的矩阵
b=np.ones((4,5),dtype=int) #ones是全一的矩阵
c=np.eye(4,dtype=int) #eye是单位矩阵,因为是方阵所以就一个参数即可
d=np.random.rand(3,2) #random.rand是生成随机矩阵,每个数值大小在0-1之间
print(a)
print(b)
print(c)
print(d)
运行结果为:
[[0 0 0]
[0 0 0]
[0 0 0]]
[[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]
[1 1 1 1 1]]
[[1 0 0 0]
[0 1 0 0]
[0 0 1 0]
[0 0 0 1]]
[[0.10440927 0.40176658]
[0.36228629 0.64412356]
[0.27924824 0.48422004]]
注意第一个参数用括号括起来,在函数中,那是第一个参数
5. 建立一个数组 a,(值为[[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]] ) ,(1)打印a; (2)输出 下标为(2,3),(0,0) 这两个数组元素的值
a=np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]]) #生成2x4维的矩阵
print(a)
print(a[2,3])
print(a[0,0])
运行结果为:
[[ 1 2 3 4]
[ 5 6 7 8]
[ 9 10 11 12]]
12
1
6.把上一题的 a数组的 0到1行 2到3列,放到b里面去,(此处不需要从新建立a,直接调用即可)(1),输出b;(2) 输出b 的(0,0)这个元素的值
b=a[0:2,2:4] #属于切片的应用,即横坐标从0到1,纵坐标从2到3
print(b)
print(b[0,0])
运行结果为:
[[3 4]
[7 8]]
3
注意不包含:后边的,只取到:之前 的
7. 把第5题中数组a的最后两行所有元素放到 c中,(提示: a[1:2, :])(1)输出 c ; (2) 输出 c 中第一行的最后一个元素(提示,使用 -1 表示最后一个元素)
c=a[1:3,:]
print(c)
print(c[0,-1]) #注意-1是倒着数,即从右往左,从下往上
运行结果为:
[[ 5 6 7 8]
[ 9 10 11 12]]
8
8.建立数组a,初始化a为[[1, 2], [3, 4], [5, 6]],输出 (0,0)(1,1)(2,0)这三个元素(提示: 使用 print(a[[0, 1, 2], [0, 1, 0]]) )
a=np.array([[1,2],[3,4],[5,6]])
print(a[[0,1,2],[0,1,0]]) #这个选取方式是前边和后边组合起来是坐标
运行结果为:
[1 4 5]
9.建立矩阵a ,初始化为[[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]],输出(0,0),(1,2),(2,0),(3,1) (提示使用 b = np.array([0, 2, 0, 1]) print(a[np.arange(4), b]))
a=np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])
b=np.array([0,2,0,1])
print(a[np.arange(4),b]) #这个选取方式与上一个类似,同样是前边和后边组合起来
运行结果为:
[ 1 6 7 11]
10.对9 中输出的那四个元素,每个都加上10,然后重新输出矩阵a.(提示: a[np.arange(4), b] += 10 )
a=np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])
b=np.array([0,2,0,1])
a[np.arange(4),b]+=10 #选取方式不变,只是每个元素+10
print(a)
运行结果为:
[[11 2 3]
[ 4 5 16]
[17 8 9]
[10 21 12]]
三、array 的数学运算
11. 执行 x = np.array([1, 2]),然后输出 x 的数据类型
x=np.array([1,2])
print(x.dtype) #dtype输出的是元素的类型
运行结果为:
int32
12.执行 x = np.array([1.0, 2.0]) ,然后输出 x 的数据类类型
x=np.array([1.0,2.0]) #以浮点数创建数组
print(x.dtype)
运行结果为:
float64
13.执行 x = np.array([[1, 2], [3, 4]], dtype=np.float64) ,y = np.array([[5, 6], [7, 8]], dtype=np.float64),然后输出 x+y ,和 np.add(x,y)
x=np.array([[1,2],[3,4]],dtype=np.float64)
y=np.array([[5,6],[7,8]],dtype=np.float64)
print(x+y) #注意矩阵相加
print(np.add(x,y)) #注意矩阵相加
运行结果为:
[[ 6. 8.]
[10. 12.]]
[[ 6. 8.]
[10. 12.]]
无论是“+”号还是np.add()函数都是让矩阵相加
14. 利用 13题目中的x,y 输出 x-y 和 np.subtract(x,y)
x=np.array([[1,2],[3,4]],dtype=np.float64)
y=np.array([[5,6],[7,8]],dtype=np.float64)
print(x-y)
print(np.subtract(x,y))
运行结果为:
[[-4. -4.]
[-4. -4.]]
[[-4. -4.]
[-4. -4.]]
无论是“-”号还是np.subtract()函数都是让矩阵相减
15. 利用13题目中的x,y 输出 x*y ,和 np.multiply(x, y) 还有 np.dot(x,y),比较差异。然后自己换一个不是方阵的试试。
x=np.array([[1,2],[3,4]],dtype=np.float64)
y=np.array([[5,6],[7,8]],dtype=np.float64)
print(x*y)
print(np.multiply(x,y))
print(np.dot(x,y))
''' #这是当a、b不为方阵的情况,运行可知dot函数运行报错其他正常
a=np.array([[1,2,3],[4,5,6]],dtype=np.float64)
b=np.array([[7,8,9],[10,11,12]],dtype=np.float64)
print(a*b)
print(np.multiply(a,b))
print(np.dot(a,b))
'''
运行结果为:
[[ 5. 12.]
[21. 32.]]
[[ 5. 12.]
[21. 32.]][[19. 22.]
[43. 50.]]
x*y和 np.multiply(x, y)是对x和y对应位置的元素相乘,np.dot(x,y)是矩阵x和y相乘
x*y和 np.multiply(x, y)需要x和y的行列数相同,np.dot(x,y)需要满足矩阵运算规则,即x的列数和y的行数相同
16. 利用13题目中的x,y,输出 x / y .(提示 : 使用函数 np.divide())
x=np.array([[1,2],[3,4]],dtype=np.float64)
y=np.array([[5,6],[7,8]],dtype=np.float64)
print(x/y) #对应位置相除
print(np.divide(x,y)) #对应位置相除
运行结果为:
[[0.2 0.33333333]
[0.42857143 0.5 ]][[0.2 0.33333333]
[0.42857143 0.5 ]]
x/y和np.divide()函数都可以表示矩阵对应位置相除
17. 利用13题目中的x,输出 x的 开方。(提示: 使用函数 np.sqrt() )
x=np.array([[1,2],[3,4]],dtype=np.float64)
y=np.array([[5,6],[7,8]],dtype=np.float64)
print(np.power(x,1/2))
print(np.sqrt(x))
运行结果为:
[[1. 1.41421356]
[1.73205081 2. ]][[1. 1.41421356]
[1.73205081 2. ]]
numpy中power函数表示的是x的几次方,sqrt函数只能表示开平方 ,所以在power取1/2时两者相同
18.利用13题目中的x,y ,执行 print(x.dot(y)) 和 print(np.dot(x,y))
x=np.array([[1,2],[3,4]],dtype=np.float64)
y=np.array([[5,6],[7,8]],dtype=np.float64)
print(x.dot(y)) #矩阵乘法
print(np.dot(x,y)) #矩阵乘法
运行结果为:
[[19. 22.]
[43. 50.]]
[[19. 22.]
[43. 50.]]
x.dot(y)和np.dot(x,y)函数的效果相同,都是让x按矩阵乘法乘以y
19.利用13题目中的 x,进行求和。提示:输出三种求和 (1)print(np.sum(x)): (2)print(np.sum(x,axis =0 )); (3)print(np.sum(x,axis = 1))
x=np.array([[1,2],[3,4]],dtype=np.float64)
y=np.array([[5,6],[7,8]],dtype=np.float64)
print(np.sum(x))
print(np.sum(x,axis=0)) #相当于按行加,sum=a[0][n1]+a[1][n1],n1的为纵坐标可取的所有值
print(np.sum(x,axis=1)) #相当于按列加,sum=a[n1][0]+a[n1][1],n1的为行坐标可取的所有值
运行结果为:
10.0
[4. 6.]
[3. 7.]
X | 0 | 1 |
0 | 1 | 2 |
1 | 3 | 4 |
当axis=0时,sum=a[0][n1]+a[1][n1],n1的为纵坐标可取的所有值,即为上图中的第一行加第二行
当axis=1时,sum=a[n1][0]+a[n1][1],n1的为行坐标可取的所有值,即为上图中的第一列加第二列
20.利用13题目中的 x,进行求平均数(提示:输出三种平均数(1)print(np.mean(x)) (2)print(np.mean(x,axis = 0))(3) print(np.mean(x,axis =1)))
x=np.array([[1,2],[3,4]],dtype=np.float64)
y=np.array([[5,6],[7,8]],dtype=np.float64)
print(np.mean(x))
print(np.mean(x,axis=0)) #按行求平均
print(np.mean(x,axis=1)) #按列求平均
运行结果为:
2.5
[2. 3.]
[1.5 3.5]
这个的axis的用法和上一题的加和是一样的,可以理解成加和玩之后,再除以相应的行数或者列数。
21.利用13题目中的x,对x 进行矩阵转置,然后输出转置后的结果,(提示: x.T 表示对 x 的转置)
x=np.array([[1,2],[3,4]],dtype=np.float64)
y=np.array([[5,6],[7,8]],dtype=np.float64)
print(x.T) #.T和线性代数中一样是转置的用法
运行结果为:
[[1. 3.]
[2. 4.]]
22.利用13题目中的x,求e的指数(提示: 函数 np.exp())
x=np.array([[1,2],[3,4]],dtype=np.float64)
y=np.array([[5,6],[7,8]],dtype=np.float64)
print(np.exp(x)) #这个是每个元素变成e的相应次方
运行结果为:
[[ 2.71828183 7.3890561 ]
[20.08553692 54.59815003]]
23.利用13题目中的 x,求值最大的下标(提示(1)print(np.argmax(x)) ,(2) print(np.argmax(x, axis =0))(3)print(np.argmax(x),axis =1))
x=np.array([[1,2],[3,4]],dtype=np.float64)
y=np.array([[5,6],[7,8]],dtype=np.float64)
print(np.argmax(x)) #求最大值的下标
print(np.argmax(x,axis=0)) #按列求最大值的下标
print(np.argmax(x,axis=1)) #按行求最大值的下标
运行结果为:
3
[1 1]
[1 1]
这个和之前两个函数不一样,argmax函数的axis=0时,是按列求取最大值的下标。
axis=1时,是按行最大值得下标的最大值。
24,画图,y=x*x 其中 x = np.arange(0, 100, 0.1) (提示这里用到 matplotlib.pyplot 库)
from matplotlib import pyplot as plt
x=np.arange(0,100,0.1)
y=x*x
plt.xlabel("X") #横轴的名称
plt.ylabel("Y ") #纵轴的名称
plt.plot(x,y)
plt.show()
运行结果为:
25.画图。画正弦函数和余弦函数, x = np.arange(0, 3 * np.pi, 0.1)(提示:这里用到 np.sin() np.cos() 函数和 matplotlib.pyplot 库)
x=np.arange(0,3*np.pi,0.1)
y1=np.sin(x)
y2=np.cos(x)
plt.xlabel("X")
plt.ylabel("Y1=sinX ")
plt.plot(x,y1)
plt.show()
plt.xlabel("X")
plt.ylabel("Y2=cosX")
plt.plot(x,y2)
plt.show()
运行结果为:
这个要注意,当写一个用一个show方法后会在两个图上,当都画完后在show方法的话,会在一个图上。
实验总结
在学习了numpy的基本用法之后感觉学习了很多之前不太清楚,不太熟练的东西,感觉对以后的深度学习的算法,会很有帮助,最后希望各位大佬,老师帮我批评指正,希望学到更多的知识,最后感谢老师,感谢各位大佬的观看,万分感谢。