机器学习【工具】:Numpy基础
Numpy
Numpy 是 Python 数据科学计算的核心库,提供了高性能的多维数组对象及处理数组的工具
使用方式
import numpy as np
数组
生成数组
简单生成
a = np.array([1, 2, 3])
# <class 'numpy.ndarray'>
# [1 2 3] a = np.array([1, '2', 3]) # 取值为字符串
# <class 'numpy.ndarray'>
# ['1' '2' '3'] a = np.array([1, 2.0, 3]) # 取值去float
# <class 'numpy.ndarray'>
# [1. 2. 3.]
dtype类型
a = np.array([1, 2.0, 3],dtype=np.str)
# <class 'numpy.ndarray'>
# ['1' '2.0' '3'] # 其他类型
# np.int64 带符号的64位整数
# np.float32 标准双精度浮点数
# np.complex 显示为128位浮点数的复数
# np.bool 布尔值:True值和False值
# np.object Python对象
# np.string_ 固定长度字符串
# np.unicode_ 固定长度Unicode
copy参数
# copy参数 默认True
a = np.array([1, '2', 3])
b = np.array(a, copy=True)
c = np.array(a, copy=False)
# 635743528800
# 635743684528
# 635743528800
初始化占位符
# 3行4列
a = np.zeros((3, 4))
# <class 'numpy.ndarray'>
# [[0. 0. 0. 0.]
# [0. 0. 0. 0.]
# [0. 0. 0. 0.]] # 2行3列4纵
a = np.ones((2, 3, 4,2), dtype=np.int16)
# <class 'numpy.ndarray'>
# [[[1 1 1 1]
# [1 1 1 1]
# [1 1 1 1]]
#
# [[1 1 1 1]
# [1 1 1 1]
# [1 1 1 1]]] # 创建均匀间隔的数组(步进值)
a = np.arange(10, 25, 5)
# <class 'numpy.ndarray'>
# [10 15 20] # 创建均匀间隔的数组(样本数)
a = np.linspace(0, 2, 9)
# <class 'numpy.ndarray'>
# [0. 0.25 0.5 0.75 1. 1.25 1.5 1.75 2. ] # 创建常数数组
a = np.full((2,2),7)
# <class 'numpy.ndarray'>
# [[7 7]
# [7 7]] # 创建2x2单位矩阵
a = np.eye(2)
# <class 'numpy.ndarray'>
# [[1. 0.]
# [0. 1.]] # 创建随机值的数组
a = np.random.random((2,2))
# <class 'numpy.ndarray'>
# [[0.43922179 0.48453874]
# [0.753194 0.09264839]] # 创建空数组
a = np.empty((3,2))
# <class 'numpy.ndarray'>
# [[1.39069238e-309 1.39069238e-309]
# [1.39069238e-309 1.39069238e-309]
# [1.39069238e-309 1.39069238e-309]]
输入输出
保存/读取
# 保存为npy文件
a = np.full((10,10),7)
# 保存
np.save('my_array', a)
# 读取
np.load('my_array.npy') # 保存文本文档
np.savetxt("myarray.txt", a, delimiter=",")
# 读取
np.loadtxt("myarray.txt")
# 读取excel
np.genfromtxt("my_fle.csv", delimiter=',')
数组信息
a = np.zeros((3, 4))
# [[0. 0. 0. 0.]
# [0. 0. 0. 0.]
# [0. 0. 0. 0.]] # 数组形状,几行几列
print(a.shape)
# (3, 4) # 数组长度
print(len(a))
# 3 # 几维数组
print(a.ndim)
# 2 # 数组有多少元素
print(a.size)
# 12 # 数据类型
print(a.dtype)
# float64 # 数据类型的名字
print(a.dtype.name)
# float64 # 数据类型转换
print(a.astype(int))
# [[0 0 0 0]
# [0 0 0 0]
# [0 0 0 0]]
索引、切片、比较
切片
import numpy as np matrix = np.array([
[5, 10, 15],
[20, 25, 30],
[35, 40, 45]
]) # 取所有行的第2列
print(matrix[:,1])
# [10 25 40] # 取所有行的前1、2列
print(matrix[:,0:2])
# [[ 5 10]
# [20 25]
# [35 40]] # 取2、3行的前1、2列
print(matrix[1:3,0:2])
# [[20 25]
# [35 40]]
比较
import numpy as np # 获取比较结果
matrix = np.array([
[5, 10, 15],
[20, 25, 30],
[35, 40, 45]
])
print(matrix == 25)
# [[False False False]
# [False True False]
# [False False False]] # 根据比较结果取值
vector = np.array([5, 10, 15, 20])
equal_to_ten = (vector == 10)
print(equal_to_ten)
print(vector[equal_to_ten])
# [False True False False]
# [10] # 根据比较结果切片取值
matrix = np.array([
[5, 10, 15],
[20, 25, 30],
[35, 40, 45]
])
second_column_25 = (matrix[:,1] == 25)
print(second_column_25)
print(matrix[second_column_25, :])
# [False True False]
# [[20 25 30]] # 与操作 去比较结果
vector = np.array([5, 10, 15, 20])
equal_to_ten_and_five = (vector == 10) & (vector == 5)
print(equal_to_ten_and_five)
# [False False False False] # 或操作 去比较结果
vector = np.array([5, 10, 15, 20])
equal_to_ten_or_five = (vector == 10) | (vector == 5)
print(equal_to_ten_or_five)
# [ True True False False] # 根据比较结果赋值
vector = np.array([5, 10, 15, 20])
equal_to_ten_or_five = (vector == 10) | (vector == 5)
vector[equal_to_ten_or_five] = 50
print(vector)
# [50 50 15 20]
数组计算
聚合函数
# 数据汇总
vector = np.array([5, 10, 15, 20])
print(vector.sum())
# 50 # 二维矩阵汇总
matrix = np.array([
[5, 10, 15],
[20, 25, 30],
[35, 40, 45]
])
print(matrix.sum())
# 225 # 二维横向汇总
print(matrix.sum(axis=1))
# [ 30 75 120] # 二维竖向汇总
print(matrix.sum(axis=0))
# [60 75 90]
数组运算
a = np.array([20, 30, 40, 50])
b = np.arange(4)
print(a)
print(b)
# [20 30 40 50]
# [0 1 2 3] # 减
c = a - b
print(c)
# [20 29 38 47] # 加
c = a + b
print(c)
# [20 31 42 53] # 乘
c = a * b
print(c)
# [ 0 30 80 150] # 除
c = b / a
print(c)
# [0. 0.03333333 0.05 0.06 ] # 2次幂
print(b**2)
# [0 1 4 9] # 点积 https://www.jianshu.com/p/482abac8798c
A = np.array( [[1,1],
[0,1]] )
B = np.array( [[2,0],
[3,4]] )
print(A)
print(B)
print(A.dot(B))
print(np.dot(A, B))
# [[1 1]
# [0 1]]
# [[2 0]
# [3 4]]
# [[5 4]
# [3 4]]
# [[5 4]
# [3 4]] import numpy as np
B = np.arange(3)
print(B)
# [0 1 2] # 幂
print(np.exp(B))
# [1. 2.71828183 7.3890561 ] # 平方根
print(np.sqrt(B))
# [0. 1. 1.41421356]
数组操作
import numpy as np # floor向下取整
a = np.floor(10*np.random.random((3,4)))
print(a)
# [[1. 5. 3. 3.]
# [3. 3. 2. 6.]
# [4. 9. 5. 3.]] # ravel合为一行
print(a.ravel())
# [1. 5. 3. 3. 3. 3. 2. 6. 4. 9. 5. 3.] # 更换shape形状
a.shape = (6, 2)
print(a)
# [[1. 5.]
# [3. 3.]
# [3. 3.]
# [2. 6.]
# [4. 9.]
# [5. 3.]] # 横竖转换
print(a.T)
# [[1. 3. 3. 2. 4. 5.]
# [5. 3. 3. 6. 9. 3.]] # -1 默认值
print(a.reshape(3,-1))
# [[1. 5. 3. 3.]
# [3. 3. 2. 6.]
# [4. 9. 5. 3.]] # 拼接
a = np.floor(10*np.random.random((2,2)))
b = np.floor(10*np.random.random((2,2)))
print(a)
# [[5. 7.]
# [2. 9.]]
print(b)
# [[7. 4.]
# [7. 7.]]
print(np.hstack((a,b))) # 横向拼接
# [[5. 7. 7. 4.]
# [2. 9. 7. 7.]]
print(np.vstack((a,b))) # 纵向拼接
# [[5. 7.]
# [2. 9.]
# [7. 4.]
# [7. 7.]] # 分割
a = np.floor(10*np.random.random((2,12)))
print(a)
# [[4. 7. 8. 2. 0. 1. 5. 7. 1. 2. 1. 2.]
# [5. 8. 9. 2. 5. 5. 8. 9. 5. 4. 7. 8.]] print(np.hsplit(a,3)) # 横向切割3份
# [array([[4., 7., 8., 2.],
# [5., 8., 9., 2.]]), array([[0., 1., 5., 7.],
# [5., 5., 8., 9.]]), array([[1., 2., 1., 2.],
# [5., 4., 7., 8.]])] print(np.vsplit(a,2)) # 纵向切割3份
# [array([[4., 7., 8., 2., 0., 1., 5., 7., 1., 2., 1., 2.]]), array([[5., 8., 9., 2., 5., 5., 8., 9., 5., 4., 7., 8.]])] print(np.hsplit(a,(3,4))) # 横向切割3,4
# [array([[9., 3., 0.],
# [1., 0., 4.]]), array([[7.],
# [5.]]), array([[8., 5., 7., 7., 4., 9., 8., 2.],
# [6., 7., 6., 4., 9., 5., 9., 3.]])]
拷贝
# 赋值
a = np.arange(12)
b = a
# a and b are two names for the same ndarray object
# b is a
# True
b.shape = 3,4
print(a.shape)
print(id(a))
print(id(b))
# (3, 4)
# 115753432
# 115753432 # 浅拷贝
c = a.view()
# c is a
# Flase
c.shape = 2,6
#print a.shape
c[0,4] = 1234
print(a)
# [[ 0 1 2 3]
# [1234 5 6 7]
# [ 8 9 10 11]] # 深拷贝
d = a.copy()
# d is a
# Flase
d[0,0] = 9999
print(d)
print(a)
# [[9999 1 2 3]
# [1234 5 6 7]
# [ 8 9 10 11]]
# [[ 0 1 2 3]
# [1234 5 6 7]
# [ 8 9 10 11]]
机器学习【工具】:Numpy基础的更多相关文章
- 【Numpy】python机器学习包Numpy基础知识学习
一.安装:在之前的博客中已经写过:http://www.cnblogs.com/puyangsky/p/4763234.html 二.python数组切片知识: python中序列类有list.str ...
- 机器学习- Numpy基础 吐血整理
Numpy是专门为数据科学或者数据处理相关的需求设计的一个高效的组件.听起来是不是挺绕口的,其实简单来说就2个方面,一是Numpy是专门处理数据的,二是Numpy在处理数据方面很牛逼(肯定比Pytho ...
- 《利用python进行数据分析》读书笔记--第四章 numpy基础:数组和矢量计算
http://www.cnblogs.com/batteryhp/p/5000104.html 第四章 Numpy基础:数组和矢量计算 第一部分:numpy的ndarray:一种多维数组对象 实话说, ...
- 你不得不看的Python机器学习工具
IEEE Spectrum排行榜第一,Skill UP排名第一的开发工具,Stack Overflow年度调查中程序员最感兴趣的选择,Stack Overflow 6月份访问量最多的编程语言..... ...
- 科学计算工具-Numpy初探
Numpy基础数据结构 Numpy数组是一个多维数组,称为ndarray.其由两部分组成: 实际的数据 描述这些数据的原数据 导入该库: import numpy as np 多维数组ndarray ...
- 利用Python进行数据分析——Numpy基础:数组和矢量计算
利用Python进行数据分析--Numpy基础:数组和矢量计算 ndarry,一个具有矢量运算和复杂广播能力快速节省空间的多维数组 对整组数据进行快速运算的标准数学函数,无需for-loop 用于读写 ...
- 微软开源自动机器学习工具NNI安装与使用
微软开源自动机器学习工具 – NNI安装与使用 在机器学习建模时,除了准备数据,最耗时耗力的就是尝试各种超参组合,找到最佳模型的过程了.对于初学者来说,常常是无从下手.即使是对于有经验的算法工程师 ...
- NumPy 基础用法
NumPy 是高性能科学计算和数据分析的基础包. 它是 pandas 等其他各种工具的基础. 主要功能: ndarray 一个多维数组结构, 高效且节省空间 无需循环对整组数据进行快速运算的数学函数 ...
- 机器学习---笔记----Python基础
一. python简介 1. python 具有丰富强大的库,常被称为胶水语言,能够把用其他语言制作的各种模块很轻松地联结在一起 2. python强制使用空白符(white space)作为语句缩进 ...
- [转]python与numpy基础
来源于:https://github.com/HanXiaoyang/python-and-numpy-tutorial/blob/master/python-numpy-tutorial.ipynb ...
随机推荐
- 【30集iCore3_ADP出厂源代码(ARM部分)讲解视频】30-8底层驱动之RTC
视频简介:该视频介绍iCore3应用开发平台中RTC的基本配置方法以及在应用开发平台中的实时显示. 源视频包下载地址:链接:http://pan.baidu.com/s/1o80jHvc 密码:f8r ...
- ubuntu将GNU nano换成vim
ubuntu默认编辑器为gnu nano,使用方法是ctrl+字母键 但是gnu nano没有vim好用,我们把它切换到vim 在终端下输入以下命令 sudo update-alternatives ...
- Java ThreadPool的正确打开方式花钱的年华 | 江南白衣(5星推荐)
线程池应对于突然增大.来不及处理的请求,无非两种应对方式: 将未完成的请求放在队列里等待 临时增加处理线程,等高峰回落后再结束临时线程 JDK的Executors.newFixedPool() 和ne ...
- Scala学习笔记(六):本地函数、头等函数、占位符和部分应用函数
本地函数 可以在方法内定义方法,这种方法叫本地函数,本地函数可以直接访问父函数的参数 def parent(x: Int, y: Int): Unit ={ def child(y:Int) = y ...
- shell脚本介绍 shell脚本结构和执行 date命令用法 shell脚本中的变量
- [Unity3D] 05 - Access to DB or AWS
可以选择连接本地服务器,或者云服务器. 参考源代码 : https://www.cnblogs.com/wuzhang/p/wuzhang20141202.html (1) 功能:点击一下按键,然后访 ...
- 《objective-c基础教程》学习笔记(三)—— 从结构体到面向对象
一听标题,感觉十分的抽象.面向对象就是(Object-Oriented Programming)的首字母缩写:OOP,是当今最主流的编程方法. 那么,面向对象编程具体有什么好处呢.是如何来实现呢?通过 ...
- Web文件上传方法总结大全
1. 表单上传 这是传统的form表单上传,使用form表单的input[type=”file”]控件,可以打开系统的文件选择对话框,从而达到选择文件并上传的目的,它的好处是多浏览器兼容,它是web开 ...
- SQLAlchemy详细教程
http://www.360doc.com/content/15/0914/16/360939_499094891.shtml
- [原]openstack-kilo--issue(十五) WARNING keystonemiddleware.auth_token Authorization failed for token Could not find token
在创建vm的时候在controller node报错: -- :: INFO neutron.wsgi [req-a815cde4-f49c-4d23-b9c3-030bfc2a75d4 ] /Jan ...