【Python】机器学习矩阵运算必学库Numpy首秀!
机器学习初学者
共 6518字,需浏览 14分钟
·
2022-02-12 13:28
公众号:尤而小屋
作者:Peter
编辑:Peter
大家好,我是Peter~
开始更新numpy相关的文章,本文介绍numpy中的25个小案例,主要内容是如何利用numpy来生成向量(一维数组),矩阵和高维数组等
numpy介绍
NumPy(Numerical Python) 是 Python 语言的一个扩展程序库,支持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 是一个运行速度非常快的数学库,主要用于数组计算,包含:
一个强大的N维数组对象 ndarray 广播功能函数 整合 C/C++/Fortran 代码的工具 线性代数、傅里叶变换、随机数生成等功能
导入numpy
import numpy as np
打印numpy的版本和配置信息
print(np.version)
print(np.show_config)
查看函数帮助文档
# np.info(np.abs)
创建0向量
np.zeros(10)
array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
np.zeros((5,2))
array([[0., 0.],
[0., 0.],
[0., 0.],
[0., 0.],
[0., 0.]])
np.zeros((2,2,3))
array([[[0., 0., 0.],
[0., 0., 0.]],
[[0., 0., 0.],
[0., 0., 0.]]])
改变0向量指定位置的值
z = np.zeros((3,4))
z
array([[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]])
z[2,3] = 1
z[1,1] = 2
z
array([[0., 0., 0., 0.],
[0., 2., 0., 0.],
[0., 0., 0., 1.]])
找到非0的值
np.nonzero(z)
(array([1, 2]), array([1, 3]))
创建全1向量、数组
np.ones(6)
array([1., 1., 1., 1., 1., 1.])
np.ones((3,2))
array([[1., 1.],
[1., 1.],
[1., 1.]])
np.ones([2,3,2])
array([[[1., 1.],
[1., 1.],
[1., 1.]],
[[1., 1.],
[1., 1.],
[1., 1.]]])
创建单位矩阵-eye
np.eye(4)
array([[1., 0., 0., 0.],
[0., 1., 0., 0.],
[0., 0., 1., 0.],
[0., 0., 0., 1.]])
np.eye(4,dtype=int)
array([[1, 0, 0, 0],
[0, 1, 0, 0],
[0, 0, 1, 0],
[0, 0, 0, 1]])
自定义数据类型
np.ones([2,3]) # 默认是浮点数
array([[1., 1., 1.],
[1., 1., 1.]])
np.ones([2,3],dtype=int) # 指定为int类型
array([[1, 1, 1],
[1, 1, 1]])
列表转数组
lst = [1,2,3,4]
np.array(lst)
array([1, 2, 3, 4])
# 指定数组类型
lst = [1,2,3,4]
np.array(lst, dtype=float)
array([1., 2., 3., 4.])
嵌套列表转数组
lst1 = [[1,2,3],[4,5,6]]
np.array(lst1)
array([[1, 2, 3],
[4, 5, 6]])
# 指定数据类型
lst1 = [[1,2,3],[4,5,6]]
np.array(lst1, dtype=float)
array([[1., 2., 3.],
[4., 5., 6.]])
元组转数组
t1 = (9,8,7)
np.array(t1)
array([9, 8, 7])
嵌套元组转数组
t2 = ((9,8,7),(6,5,4))
np.array(t2)
array([[9, 8, 7],
[6, 5, 4]])
列表和元组混合
lt = [(1,2,3),(7,8,9)]
np.array(lt)
array([[1, 2, 3],
[7, 8, 9]])
迭代器转数组
range_number = range(3,8)
np.array(range_number)
array([3, 4, 5, 6, 7])
# 指定类型
range_number = range(3, 8)
np.array(range_number, dtype=float)
array([3., 4., 5., 6., 7.])
特殊矩阵1
边界值为1,其他为0
b = np.ones([6,6])
b
array([[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.]])
b[1:-1,1:-1] = 0
b
array([[1., 1., 1., 1., 1., 1.],
[1., 0., 0., 0., 0., 1.],
[1., 0., 0., 0., 0., 1.],
[1., 0., 0., 0., 0., 1.],
[1., 0., 0., 0., 0., 1.],
[1., 1., 1., 1., 1., 1.]])
特殊矩阵2
用0填充矩阵的边界
c = np.ones((6,6))
c
array([[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1.]])
np.pad(c,pad_width=1,mode="constant",constant_values=0)
array([[0., 0., 0., 0., 0., 0., 0., 0.],
[0., 1., 1., 1., 1., 1., 1., 0.],
[0., 1., 1., 1., 1., 1., 1., 0.],
[0., 1., 1., 1., 1., 1., 1., 0.],
[0., 1., 1., 1., 1., 1., 1., 0.],
[0., 1., 1., 1., 1., 1., 1., 0.],
[0., 1., 1., 1., 1., 1., 1., 0.],
[0., 0., 0., 0., 0., 0., 0., 0.]])
特殊矩阵3
6*6的矩阵,对角线下方的值为1,2,3,4,5
np.diag(1 + np.arange(5), k=-1)
array([[0, 0, 0, 0, 0, 0],
[1, 0, 0, 0, 0, 0],
[0, 2, 0, 0, 0, 0],
[0, 0, 3, 0, 0, 0],
[0, 0, 0, 4, 0, 0],
[0, 0, 0, 0, 5, 0]])
np.arange函数
numpy 包中的使用 arange 函数创建数值范围并返回 ndarray 对象,函数使用方法为:
numpy.arange(start, stop, step, dtype)
start:起始值,默认为0 stop:终止值,不包含 step:步长,默认为1 dtype:返回数组的数据类型
np.arange(10)
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
# 指定步长
np.arange(0,10,2)
array([0, 2, 4, 6, 8])
# 指定类型
np.arange(0,10,2,dtype=float)
array([0., 2., 4., 6., 8.])
创建随机数组
np.random.random((2,3,2))
array([[[0.56045087, 0.15566786],
[0.34963774, 0.51837142],
[0.68895046, 0.04980068]],
[[0.98352437, 0.47189043],
[0.30430488, 0.49057744],
[0.20020709, 0.90466043]]])
Pandas数据转数组
import pandas as pd
s = pd.Series([1,2,3,4])
np.array(s)
array([1, 2, 3, 4])
d = pd.DataFrame([[1,2,3,4],[9,8,7,6]])
np.array(d)
array([[1, 2, 3, 4],
[9, 8, 7, 6]])
反转数组
ten = np.arange(10)
ten
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
ten[::-1]
array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])
reshape函数
主要是用来改变数组的形状
arr = np.arange(16)
arr
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15])
arr.shape
(16,)
arr.reshape((4,4))
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15]])
arr.reshape((2,8))
array([[ 0, 1, 2, 3, 4, 5, 6, 7],
[ 8, 9, 10, 11, 12, 13, 14, 15]])
arr.reshape((8,2))
array([[ 0, 1],
[ 2, 3],
[ 4, 5],
[ 6, 7],
[ 8, 9],
[10, 11],
[12, 13],
[14, 15]])
arr.reshape((1,16))
array([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15]])
我们需要特别注意-1的使用,numpy会自动生成相应的shape值
arr.reshape((8,-1))
array([[ 0, 1],
[ 2, 3],
[ 4, 5],
[ 6, 7],
[ 8, 9],
[10, 11],
[12, 13],
[14, 15]])
arr.reshape((-1,8))
array([[ 0, 1, 2, 3, 4, 5, 6, 7],
[ 8, 9, 10, 11, 12, 13, 14, 15]])
np.linspace函数
用于构建一个等差数列的数组,使用方法为:
np.linspace(
start, # 起始值
stop, # 终止值,如果endpoint为true,该值包含于数列中
num=50, # 生成的样本量,默认为50
endpoint=True, #是否包含末尾的值;默认为True
retstep=False, # 为True时,生成的数组中会显示间距,反之不
dtype=None # 数据类型
)
np.linspace(1,10,5)
array([ 1. , 3.25, 5.5 , 7.75, 10. ])
可以不包含末尾的数值:
np.linspace(1,10,5,endpoint=False)
array([1. , 2.8, 4.6, 6.4, 8.2])
全部是1的等差数列:
# 全部是1的等差数列
np.linspace(1,1,10)
array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])
加上restep参数,则会显示步长:
np.linspace(1,10,5,retstep=True)
(array([ 1. , 3.25, 5.5 , 7.75, 10. ]), 2.25)
np.logspace函数
主要是用于生成等比数列,使用方法为:
np.logspace(
start, # base ** start(指数)
stop, # base ** stop;如果endpoint为true,该值包含于数列中
num=50,
endpoint=True,
base=10.0, # 默认底数为10
dtype=None
)
np.logspace(1,5,num=10)
array([1.00000000e+01, 2.78255940e+01, 7.74263683e+01, 2.15443469e+02,
5.99484250e+02, 1.66810054e+03, 4.64158883e+03, 1.29154967e+04,
3.59381366e+04, 1.00000000e+05])
指定不同的底数;第一个数为2的0次方,为1:
np.logspace(0,8,num=10,base=2)
array([ 1. , 1.85174942, 3.42897593, 6.34960421,
11.75787594, 21.77264 , 40.3174736 , 74.65785853,
138.24764658, 256. ])
往期精彩回顾
适合初学者入门人工智能的路线及资料下载 中国大学慕课《机器学习》(黄海广主讲) 机器学习及深度学习笔记等资料打印 机器学习在线手册 深度学习笔记专辑 《统计学习方法》的代码复现专辑 AI基础下载 本站qq群955171419,加入微信群请扫码:
评论