呆板学习2-NumPy

ndarray主动广播扩展维度，便于举行行列式，数组盘算

2. # 自动广播机制，1维数组和2维数组相加
4. # 二维数组维度 2x5
5. # array([[ 1,  2,  3,  4,  5],
6. #         [ 6,  7,  8,  9, 10]])
7. d = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])
8. # c是一维数组，维度5
9. # array([ 4,  6,  8, 10, 12])
10. c = np.array([ 4,  6,  8, 10, 12])
11. e = d + c
12. e
14. # 输出
15. array([[ 5, 8, 11, 14, 17], [10, 13, 16, 19, 22]])

复制代码

创建ndarray

2. # 导入numpy
3. import numpy as np
5. # 1、从list创建array
6. a = [1,2,3,4,5,6]  # 创建简单的列表
7. b = np.array(a)    # 将列表转换为数组
8. b
9. # 输出
10. array([1, 2, 3, 4, 5, 6])
12. # 2、arange：创建元素从0到10依次递增2的数组
13. # 通过np.arange创建
14. # 通过指定start, stop (不包括stop)，interval来产生一个1维的ndarray
15. a = np.arange(0, 10, 2)
16. a
17. # 输出
18. array([0, 2, 4, 6, 8])
20. # 3、zeros：创建指定长度或者形状的全0数组
21. a = np.zeros([3,3])
22. a
23. # 输出
24. array([[0., 0., 0.], [0., 0., 0.], [0., 0., 0.]])
26. # 4、ones：创建指定长度或者形状的全1数组
27. a = np.ones([3,3])
28. a
29. # 输出
30. array([[1., 1., 1.], [1., 1., 1.], [1., 1., 1.]])

复制代码

ndarray的属性包罗shape、dtype、size和ndim等，通过如下代码可以查察ndarray数组的属性。

• shape：数组的形状 ndarray.shape，1维数组（N,）（N,），2维数组（M,N）（M,N），3维数组（M,N,K）3维数组（M,N,K）。
  
• dtype：数组的数据范例。
  
• size：数组中包罗的元素个数ndarray.size，其巨细即是各个维度的长度的乘积。
  
• ndim：数组的维度巨细ndarray.ndim, 其巨细即是ndarray.shape所包罗元素的个数。
  

2. a = np.ones([3, 3])
3. print('a, dtype: {}, shape: {}, size: {}, ndim: {}'.format(a.dtype, a.shape, a.size, a.ndim))
4. a, dtype: float64, shape: (3, 3), size: 9, ndim: 2

复制代码

创建ndarray之后，可以对其数据范例或形状举行修改，代码实现如下：

2. # 转化数据类型
3. b = a.astype(np.int64)
4. print('b, dtype: {}, shape: {}'.format(b.dtype, b.shape))
6. # 改变形状
7. c = a.reshape([1, 9])
8. print('c, dtype: {}, shape: {}'.format(c.dtype, c.shape))

复制代码

数组间运算

2. # 数组 减去 数组， 用对应位置的元素相减
3. arr1 = np.array([[1., 2., 3.], [4., 5., 6.]])
4. arr2 = np.array([[11., 12., 13.], [21., 22., 23.]])
5. # 数组 乘以 数组，用对应位置的元素相乘
6. arr1 * arr2
7. array([[ 11., 24., 39.], [ 84., 110., 138.]])
9. # 数组开根号，将每个位置的元素都开根号
10. arr ** 0.5
11. array([[1. , 1.41421356, 1.73205081], [2. , 2.23606798, 2.44948974]])

复制代码

切片上的操纵都会改变原数组，除非用np.copy创建新的内存空间

2. # 数组切片产生的新数组，还是指向原来的内存区域，数据不会被复制。
3. # 视图上的任何修改都会直接反映到源数组上。
4. a = np.arange(30)
5. arr_slice = a[4:7]
6. arr_slice[0] = 100
7. a, arr_slice
8. (array([ 0, 1, 2, 3, 100, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29]), array([100, 5, 6]))
10. # 通过copy给新数组创建不同的内存空间
11. a = np.arange(30)
12. arr_slice = a[4:7]
13. arr_slice = np.copy(arr_slice)
14. arr_slice[0] = 100
15. a, arr_slice
16. (array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29]), array([100, 5, 6]))

复制代码

• mean：盘算算术均匀数，零长度数组的mean为NaN。
  
• std和var：盘算标准差和方差，自由度可调（默以为n）。
  
• sum ：对数组中全部或某轴向的元素求和，零长度数组的sum为0。
  
• max和min：盘算最大值和最小值。
  
• argmin和argmax：分别为最大和最小元素的索引。
  
• cumsum：盘算全部元素的累加。
  
• cumprod：盘算全部元素的累积。
  

随机数np.random

2. # 可以多次运行，观察程序输出结果是否一致
3. # 如果不设置随机数种子，观察多次运行输出结果是否一致
4. np.random.seed(10)
5. a = np.random.rand(3, 3)
6. # 设置了随机数种子，每次输出都一样
8. # 生成均匀分布随机数，随机数取值范围在[0, 1)之间
9. a = np.random.rand(3, 3)
10. a
11. array([[0.08833981, 0.68535982, 0.95339335], [0.00394827, 0.51219226, 0.81262096], [0.61252607, 0.72175532, 0.29187607]])
13. # 生成均匀分布随机数，指定随机数取值范围和数组形状
14. a = np.random.uniform(low = -1.0, high = 1.0, size=(2,2))
15. a
16. array([[ 0.83554825, 0.42915157], [ 0.08508874, -0.7156599 ]])
18. # 生成标准正态分布随机数
19. a = np.random.randn(3, 3)
20. a
21. array([[ 1.484537 , -1.07980489, -1.97772828], [-1.7433723 , 0.26607016, 2.38496733], [ 1.12369125, 1.67262221, 0.09914922]])
23. # 生成正态分布随机数，指定均值loc和方差scale
24. a = np.random.normal(loc = 1.0, scale = 1.0, size = (3,3))
25. a
26. array([[2.39799638, 0.72875201, 1.61320418], [0.73268281, 0.45069099, 1.1327083 ], [0.52385799, 2.30847308, 1.19501328]])
28. # 打乱数组顺序（只打乱第一维）
29. # 生成一维数组
30. a = np.arange(0, 30)
31. # 打乱一维数组顺序
32. np.random.shuffle(a)
34. # 随机选取部分元素
35. a = np.arange(30)
36. b = np.random.choice(a, size=5)

复制代码

线性代数

• diag：以一维数组的情势返回方阵的对角线（或非对角线）元素，或将一维数组转换为方阵（非对角线元素为0）。
  
• dot：矩阵乘法。
  
• trace：盘算对角线元素的和。
  
• det：盘算矩阵行列式。
  
• eig：盘算方阵的特性值和特性向量。
  
• inv：盘算方阵的逆。
  

文件读写

2. # 使用np.fromfile从文本文件'housing.data'读入数据
3. # 这里要设置参数sep = ' '，表示使用空白字符来分隔数据
4. # 空格或者回车都属于空白字符，读入的数据被转化成1维数组
5. d = np.fromfile('./work/housing.data', sep = ' ')
7. # save & load
8. # 产生随机数组a
9. a = np.random.rand(3,3)
10. np.save('a.npy', a)
12. # 从磁盘文件'a.npy'读入数组
13. b = np.load('a.npy')

复制代码

np.exp(x) --盘算x的指数值