目录##

掌握numpy(一)

掌握numpy(二)

掌握numpy(三)

掌握numpy(四)

数组的累加(拼接)##

在前面讲了使用切片方法能够对数组进行切分,使用copy对切片的数组进行复制,那么数组该如何拼接呢?

a1 = np.full((2,3),1)#填充数组
a2 = np.full((3,3),2)
a3 = np.full((2,3),3)
>>a3
array([[ 3., 3., 3.],
[ 3., 3., 3.]])

vstack###

竖直方向拼接数组

a4 = np.vstack((a1,a2,a3)) #a1,a2,a3必须有相同的列数
>> a4
[[ 1. 1. 1.]
[ 1. 1. 1.]
[ 2. 2. 2.]
...,
[ 2. 2. 2.]
[ 3. 3. 3.]
[ 3. 3. 3.]]

hstack###

使用hstack从水平方向拼接数组

try:
a5 = np.hstack((a1,a2))#行数不匹配
except ValueError as e:
>>print e
all the input array dimensions except for the concatenation axis must match exactly a5 = np.hstack((a1,a3))#正确
>>a5
array([[ 1., 1., 1., 3., 3., 3.],
[ 1., 1., 1., 3., 3., 3.]])

concatenate###

vstackhstack的融合版本,通过指定axis进行选择拼接方向

a6 = np.concatenate((a1,a2),axis=0)#竖直方向
>>a6
array([[ 1., 1., 1.],
[ 1., 1., 1.],
[ 2., 2., 2.],
[ 2., 2., 2.],
[ 2., 2., 2.]])
a7 = np.concatenate((a1,a3),axis=1)
>>a7
array([[ 1., 1., 1., 3., 3., 3.],
[ 1., 1., 1., 3., 3., 3.]])

stack###

上面介绍的三种方法都是按照某一维度进行拼接,stack方法拼接是引入了一个新的维度

a8=np.stack((a1,a3))
>>a8
array([[[ 1., 1., 1.],#a8[0]
[ 1., 1., 1.]], [[ 3., 3., 3.],#a8[1]
[ 3., 3., 3.]]])
>>a8.shape
(2L, 2L, 3L)

数组的拆分(split)##

前面讲到了数组的拼接,相应的就是拆分。vstack->vsplithstack->hsplit

vsplit###

c = np.arange(24).reshape(4, 6)
c1,c2 = np.vsplit(c,2)
>>c1
array([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11]])

hsplit###

c3,c4 = np.hsplit(c,2)
>>c3
array([[ 0, 1, 2],
[ 6, 7, 8],
[12, 13, 14],
[18, 19, 20]])

线性代数##

Numpy的二维数组常用来表示线性代数中的矩阵,提供了一些便捷的矩阵操作方法,代数运算的方法主要是在 numpy.linalg模块中。

矩阵的转置###

矩阵的转置使用transpose或者T

m = np.arange(24).reshape(4, 6)
>>m
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]])
>>m.T
array([[ 0, 6, 12, 18],
[ 1, 7, 13, 19],
[ 2, 8, 14, 20],
[ 3, 9, 15, 21],
[ 4, 10, 16, 22],
[ 5, 11, 17, 23]])

上面的例子是矩阵的rank>=2的时候,如果rank=1的时候呢?

m1=np.arange(5)
>>m1
array([0, 1, 2, 3, 4])
>>m1.T
array([0, 1, 2, 3, 4]) #并为发生变化

可以看出T对于rank=1的数组是无效的。我们可以通过reshape将1D数组转化为2D.

m1r = m1.reshape(1,5)#array([[0, 1, 2, 3, 4]])
>>m1r.T
array([[0],
[1],
[2],
[3],
[4]])

矩阵的内积运算###

在做内积运算的时候,两个矩阵是有形状限制的,例如n1的形状为MxN,那么n2的形状必须为NxS

n1 = np.arange(10).reshape(2, 5)
n2 = np.arange(15).reshape(5,3)
>>n1.dot(n2)
array([[ 90, 100, 110],
[240, 275, 310]])

矩阵的逆(inverse)###

inv方法是用来计算方阵的逆矩阵

import numpy.linalg as linalg
m2 = np.array([[1,2,3],[5,7,11],[21,29,31]])
>>m2
array([[ 1, 2, 3],
[ 5, 7, 11],
[21, 29, 31]])
>>linalg.inv(m2)
array([[-2.31818182, 0.56818182, 0.02272727],
[ 1.72727273, -0.72727273, 0.09090909],
[-0.04545455, 0.29545455, -0.06818182]])

单位矩阵###

单位矩阵(identity matrix)是对角线上元素都为1的矩阵;原始矩阵与逆矩阵的内积为单位矩阵。

>>m2.dot(linalg.inv(m))
array([[ 1.00000000e+00, -1.11022302e-16, -6.93889390e-18],
[ -1.33226763e-15, 1.00000000e+00, -5.55111512e-17],
[ 2.88657986e-15, 0.00000000e+00, 1.00000000e+00]])

在前面我们讲到了使用ones来创建全为1的矩阵,numpy也提供了单位矩阵的方法eys

>>np.eye(3)
array([[ 1., 0., 0.],
[ 0., 1., 0.],
[ 0., 0., 1.]])

矩阵的行列式###

>>linalg.det(m2)
43.999999999999993#浮点数误差

特征值和特征向量###

特征值(eigenvalues)和特征向量(eigenvectors)的求解在矩阵分解时常被用到。

value,vector = linalg.eig(m2)
>>value
array([ 42.26600592, -0.35798416, -2.90802176])
>>vector
array([[-0.08381182, -0.76283526, -0.18913107],
[-0.3075286 , 0.64133975, -0.6853186 ],
[-0.94784057, -0.08225377, 0.70325518]])

奇异矩阵分解###

奇异矩阵分解(Singular Value Decomposition)被广泛的应用在推荐系统和数据降维中。

m3=np.array([[1,0,0,0,2], [0,0,3,0,0], [0,0,0,0,0], [0,2,0,0,0]])
U, S_diag, V = linalg.svd(m3)
>>S_diag
array([ 3. , 2.23606798, 2. , 0. ])

svd将矩阵才分为三部分,svd方法获得的S_diag是特征向量,现在我们需要的是Σ矩阵,所以需要构建Σ矩阵。

S = np.zeros((4, 5))
S[np.diag_indices(4)] = S_diag
>>S # Σ
array([[ 3. , 0. , 0. , 0. , 0. ],
[ 0. , 2.23606798, 0. , 0. , 0. ],
[ 0. , 0. , 2. , 0. , 0. ],
[ 0. , 0. , 0. , 0. , 0. ]])

U、S和V三者的内积能够还原出原始矩阵

>>U.dot(S).dot(V)
array([[ 1., 0., 0., 0., 2.],
[ 0., 0., 3., 0., 0.],
[ 0., 0., 0., 0., 0.],
[ 0., 2., 0., 0., 0.]])

存储和加载##

Numpy被广泛应用到机器学习领域,将一些处理后的数据持久能够有助于以后的使用。Numpy能够方便的存储和加载二进制文件和文本格式文件。

二进制.npy格式###

创建一个随机数组并将其存储。

a = np.random.rand(2,3)
>>a
array([[ 0.37740913, 0.45913655, 0.87659924],
[ 0.24951215, 0.04142309, 0.57092372]])
np.save("my_array", a)

在本地就生成了my_array.npy文件,note:虽然文件名并没有加后缀,NUmpy生成的文件名会自动的添加.npy后缀。我们看一看文件内容

with open('my_array.npy','rb') as f: #需要添加.npy后缀
content = f.read()
>>content
'\x93NUMPY\x01\x00F\x00{\'descr\': \'<f8\', \'fortran_order\': False, \'shape\': (2L, 3L), } \n\xbb\xa99\xfe1\xab\xea?\xa4k\x04\x14\xdc"\xda?\xe8\x95\x92\xc5:\xc4\xd6?\x98]\xed\x97\x07\x9e\xed?\xff\x9e\x97\xee\xa2\x16\xed?\xec\xd5\xc7\x8e\x8b\xaa\xcd?'

正确的加载方式是使用load

a = np.load('my_array.npy')

文本格式###

上面是以二进制格式存储,还可以文本格式存储。

np.savetxt("my_array.csv", a)

上面的格式可以使用普通的文件读取方式读取,这里就不再赘述,下面说一下numpy的读取方式

a = np.loadtxt("my_array.csv", delimiter=",")

zipped 格式###

numpy还支持将多个ndarray持久化到同一个文件中

b = np.arange(24, dtype=np.uint8).reshape(2, 3, 4)
>>b
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]]], dtype=uint8)
np.savez("my_arrays", my_a=a, my_b=b) #自动添加.npz后缀

save,二进制格式读取读出来的为乱码,使用load方法

my_arrays = np.load("my_arrays.npz")
>>my_arrays
<numpy.lib.npyio.NpzFile at 0xb2e39e8>
>>my_arrays.keys()
['my_b', 'my_a']
>>my_arrays['my_a']#字典方式读取
array([[ 0.75760441, 0.91559205, 0.42412305],
[ 0.49412246, 0.60609836, 0.69437913]])

至此,掌握NumPy系列文章到此结束,想要了解更多请参考官方文档

掌握numpy(四)的更多相关文章

  1. numpy(四)

    逻辑符 : ==  !=  <  > <=  >= x=np.array([1,3,5]) x<3 array([True,False,,False]) (2*x) == ...

  2. 掌握numpy(一)

    NumPy是一款用于科学计算的python包,强大之处在于矩阵的运算以及包含丰富的线性代数运算的支持.本文将对numpy一些常用的用法进行讲解,一来是对自己的知识进行梳理,二来作为一份备忘录供以后查阅 ...

  3. 掌握numpy(三)

    统计功能 前面都是介绍numpy的一些特性,被称为数学运算神器怎么能少了统计功能呢 ndarray的方法 a = np.array([[-2.5, 3.1, 7], [10, 11, 12]]) &g ...

  4. 掌握numpy(二)

    目录 掌握numpy(一) 掌握numpy(二) 掌握numpy(三) 掌握numpy(四) 数组的reshape 顾名思义,就是对数组的形状进行改变,比如行变成列,一行变多行等. in place ...

  5. Theano3.2-练习之数据集及目标函数介绍

    来自http://deeplearning.net/tutorial/gettingstarted.html#gettingstarted 一.下载 在后续的每个学习算法上,都需要下载对应的文档,如果 ...

  6. anconda使用---使用conda管理python环境

    一.动机 最近打算折腾vn.py,但只有py27版本的,因为一向习惯使用最新稳定版的,所以不得不装py27的环境,不得不说 Python的全局锁真的很烦. 身为懒癌患者,必然使用全功能的anacond ...

  7. python 包管理工具 pip 的配置

    近几年来,python的包管理系统pip 越来越完善, 尤其是对于 windows场景下,pip大大改善了python的易用性. https://www.cnblogs.com/yvivid/p/pi ...

  8. 使用conda管理python环境

    一.动机 最近打算折腾vn.py,但只有py27版本的,因为一向习惯使用最新稳定版的,所以不得不装py27的环境,不得不说 Python的全局锁真的很烦. 身为懒癌患者,必然使用全功能的anacond ...

  9. PyTorch基础——使用卷积神经网络识别手写数字

    一.介绍 实验内容 内容包括用 PyTorch 来实现一个卷积神经网络,从而实现手写数字识别任务. 除此之外,还对卷积神经网络的卷积核.特征图等进行了分析,引出了过滤器的概念,并简单示了卷积神经网络的 ...

随机推荐

  1. 数据迁移过程中hive sql调优

    本文记录的是,在数据处理过程中,遇到了一个sql执行很慢,对一些大型的hive表还会出现OOM,一步一步通过参数的设置和sql优化,将其调优的过程. 先上sql ) t where t.num =1) ...

  2. cmd启动,重启,停止IIS命令

    直接使用CMD我们可以操作很多事情,比如启动IIS,重启IIS,停止IIS 重启IIS服务器,开始->运行->cmd (以下列出相关操作命令): iisreset /RESTART 停止后 ...

  3. SQL Server2008安装教程

    SQL Server2008安装教程   第一步,打开文件,点击开始安装: 第二步,打开后点击左边项的安装,选择右边第一项: 第三步,点击确定: 第四步,选择接受服务条款,点击下一步: 第五步,按着一 ...

  4. cocos2dx - android环境配置及编译

    接上一节内容:cocos2dx - 伤害实现 本节主要讲Android环境配置及编译 在第一节中setup.py的配置里,我们没有配置对应的ndk,sdk,ant的路径,在这里需要先配置好环境变量. ...

  5. 吾八哥学Python(五):Python基本数学运算

    今天我们学习Python里的基本数学运算方法,还是通过例子来练习吧! 加减乘除求余 #加法 print(12+34) #减法 print(30-10.0) #乘法 print(3*5) #除法 pri ...

  6. win10 3dmax 激活后反复激活和激活码无效问题

    我也是遇到这个问题在网上找答案,像什么断网,清理注册表,删除某个.dat文件 各种试了好多都没管用 弄这个弄了五六个小时才总算成功 心累 现在我总结一下这些方法  我是第一条成功的 其他的我试着都没用 ...

  7. win10 uwp 读取保存WriteableBitmap 、BitmapImage

    我们在UWP,经常使用的图片,数据结构就是 BitmapImage 和 WriteableBitmap.关于 BitmapImage 和 WriteableBitmap 区别,我就不在这里说.主要说的 ...

  8. 数据结构与算法--从平衡二叉树(AVL)到红黑树

    数据结构与算法--从平衡二叉树(AVL)到红黑树 上节学习了二叉查找树.算法的性能取决于树的形状,而树的形状取决于插入键的顺序.在最好的情况下,n个结点的树是完全平衡的,如下图"最好情况&q ...

  9. Spring读书笔记——bean创建(上)

    通过<Spring读书笔记--bean加载>和<Spring读书笔记--bean解析>,我们明白了两件事. Spring如何加载消化一个xml配置文件 Spring如何将xml ...

  10. Java中数组的遍历

    (I)标准for循环遍历数组 例如代码片段: int [] nums = new int [] {0,1,2,3,4,5,6,7,8,9}; for(int i=0;i<11;i++){ Sys ...