NNDL 实验一 numpy

已于 2022-09-23 23:59:40 修改
阅读量217 收藏 1
点赞数 4
于 2022-09-02 23:06:30 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zhenjiteng/article/details/126643708
版权

文章目录

    前言

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

你也可以把它设为其他的，最好要用大家都用的，这样方便学习别人的，也方便别人看你的

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。

别被打脸
关注
  • 4
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
NNDL
03-22
神经网络 作业 作业1 查找函数f（x）= x ^ 4 + 3 * x ^ 2 + 10的全局最小点和值。进行两次迭代的手动计算，并使用python编程找到最佳解决方案
python ndarray find_熊猫绘图时间序列['numpy.ndarray'对象没有'find'属性]
weixin_32342227的博客
01-28 390
我有以下代码试图绘制一个时间序列。注意，我删除了第二列，因为它不相关。我放下第一排和最后一排。import pandas as pdactivity = pd.read_csv('activity.csv', index_col=2)activity = activity.ix[1:-1] #drop first and last rows due to invalid dataseries = ...
【Python】实验一Numpy数值计算基础
a1234567822的博客
02-29 606
1、根据任务2.1-2.3,编写代码操作实现创建数组、通过数组索引访问数组，利用数组进行矩阵运算，掌握ufunc函数机制，利用Numpy读写数组或txt文件并实现简单统计分析，编程完成实训内容；（2）利用Turtle库相关操作画一个微性QQ表情包,表情可以自行选择，如下图的微笑表情等。有被自己这个图笑到，你们可以调整一下其中的参数，让它更加的不羁，哈哈哈哈哈哈哈哈!（1）创建一个数值范围为0-1，间隔为0.01的数组；（1）利用数组创建一个8*8阶的国际象棋的棋盘。3、鼓励大家给出不同的，更优的代码实现。
numpy创建数组
weixin_45047913的博客
04-20 1752
1、数组的创建 import numpy as np; a=np.array([[1,2,3],[4,5,6]]) 2、查看一个数组的属性 a.size #6 数组元素个数 a.shape#（2，3）2行3列 a.ndim # 2 2维 a.dtype# dtype('int32') 数据类型 3、改变数组的行数和列数 a.reshape(3,2) # array([[1,2], ...
numpy之python二维数组及画图
热门推荐
Jasminexjf的博客
03-10 1万+
1.二维数组取值 注：不管是二维数组，还是一维数组，数组里的数据类型要一模一样，即若是数值型，全为数值型 #二维数组 import numpy as np list1=[[1.73,1.68,1.71,1.89,1.78], [54.4,59.2,63.6,88.4,68.7]] list3=[1.73,1.68,1.71,1.89,1.78] list4=[54.4,59.2,...
Numpy 学习专题（一）—— 数组的创建
Cappuccino的博客
10-20 1000
学习目标： 提示：这里可以添加学习目标 例如：一周掌握 Java 入门知识 学习内容： 提示：这里可以添加要学的内容 例如： 1、 搭建 Java 开发环境 2、 掌握 Java 基本语法 3、 掌握条件语句 4、 掌握循环语句 学习时间： 提示：这里可以添加计划学习的时间 例如： 1、 周一至周五晚上 7 点—晚上9点 2、 周六上午 9 点-上午 11 点 3、 周日下午 3 点-下午 6 点 学习产出： 提示：这里统计学习计划的总量 例如： 1、 技术笔记 2 遍 2、CSDN 技术博客 3 篇
实验环境5-1所需要的nndl包
10-28
实验环境5-1所需要的nndl包
python中numpy.ndarray与list的区别？以及用matplotlab.pyplot绘图时的注意事项。
Dontla的博客
07-18 1601
import matplotlib.pyplot as plt import numpy as np # 创建numpy.ndarray L=np.array([1,2,3,4,5]) print('#'*50) print(L) print('L类型：\n{}'.format(type(L))) print('#'*50) L2=L.tolist() print(L2) prin...
野狗优化算法DOA MATLAB源码， 应用案例为函数极值求解以及优化svm进行分类，代码注释详细，可结合自身需求进行应用
05-20
野狗优化算法DOA MATLAB源码， 应用案例为函数极值求解以及优化svm进行分类，代码注释详细，可结合自身需求进行应用
2107381120 王孟丽 实验2 (1).docx
05-20
2107381120 王孟丽 实验2 (1).docx
JavaScript_其他Meta JS项目使用的工具库集合.zip
05-20
JavaScript
asm-4.2.jar
05-20
asm.jar的作用: 提到asm.jar的作用,那么最显著的莫过于计算机显示Android手机屏幕了;其次可以调整计算机上显示Android手机屏幕的大小。ASM 是一个Java字节码操纵框架。它可以直接以二进制形式动态地生成 stub 类或其他代理类,或者在装载时动态地修改类。ASM 提供类似于 BCEL 和 SERP 之类的工具包
node-v14.17.6-headers.tar.xz
05-20
Node.js，简称Node，是一个开源且跨平台的JavaScript运行时环境，它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立，旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎，可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型，这使得它非常适合处理大量并发连接，从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外，Node.js使用了模块化的架构，通过npm（Node package manager，Node包管理器）,社区成员可以共享和复用代码，极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展，它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等，因此，开发者可以用JavaScript编写全栈应用程序，这一点大大提高了开发效率和便捷性。 在实践中，许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台，如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能，简化了开发流程，并且能更快地响应市场需求。
JavaScript_GitHub上的类固醇.zip
05-20
JavaScript
JavaScript_Brian Holt在Frontend Masters上讲授的完整React入门.zip
05-20
JavaScript
node-v18.19.0-headers.tar.xz
最新发布
05-20
Node.js，简称Node，是一个开源且跨平台的JavaScript运行时环境，它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立，旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎，可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型，这使得它非常适合处理大量并发连接，从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外，Node.js使用了模块化的架构，通过npm（Node package manager，Node包管理器）,社区成员可以共享和复用代码，极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展，它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等，因此，开发者可以用JavaScript编写全栈应用程序，这一点大大提高了开发效率和便捷性。 在实践中，许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台，如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能，简化了开发流程，并且能更快地响应市场需求。
汇编语言实现三款数字电压表
05-20
智能控制-AD0832数字电压表1602液晶程序（汇编语言）.zip 智能控制-AD0832数字电压表LED灯实验程序（汇编语言）.zip 智能控制-AD0832数字电压表数码管实验程序（汇编语言）.zip
基于STM8S单片机PWM口编程输出不同频率的方波来驱动蜂鸣器鸣响音乐旋律软件源码.zip
05-20
基于STM8S单片机PWM口编程输出不同频率的方波来驱动蜂鸣器鸣响音乐旋律软件源码 int main(void) { //MCU初始化 Driver_MCU_Init(); //播放指针初始化 Voice_pVD = NULL; //开启定时中断 Driver_Time10msON(); Driver_OpenEA(); //run.. while(True); }
anaconda安装nndl模块
05-17
3. 运行以下命令创建一个新的环境（可选，如果您已经有一个环境可以跳过此步骤）： ``` conda create --name myenv ``` 其中`myenv`是您要创建的环境名称。 4. 运行以下命令激活环境： ``` conda activate...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值