Numpy记录完结版

Numpy 完结

Numpy(Numerical Python):是Scipy \ Scikit-Learn等的通用底层语言；

一、array

1、array本身的属性：

shape  返回的是数组；

ndim

size

dtype

可以通过.访问：a.shape  a.ndim  a.size  a.dtype
2、创建array的方法：

1、从python list来或np.array()
2、预定函数：arange,ones/ones_like,zeros/zero_like,empty/empty_like,full/full_like,eye；

full： 全是某个数值；

empty：空的或接近于0的数值；

3、np.random模块

     .randn   具有标准正台分布

      randint(min,max,个数)

3、array本身支持大量的操作和函数

1、直接逐元素相加

2、面向多维的索引

3、求sum/mean等聚合函数

4、线性代数函数，如逆矩阵等

5、np.sin  np.exp

data = np.random.random((10,20))

0-1的随机数；
data = np.random.randint(5,size=(100,1))

最小值为第一个数；后面是size

可以实现one_hot编码：  虽然不明白，记住吧；

one_hot = np.eye(NCLASSES)[np.array(label, np.int32)]

二、索引

numpy的切片修改会修改原来的数组；

1、基础索引：一维索引与list一致；

二维矩阵索引：x[0][2]  跟  x[0,2]一致；  ‘,’逗号前是行索引；逗号后是列索引

2、神奇（花式）索引:x[[0,2]]  两个中括号  第0、2行  等价于 x[[0,2],:]

x[[0,1,2],[1,3,4]]:返回的是 (0,1),(1,3), (2,4)位置   看逗号位置

3、布尔索引

c=np.arange(12).reshape(3,4)
c=c[c>5]

三、randomm模块

random.seed(x)	设定随机种子
random.rand(d0,d1...dn)	(0,1)间 均匀分布
random.randn(d0,d1...dn)	均值为0，方差为1
random.randint(low[,high,size,dtype])	指定high[low,high),不指定[0,high)
random.random([size])	(0.0,1.0)
random.shuffle(x)	对数组x进行随机排列直接修改，若多维，只会在第一维打散数据，x
random.normal([loc,scale,size])	均值，方差，尺寸
random.uniform([low,high,size])9219921921	float型

四、数学统计分析

1、常见的统计函数

np.sum	所有元素和
np.prod	所有元素乘
np.cumsum	元素的往前累积加和
np.cumprod	元素的往前累积加乘
np.min np.max np.mean	最小值 最大值 平均
np.average	加权平均
np.median	中位数
np.percentile(arr,[25,75,100])	0-100百分位数
np.quantile(arr,[25,75,100])	0-1分位数
np.std	标准差
np.var	方差

2. weights = np.random.rand(*aa.shape)  
3. bb=np.average(aa,weights=weights)  
4. print(bb) 

*用来拆分元组；

2、按不同维度axis计算

axis=0 把行消灭掉,跨行计算；重力往下；

axis=1 把列消灭掉，跨列计算；F1往右；

np.sum(axis=0)

机器学习中：

行：代表一个样本数据；

列：代表样本的特征；

1. #每列均值及方差  
2. arr = np.arange(12).reshape(3,4)
3. mean = np.mean(arr,axis=0)  
4. std = np.std(arr,axis=0)  
5. result_std = (arr-mean)/std  
6. print(result_std) 

或者下面直接一个语句就行；

1. result_std = (arr-np.mean(arr,axis=0))/np.std(arr,axis=0)  

五、数组升维的三种方式：

1、np.newaxis关键字：其实就是个None

1. #添加行维度  
2. bb = arr[np.newaxis,:]  
3. #添加列维度  
4. cc = arr[:,np.newaxis] 

2、np.reshape(arr, newshape)方法方法

1. #-1还可以自动算行或列
2. a = np.reshape(arr,(1,-1))  

3、np.expand_dims方法：

1. dd = np.expand_dims(arr,axis=0) 

六、数组的合并

1、添加行：如添加样本

2、添加列：如添加特征；

np.concatenate(array,axis=0/1)   沿着axis进行数组合并，默认为0

concatenate可以实现下面两个功能；

np.vstack(arr)或row_stack           垂直合并 vertically

np.hstack(arr)或np.column_stack     水平合并 horizontally

七、数组排序

共三种：

np.sort(arr)     返回排序后的数组，不会改变arr本身

arr.sort()        改变arr本身

np.argsort(arr)     返回的是索引

python的排序用sorted；

八、数组的乘法

1、*符号或者np.multiply():逐元素乘法:shape要相同

2、@符号或者np.matmul():矩阵乘法 (n,k),(k,m)->(n,m)

3、np.dot：点积（内积）乘法，乘后相加;

np.dot 与 np.sum(np.multiply()) 一致的

numpy中的一维数组可以认为是行或列向量；

九、数组读写到文件

表格类数据一般用pandas;

npy和npz都是二进制格式文件，纯文本编辑器打开是乱码；

1、np.load(filename):      npy单个数组或npz多个数组的字典：

2、np.save(filename,arr): 单个numpy数组保存到npy文件；

3、np.savez(filename,arra=arra,arrb=arrb):多个numpy数组保存到npz未压缩文件；

4、np.savez_compressed(filename,arra=arra,arrb=arrb):并压缩；

示范1：np.load 及np.save   格式.npy

1. arra = np.arange(12).reshape(3,4)  
2. np.save('arra.npy',arra)  
3. arrb=np.load('arra.npy') 

示范2：np.savez \ savez_compressed 格式要改成.npz   用字典访问；

1. arra = np.arange(12).reshape(3,4)  
2. arrc = np.random.rand(5,4)  
3. np.savez('arr_ac.npz',arra=arra,arrc=arrc)  
4. arrb=np.load('arr_ac.npz')  
5. print(arrb['arra'])