机器学习三剑客之Numpy

 

NumPy是Python语言的一个扩充程序库。支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。Numpy内部解除了Python的PIL(全局解释器锁),运算效率极好,是大量机器学习框架的基础库!

 

Numpy简单创建数组

 

import numpy as np

 

# 创建简单的列表

 

a = [1, 2, 3, 4]

 

# 将列表转换为数组

 

b = np.array(b)

 

Numpy查看数组属性

 

数组元素个数

b.size

数组形状

b.shape

数组维度

b.ndim

数组元素类型

b.dtype

快速创建N维数组的api函数

 

创建10行10列的数值为浮点1的矩阵

array_one = np.ones([10, 10])

创建10行10列的数值为浮点0的矩阵

array_zero = np.zeros([10, 10])

从现有的数据创建数组

 

array(深拷贝)

 

asarray(浅拷贝)

 

Numpy创建随机数组np.random

 

均匀分布np.random.rand(10, 10)创建指定形状(示例为10行10列)的数组(范围在0至1之间)

 

np.random.uniform(0, 100)创建指定范围内的一个数

 

np.random.randint(0, 100) 创建指定范围内的一个整数

 

正态分布

 

给定均值/标准差/维度的正态分布np.random.normal(1.75, 0.1, (2, 3))

 

数组的索引, 切片

 

# 正态生成4行5列的二维数组
 arr = np.random.normal(1.75, 0.1, (4, 5))
 print(arr)
 # 截取第1至2行的第2至3列(从第0行算起)
 after_arr = arr[1:3, 2:4]
 print(after_arr)

 

 

改变数组形状(要求前后元素个数匹配)

 

 

print(“reshape函数的使用!”)

 

one_20 = np.ones([20])

 

print(“–>1行20列<–“)

 

one_4_5 = one_20.reshape([4, 5])

 

print(“–>4行5列<–“)

 

print (one_4_5)

 

Numpy计算(重要)

 

条件运算

 

 

 

import numpy as np

 

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])

 

stus_score > 80

 

 

import numpy as np

 

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])

 

np.where(stus_score < 80, 0, 90)

 

指定轴最大值amax(参数1: 数组; 参数2: axis=0/1; 0表示列1表示行)

 

 

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])

 

# 求每一列的最大值(0表示列)

 

print(“每一列的最大值为:”)

 

result = np.amax(stus_score, axis=0)

 

print(“每一行的最大值为:”)

 

result = np.amax(stus_score, axis=1)

 

print(result)

 

指定轴最小值amin

 

 

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])

 

# 求每一行的最小值(0表示列)

 

print(“每一列的最小值为:”)

 

result = np.amin(stus_score, axis=0)

 

# 求每一行的最小值(1表示行)

 

print(“每一行的最小值为:”)

 

result = np.amin(stus_score, axis=1)

 

print(result)

 

指定轴平均值mean

 

 

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])

 

# 求每一行的平均值(0表示列)

 

print(“每一列的平均值:”)

 

result = np.mean(stus_score, axis=0)

 

# 求每一行的平均值(1表示行)

 

print(“每一行的平均值:”)

 

result = np.mean(stus_score, axis=1)

 

print(result)

 

方差std

 

 

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])

 

# 求每一行的方差(0表示列)

 

print(“每一列的方差:”)

 

result = np.std(stus_score, axis=0)

 

# 求每一行的方差(1表示行)

 

print(“每一行的方差:”)

 

result = np.std(stus_score, axis=1)

 

print(result)

 

数组运算

 

数组与数的运算

 

 

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])

 

print(“加分前:”)

 

# 为所有平时成绩都加5分

 

stus_score[:, 0] = stus_score[:, 0]+5

 

print(“加分后:”)

 

print(stus_score)

 

 

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])

 

print(“减半前:”)

 

# 平时成绩减半

 

stus_score[:, 0] = stus_score[:, 0]*0.5

 

print(“减半后:”)

 

print(stus_score)

 

数组间也支持加减乘除运算,但基本用不到

 

 

a = np.array([1, 2, 3, 4])
 b = np.array([10, 20, 30, 40])
 c = a + b
 d = a - b
 e = a * b
 f = a / b
 print("a+b为", c)
 print("a-b为", d)
 print("a*b为", e)
 print("a/b为", f)

 

矩阵运算np.dot()(非常重要)

 

 

计算规则

 

 

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])
 # 平时成绩占40% 期末成绩占60%, 计算结果
 q = np.array([[0.4], [0.6]])
 result = np.dot(stus_score, q)
 print("最终结果为:")
 print(result)

 

矩阵拼接

 

矩阵垂直拼接

 

print("v1为:")
 v1 = [[0, 1, 2, 3, 4, 5],
 [6, 7, 8, 9, 10, 11]]
 print(v1)
 print("v2为:")
 v2 = [[12, 13, 14, 15, 16, 17], 
 [18, 19, 20, 21, 22, 23]]
 print(v2)
 # 垂直拼接
 result = np.vstack((v1, v2))
 print("v1和v2垂直拼接的结果为")
 print(result)

 

矩阵水平拼接

 

 

print("v1为:")
 v1 = [[0, 1, 2, 3, 4, 5],
 [6, 7, 8, 9, 10, 11]]
 print(v1)
 print("v2为:")
 v2 = [[12, 13, 14, 15, 16, 17], 
 [18, 19, 20, 21, 22, 23]]
 print(v2)
 # 垂直拼接
 result = np.hstack((v1, v2))
 print("v1和v2水平拼接的结果为")
 print(result)

 

Numpy读取数据np.genfromtxt