手把手的 Numpy 教程
Python机器学习中一个非常重要的工具包,也就是大名鼎鼎的numpy。
俗话说得好,机器学习要想玩的溜,你可以不会写Python,但一定不能不会调库(大雾)。Numpy可以说是Python中最基础也是最重要的工具库了,要用Python做机器学习,玩转各种框架,Numpy是必须要会的。像是TensorFlow、pytorch这些知名框架都是基于Numpy进行计算的,可想而知它的重要性。
Numpy存在的必要性
网上关于Numpy的介绍非常多,但说来说去无非是一个Python中数值计算的非常重要的基础包,可以用来很方便地做一些矩阵和大数据的运算。
Numpy是做什么的我们很好理解,但是我们可能更加好奇它更深层次的意义究竟是什么?关于这个问题我们从浅到深不停地追问,可以得到许多不同的答案。
最浅层的回答很简单,Numpy很方便,计算速度快,可以很方便地进行矩阵运算。在Andrew的课程当中,他曾经演示过,同样的矩阵运算,如果我们通过Python中的循环实现速度会比调用Numpy慢上多达上百倍。这个差异显然是非常可怕的。
但为什么Numpy会更快呢?
我们追问下去,又会得到一个新的答案。因为Numpy包底层是通过C++实现的,显然C++运算比Python快得多,所以Numpy自然就更快了。
难道Numpy就只是因为C++更快这么简单吗?
这个问题已经超越了Numpy本身,我们需要从Python的特性来回答了。Python是一门解释型语言,也就是说当我们执行Python的时候,其实是执行了一个Python的解释器。由Python的解释器来解释执行Python的每一行代码。
如果我们把解释器理解成虚拟机,把Python执行的代码理解成虚拟机当中的程序。如果我们虚拟机多开的话,是很难保证线程安全的。为了解决这个问题,Python设计了GIL机制,也就是全局解释器锁,它保证了同一时刻最多只有一个解释器线程在执行。
这个机制保证了线程安全,但是也限制了Python多线程的使用。Python的多线程本质上是伪多线程,因为解释器只有一个线程在跑。所以如果我们想要通过多线程并发来加速计算的话,这是不可能的。
而矩阵和向量的一些操作是可以通过多线程并发来加速计算的,而Python本身的特性导致了Python不能执行这样的操作。那么通过Python调用C++实现的计算库也就是唯一的选择了。实际上不仅是Numpy,几乎所有Python的计算库,都是通过Python调用其他语言实现的。Python本身只是最上层的调用方。
理解了这点除了对于Python可以有更加清晰的认识之外,也有助于之后学习TensorFlow等其他框架。
Numpy中的n维数组
Numpy之所以好用,是因为我们可以通过Numpy很方便地创建高维的数组和矩阵,以及进行对应的矩阵运算。我们今天先来看看创建的部分。
举个例子,比如在原生Python当中,当我们需要创建一个二维数组的时候,往往需要些很长的定义。比如我们想要一个10 * 10的数组:
arr = [[0 for _ in range(10)] for _ in range(10)]
但是在Numpy当中就会很方便,只需要一行。
import numpy as np
arr = np.zeros((10, 10))
第一行当中我们引入了numpy,为了编码方便,我们将它重新命名成了np。这个是业内惯用做法,几乎所有使用numpy的程序员都会这么重命名。
在numpy当中,存储高维数组的对象叫做ndarray,与之对应的是存储矩阵的mat。其实这两者区别不大,mat支持矩阵的运算,ndarray基本上也都支持。我们有这么一个印象即可,关于mat内容我们会在之后介绍。
我们创建除了ndarray之后,关于获取ndarray基本信息的api大概有下面四个。
第一个是通过.ndim查看ndarray的维度,也就是查看这是一个几维的数组:
第二个是通过.shape获取这个ndarray在各个维度的大小:
第三个是通过.dtype获取这个ndarray中元素的类型:
最后一个是tolist()方法,可以将一个ndarray转化成Python原生的list进行返回。
ndarray
那么我们怎么创建numpy中的ndarray呢?
大概也有几种办法,首先,既然numpy中的ndarray可以转换成Python原生的list,同样Python中原生的list也可以转换成numpy中的ndarray。
和转换变量类型的语法很像,我们通过np.array()转换即可。
nums = [1, 3, 4, 6]
arr = np.array(nums)
除了通过Python中原生的list转换,我们还可以根据自己的需要创建新的ndarray。numpy创建array的方法有很多,我们先来介绍一下其中比较基础的几种。
创建出一个range
np.arange可以生成一个等差序列,有些类似于Python中原生的range。不过它更加灵活,我们可以只传入一个整数,它会返回一个从0开始的序列:
np.arange(10)
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
我们也可以指定首尾元素和间隔,numpy会自动帮我们生成一个等差序列:
np.arange(1, 5, 0.5)
array([1. , 1.5, 2. , 2.5, 3. , 3.5, 4. , 4.5])
除此之外,numpy中还提供了ones和zeros两个api,可以生成全为0和全为1的元素。
np.zeros((3, 4))
array([[0., 0., 0., 0.],[0., 0., 0., 0.],[0., 0., 0., 0.]])
np.ones((2, 3))
array([[1., 1., 1.],[1., 1., 1.]])
我们还可以使用eye或者是identity生成一个N * N的单位矩阵:
np.eye(3)
array([[1., 0., 0.],[0., 1., 0.],[0., 0., 1.]])
除此之外,还有一个full的api可以指定shape和数值,用我们指定的数值填充出一个指定大小的数组来:
np.full((3, 4), 3)
array([[3, 3, 3, 3],[3, 3, 3, 3],[3, 3, 3, 3]])
但是这个api我们用的不多,因为我们可以用ones生成一个全为1的数组,然后乘上一个我们想要的值,就等价于full。
另外,ones, zeros, full这几个api还有一个对应的like方法。所谓的like方法就是我们传入另外一个ndarray代替shape,numpy会根据这个ndarray的形状生成一个对应形状的新array。
我们来看个例子吧,首先我们生成一个顺序的序列:
ex1 = np.arange(10)
然后我们通过zeros_like方法生成一个同样大小的全为0的矩阵:
ex2 = np.zeros_like(ex1)
它其实等价于:
np.zeros(ex1.shape)
其他几个like方法也大同小异,因为可替代性很强,所以我也用的不多。
numpy支持的类型
numpy支持的数据类型很多,除了常用的int和float之外,还支持复数类型的complex,某种程度上来说和golang支持的类型比较接近。
其中int类型一共分为int8,int32,int64和int128,其中每一种又分为带符号的和不带符号的。例如int8就是带符号的8位二进制表示的int,而uint8则是不带符号位的。浮点数没有无符号浮点数,一共分为float16,float32,float64和flaot128。
复数也有三种,分别是complex64,complex128和complex256。除此之外还有string_和object以及unicode_这三种类型。
我们可以通过调用astype方法更改ndarray中所有变量的类型:
ex1 = np.arange(10)
ex1.astype(np.float64)
array([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])
除了人为转换之外,我们还可以在创建的时候通过dtype这个参数来表示我们想要创建的数据的类型,这样可以避免之后转换的麻烦。
ex1 = np.arange(10, dtype=np.float32)
结尾
这篇文章当中我们不仅介绍了Numpy的创建的方法,还聊了Python这门语言的一些特性。正是因为Python本身多线程的限制,导致它在需要高并发计算的场景下性能很差。才会需要通过Python去调用C++或者是其他语言的底层实现。这也是为什么Python经常被称为胶水语言的原因。
Numpy可以认为是Python进行机器学习的基础,当然除了Numpy之外,像是pandas、matplotlib 以及scikit-learn等库也是必不可少的。我们会从Numpy开始,一点一点把这些常用的库都给大家分享一遍。
你还可以看:我的 40 篇精选原创文章
手把手的 Numpy 教程相关推荐
- Python NumPy教程
Welcome to Python NumPy tutorial. In our previous tutorial, we learned about Python switch case. In ...
- TutorialsPoint NumPy 教程
来源:NumPy Tutorial - TutorialsPoint 译者:飞龙 协议:CC BY-NC-SA 4.0 在线阅读 PDF格式 EPUB格式 MOBI格式 代码仓库 NumPy - 简介 ...
- TutorialsPoint NumPy 教程(转)
TutorialsPoint NumPy 教程(转) 来源:NumPy Tutorial - TutorialsPoint 译者:飞龙 协议:CC BY-NC-SA 4.0 在线阅读 PDF格式 EP ...
- 看到一篇详细的关于Python之Numpy教程分享给和我一样在编程上的小白
NumPy - 简介 NumPy 是一个 Python 包. 它代表 "Numeric Python". 它是一个由多维数组对象和用于处理数组的例程集合组成的库. Numeric, ...
- 【莫烦Python】Numpy教程
目录 前言 1.numpy属性 2.numpy的array创建 3.numpy的基础运算 4.numpy的基础运算2 5.numpy的索引 6.numpy的array合并 7.numpy的array分 ...
- CS231n:Numpy教程
Python Numpy教程中文翻译 Python Numpy教程
- 【CS231n】斯坦福大学李飞飞视觉识别课程笔记(二):Python Numpy教程(2)
[CS231n]斯坦福大学李飞飞视觉识别课程笔记 由官方授权的CS231n课程笔记翻译知乎专栏--智能单元,比较详细地翻译了课程笔记,我这里就是参考和总结. [CS231n]斯坦福大学李飞飞视觉识别课 ...
- 【CS231n】斯坦福大学李飞飞视觉识别课程笔记(一):Python Numpy教程(1)
最近开了一个新坑--[CS231n]斯坦福大学李飞飞视觉识别课程,准备认真学习并记录自己的学习历程. [CS231n]斯坦福大学李飞飞视觉识别课程笔记 由官方授权的CS231n课程笔记翻译知乎专栏-- ...
- 最全的NumPy教程
译者:飞龙 译文:https://www.jianshu.com/p/57e3c0a92f3a 原文:https://www.tutorialspoint.com/numpy/index.htm Nu ...
最新文章
- OpenCV读写YAML/XML文件
- Web前端之html_day2
- MyBatis插件使用--分页插件与性能拦截器
- springboot发送http请求
- 用原生JavaScript实现图片瀑布流的浏览效果
- 第12章:Linux服务管理
- 如何在官网中下载历史版本的火狐浏览器
- [leetcode] 617. Merge Two Binary Trees
- Windows下安装配置jdk
- find和xargs
- 在mysql中修改表名的sql语句
- Linux下解决MySQL无法远程连接问题(转)
- 深度学习——卷积神经网络原理解析
- CAD卸载/完美解决安装失败/如何彻底卸载清除干净cad各种残留注册表和文件的方法
- 安装office2010提示在安装过程中出错 解决方法!
- java中的add()_java中add方法
- 2013驾考科目一理论知识重点归纳
- WPS---EXCEL(十一)---将插入数据转化成柱状图
- Python金融学-风险中性测度
- 完美兼容MIC5203-3.3BM5的高压LDO-CSM5133SE/CSM5130SE