【机器学习】numpy基础铺垫

什么是Numpy？

一种支持数学高维度和矩阵计算的python包，集成在Anaconda中。
 

Numpy基础

import numpy as np

#numpy的基本用法
array = np.array((1,2,3))
print(array)

#numpy的几种属性
print("number of dim" , array.ndim) #维度
print("Shape",array.shape)  #行数和列数
print("Size",array.size)    #元素个数


#指定数据
a = np.array([2 , 23 , 4] , dtype = np.int)
print(a.dtype)

a = np.array([2 , 23 , 4] , dtype = np.int32)
print(a.dtype)

a = np.array([2 , 23 , 4] , dtype = np.float)
print(a.dtype)

a = np.array([2 , 23 , 4] , dtype = np.float32)
print(a.dtype)


#创建特定数据
a = np.array([[2 , 23 , 4] , [2 , 32 , 4]])
print(a)

#全0 / 1,全空数组
a = np.zeros((3 , 4))
b = np.ones((2 , 3) , dtype = np.int32)
c = np.empty((3 , 4))   # 其实每个数值都接近0
print(a)
print(b , b.dtype)
print(c)

#连续数组
a = np.arange(10 , 20 , 2) #10 - 19的数据,2步
print(a)
a = np.arange(13).reshape((3 , 4)) # 将一行数据变成一个3*4的其他的都不行
print(a)

#linspace：分割线段，如何分割？当然也可以reshape
a = np.linspace(1 , 10 , 20)
print(a)

 

numpy基础运算1

import numpy as np
a = np.array((1 , 2 , 3))
b = np.array((2 , 3 , 4))

c = a + b**2
c = a * b   #对每一项对应乘
c = 10 * np.sin(a)  #数学函数工具
print(b > 3)    # 对每一项进行判断

a = np.array([[1 , 1] , [0 , 1]])
b = np.arange(4).reshape((2 , 2))   # 默认将数据填进去
# 矩阵乘积
# c_dot = np.dot(a , b)
# c_dot_2 = a.dot(b)

#sum(),min(),max()三种脚本，横 1纵 0
a = np.random.random((2 , 4))   #随机产生一个(0,1)之间的数
print(np.sum(a , axis = 1))    #对 a 的所有数据求和，axis是轴的意思，axis = 1按照横轴的意思
print(np.min(a , axis = 0))    #axis = 0 是按纵轴的意思
print(np.max(a))

 

numpy基础运算2

import numpy as np

# argmin与 argmax ：对应矩阵的最小元素和最大元素索引

a = np.arange(2 , 14).reshape((3 , 4))

print(np.argmin(a))
print(np.argmax(a))


#mean, average 求平均值
print(np.mean(a))
print(np.average(a))
print(a.mean())

#求中位数
print(a.median())

# 累加函数:每个元素加到这一项的时候的元素和
print(np.cumsum(a)) 

#累差函数：计算每一行后一项与前一项的差，将差表示出来。
print(np.diff(a))   

#将矩阵中非零元素的行和列的值单独构成两个矩阵。
print(np.nonzero(a))    

#排序：每一行单独排序，从小到大
a = np.arange(14 , 2 , -1).reshape((3 , 4))
print(np.sort(a))

# 转置 :两种方式
#print(np.transpose(a))
print(a.T)

# 切分：将数组中大于最大值的数字用最大值代替，小于最小值的数字用最小值代替
print(np.clip(a , 5 , 9))

numpy索引

import numpy as np

# 一维矩阵索引
#a = np.arange(3 , 14)
#print(a[3])

# 二维矩阵索引
a = np.arange(3 , 15).reshape((3 , 4))
print(a[2]) # 这里输出的是第二行

# 输出二维地址位置
print(a[1][1])
print(a[1 , 1])

# 利用 list切片操作
print(a[1 , 1:3])   #将第2行的第2-4（但不包含第4列）的数据切分出来.

#逐列打印操作：先转置，再输出
for column in a.T:
    print(column)

#迭代输出，两种形式。
print(a.flatten())  # 将多为矩阵展开成 1行的数列。

for item in a.flat: 
    print(item)	# flat是一个迭代器，将每一个数据都迭代一遍输出。

 

numpy 合并

import numpy as np

# vstack的数据合并
a = np.array([1 , 1 , 1 , 1])
b = np.array([2 , 2 , 2 , 2])


c = np.vstack((a , b))
print(a.shape , c.shape)
print(np.vstack((a , b)))

d = np.hstack((a , b))  #horizontal stack 行合并，左右合并
print(d)
print(a.shape , d.shape)


# 1 * n这种是不能利用a.T转置的，需要利用下面这种手法
print(a[np.newaxis, : ])
print(a[np.newaxis , : ].shape)
print(a[: , np.newaxis])
print(a.T)

 

Numpy array 分割

import numpy as np

a = np.arange(12).reshape((3 , 4))
print(a)

# 等量分割
print(np.split(a , 2 , axis = 1))   # 将两列分成一组，且必须得是能分的，否则会报错。
print(np.split(a , 3 , axis = 0))   # 将3行分成一组，同上。

# 不等量分割
print(np.array_split(a , 3 , axis = 1))

#其他分割方式，与第一种一致
print(np.vsplit(a , 3)) #vertical split
print(np.hsplit(a , 2)) #horizon split

 

numpy 复制

import numpy as np

#对于numpy的赋值,“ = ”符号就相当于对地址修改，一改全改。
a = np.arange(4)
print(a)

d = a
d[0] = 11
print(a)

# 利用copy得到的数据将不会有关联性。
d = a.copy()
d[0] = 22
print(a)