numpy模块

回顾一下有哪些数据类型

int/float/str/list/tuple/dict/set

numpy是python一种开源的数值计算扩展库.这种库可用来存储和处理大型矩阵,比python自身的嵌套列表结构要高效的多(该结构也可以用来表示矩阵)

作用:
1.区别于list列表,提供了数组操作、数组运算、以及统计分布和简单的数学模型
2.计算速度快，甚至优于python内置的简单运算，使其成为pandas、sklearn等模块的依赖包。高级的框架如TensorFlow、PyTorch等，其数组操作也和numpy非常相似

矩阵即numpy的np.array对象,创建矩阵就是把==列表==传入np.array()

import numpy as np

一维数组

• 只有一行
• 相当于一条直线

lis =[1,2,3]
lis

[1, 2, 3]

np.array(lis)

array([1, 2, 3])

二维数组(用的最多的)

• 有行有列
• 相当于一个面,里面有多条线,一个列表里装了多个一维

arr = np.array([  [1,2,3,4],   [5,6,7,8]  ])
arr  #在pycharm中需要print(arr)

array([[1, 2, 3, 4],[5, 6, 7, 8]])

学习numpy的方法使用,先来联想一下list的内置方法使用
1.索引
2.切片
3.长度
4.成员运算
5.for循环
6.其他一些内置方法

比较一下 np.array 和 list 的区别
1.np.array是多维的,list是一维的
2.list对一维数组做一些操作,numpy其实就是对多维做操作

获取多维数组的行和列

arr =np.array([ [1,2,3,4],[5,6,7,8],[5,6,7,8]])
arr

array([[1, 2, 3, 4],[5, 6, 7, 8],[5, 6, 7, 8]])

arr.shape #获得多维数组的行和列,以元组形式表现出来

(3, 4)

arr.shape[0] #多维数组的行

3

arr.shape[1] #多维数组的列

4

print(arr.shape)
print(arr.shape[0])
arr.shape[1]

(3, 4)
34

arr.shape
arr.shape[1]
arr.shape[0]

3

arr.shape ,按照代码运行,直接运行最后一个结果显示处理,用print方法就可以把每一个方法打印出来

多维数组的索引

lis = [1,2,3,4]
#lis[-1]
lis[3]

4

arr

array([[1, 2, 3, 4],[5, 6, 7, 8],[5, 6, 7, 8]])

arr #jupyter中前面运行的结果可以直接用,如果前面arr未运行生成,就会报错

• 中括号中加索引,行和列用逗号分开,可以取到数组中的数

arr[1,1] #  行和列索引都从0开始,取第2行第2列

6

arr[0,[0,1,2,3]] #第一行,第1,2,3,4列的数

array([1, 2, 3, 4])

arr[0,:] #第一行,第1,2,3,4列的数

array([1, 2, 3, 4])

arr[0:] #没有逗号的时候取出了全部

array([[1, 2, 3, 4],[5, 6, 7, 8],[5, 6, 7, 8]])

arr[:,0] #所有行,第1列的数

array([1, 5, 5])

高级功能

• 有一个多维数组存储的是人的年龄,表格里有200岁以上的年龄

arr = np.array([ [1000,2,300,4],[5,600,7,8],[5,6,700,8]])
arr

array([[1000,    2,  300,    4],[   5,  600,    7,    8],[   5,    6,  700,    8]])

arr>200 

array([[ True, False,  True, False],[False,  True, False, False],[False, False,  True, False]])

arr[arr>200] #取出数组中大于200的元素,并一维数组表现出来

array([1000,  300,  600,  700])

多维数组的元素的替换

lis =[1,2,3,4]
lis[0]=9
lis

[9, 2, 3, 4]

arr

array([[1000,    2,  300,    4],[   5,  600,    7,    8],[   5,    6,  700,    8]])

arr[1,1]=0
arr

array([[1000,    2,  300,    4],[   5,    0,    7,    8],[   5,    6,  700,    8]])

arr[0,:]=0
arr

array([[  0,   0,   0,   0],[  5,   0,   7,   8],[  5,   6, 700,   8]])

arr = np.array([ [1000,2,300,4],[5,600,7,8],[5,6,700,8]])
arr

array([[1000,    2,  300,    4],[   5,  600,    7,    8],[   5,    6,  700,    8]])

arr[arr>200]=0  #数组中大于200的数替换成了0
arr

array([[0, 2, 0, 4],[5, 0, 7, 8],[5, 6, 0, 8]])

## 多维数组的合并

arr1=np.array([ [1,2,3,4],[5,6,7,8]])
arr1

array([[1, 2, 3, 4],[5, 6, 7, 8]])

arr2=np.array([ [9,10,11,12],[13,14,15,16]])
arr2

array([[ 9, 10, 11, 12],[13, 14, 15, 16]])

* vstack 和 hstack 只能放一个参数,这个参数必须是容器

np.vstack((arr1,arr2)) #vertical 垂直新的

array([[ 1,  2,  3,  4],[ 5,  6,  7,  8],[ 9, 10, 11, 12],[13, 14, 15, 16]])

np.hstack((arr1,arr2))  #horizon 水平的

array([[ 1,  2,  3,  4,  9, 10, 11, 12],[ 5,  6,  7,  8, 13, 14, 15, 16]])

np.concatenate((arr1,arr2)) # concatenate 连接的意思,默认垂直合并

array([[ 1,  2,  3,  4],[ 5,  6,  7,  8],[ 9, 10, 11, 12],[13, 14, 15, 16]])

==在numpy中,为了统一做处理,只要有axis参数的,axis=0就是列,axis=1就是行

np.concatenate((arr1,arr2),axis=1) #水平

array([[ 1,  2,  3,  4,  9, 10, 11, 12],[ 5,  6,  7,  8, 13, 14, 15, 16]])

np.concatenate((arr1,arr2),axis=0)#垂直,默认垂直

array([[ 1,  2,  3,  4],[ 5,  6,  7,  8],[ 9, 10, 11, 12],[13, 14, 15, 16]])

通过函数方法创建多维数组

[i for i in range(10)]

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

np.arange(10)

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

np.arange(1,10,2)

array([1, 3, 5, 7, 9])

# ones
np.ones((3,4)) #默认是浮点型
# np.ones((3,4),dtype=int)

array([[1., 1., 1., 1.],[1., 1., 1., 1.],[1., 1., 1., 1.]])

np.ones((3,4),dtype=int)

# zeros
np.zeros((3,4))

array([[0., 0., 0., 0.],[0., 0., 0., 0.],[0., 0., 0., 0.]])

np.zeros((3,4,5)) #5控制一维,4,5控制二维,3,4,5控制三维

array([[[0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.]],[[0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.]],[[0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.]]])

np.zeros((3,4,5))

array([[[0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.]],[[0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.]],[[0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.]]])

## eye
np.eye(5) #5,5 5行和5列

array([[1., 0., 0., 0., 0.],[0., 1., 0., 0., 0.],[0., 0., 1., 0., 0.],[0., 0., 0., 1., 0.],[0., 0., 0., 0., 1.]])

矩阵的运算

• 两个矩阵对应元素相加
• 两个矩阵对应元素相减
• 两个矩阵对应元素相乘
  / 两个矩阵对应元素相除，如果都是整数则取商
  % 两个矩阵对应元素相除后取余数
  n 单个矩阵每个元素都取n次方，如2：每个元素都取平方

arr1

array([[1, 2, 3, 4],[5, 6, 7, 8]])

arr2

array([[ 9, 10, 11, 12],[13, 14, 15, 16]])

arr1+arr2

array([[10, 12, 14, 16],[18, 20, 22, 24]])

arr1*2

array([[ 2,  4,  6,  8],[10, 12, 14, 16]])

点乘和转置(了解) 点乘必须 m*n n *m

arr1

array([[1, 2, 3, 4],[5, 6, 7, 8]])

arr2

array([[ 9, 10, 11, 12],[13, 14, 15, 16]])

np.dot(arr1,arr2.T)

array([[110, 150],[278, 382]])

求逆(了解)

np.linalg.inv(np.dot(arr1,arr2.T))

array([[ 1.19375, -0.46875],[-0.86875,  0.34375]])

最大 小值

arr1

array([[1, 2, 3, 4],[5, 6, 7, 8]])

arr1.max()

8

arr1.min()

1

numpy生成随机数

固定随机数,让它不随机

np.random.rand(3,4)

array([[0.20445225, 0.87811744, 0.02738759, 0.67046751],[0.4173048 , 0.55868983, 0.14038694, 0.19810149],[0.80074457, 0.96826158, 0.31342418, 0.69232262]])

np.random.seed(1) #永不随机,固定,如果不加,每运行一次结果都不一样
np.random.rand(3,4)

array([[4.17022005e-01, 7.20324493e-01, 1.14374817e-04, 3.02332573e-01],[1.46755891e-01, 9.23385948e-02, 1.86260211e-01, 3.45560727e-01],[3.96767474e-01, 5.38816734e-01, 4.19194514e-01, 6.85219500e-01]])

rs =np.random.RandomState(1) #第二种方法
rs.rand(3,4)

array([[4.17022005e-01, 7.20324493e-01, 1.14374817e-04, 3.02332573e-01],[1.46755891e-01, 9.23385948e-02, 1.86260211e-01, 3.45560727e-01],[3.96767474e-01, 5.38816734e-01, 4.19194514e-01, 6.85219500e-01]])