机器学习基础 --- numpy的基本使用
2024-06-01 09:28:13
一、numpy的简介
numpy是Python的一种开源的数值计算扩展库。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix））。
NumPy（Numeric Python）提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专为进行严格的数字处理而产生。
Numpy中包含了大量的矩阵运算，所以读者最好具有一点儿线性代数的基础。
二、numpy基本使用
1. 导入numpy库并使用numpy的array方法配合Python中的list生成矩阵
import numpy as npvetor = np.array([1,2,3,4]) # 一维 matrix = np.array([[1,1,1],[2,2,2],[3,3,3] ]) # 二维 print(vetor) print(matrix)
输出：
[1 2 3 4] [[1 1 1][2 2 2][3 3 3]]
2. 获取矩阵的组成
print(vetor.shape) print(matrix.shape)
输出：
(4,) (3, 3)
3. 数据类型
numbers = np.array([1,3,5,7]) # 全为int型 print(numbers) numbers.dtype
输出：
[1 3 5 7]
dtype('int64')
numbers = np.array([1,3,5,7.0]) # 有一个为float型，全为float型 print(numbers) numbers.dtype
示例2
[1. 3. 5. 7.]
dtype('float64')输出2
numbers = np.array([1,3,5,'7']) # 有一个为字符串，全为字符串 print(numbers) numbers.dtype
示例3
['1' '3' '5' '7']
dtype('<U21')输出3
4. 操作矩阵的某个值，某些值
vetor = np.array([1,2,3,4]) matrix = np.array([[1,2,3],[4,5,6],[7,8,9]]) print(vetor[2]) # 打印vetor的第2个元素 print(vetor[:3]) # 打印vetor的第0到第二个（不包括第三个）元素 print(matrix[2,2]) # 打印matrix第2行，第2列的元素 print(matrix[:, 1]) # 打印每一行的第1列元素
输出：
3 [1 2 3] 9 [2 5 8]
5. 迭代判断矩阵中的所有值是否等于某个值
import numpy as np vector = np.array([1,3,5,7]) vector == 5
输出：
array([False, False, True, False])
matrix = np.array([[1, 4, 7],[2, 5, 8],[3, 6, 9] ]) matrix == 5
示例2
array([[False, False, False],[False, True, False],[False, False, False]])
输出2
vector = np.array([1,3,4,5,7]) equal_three_and_five = (vector == 3) & (vector == 5) # 迭代判断vector中的所有值是否即等于3又等于5 print(equal_three_and_five)
示例3
[False False False False False]
输出3
vector = np.array([1,3,4,5,7]) equal_three_or_five = (vector == 3) | (vector == 5) # 迭代判断vector中的所有值是否即等于3或者等于5 print(equal_three_or_five)
示例4
[False True False True False]
输出4
matrix = np.array([[1, 4, 7],[2, 5, 8],[3, 6, 9] ]) equal_ten = (matrix == 5) # 比较的结果可视为一个索引 print(equal_ten) print(matrix[equal_ten])
进阶使用1
[[False False False][False True False][False False False]] [5]
进阶输出1
matrix = np.array([[1, 4, 7],[2, 5, 8],[3, 6, 9] ]) equal_ten = (matrix[:, 1] == 5) # 迭代判断matrix的第1列的值是否等于5 print(equal_ten) print(matrix[equal_ten, :])
进阶使用2
[False True False] [[2 5 8]]
进阶输出2
vector = np.array([1,3,4,5,7]) equal_three_or_five = (vector == 3) | (vector == 5) # 迭代判断vector中的所有值是否即等于3或者等于5 vector[equal_three_or_five] = 10 # 将等于3或者等于5的值替换成10 print(vector)
进阶使用3
[ 1 10 4 10 7]
进阶输出3
6.类型转换
vector = np.array(['1', '3', '5', '7']) print(vector.dtype) print(vector) vector = vector.astype(int) #使用astype方法做类型转换 print(vector.dtype) print(vector)
输出：
<U1 ['1' '3' '5' '7'] int64 [1 3 5 7]
7.常规计算
vector = np.array([1,3,4,5,7]) print(vector.min()) #求最大值 print(vector.max()) #求最小组
输出：
1 7
# 示例2matrix = np.array([[1, 4, 7],[2, 5, 8],[3, 6, 9] ]) print(matrix.min(axis=1)) # 按行求最小值，axis=1表示按行 print(matrix.max(axis=0)) # 按列求最大值，axis=0表示按列 print(matrix.max()) # 所有值求最大值
# 输出2 [1 2 3] [3 6 9] 9
# 示例3 matrix = np.array([[1, 4, 7],[2, 5, 8],[3, 6, 9] ]) print(matrix.sum(axis=1)) # 按行求和 print(matrix.sum(axis=0)) # 按列求和 print(matrix.sum()) # 所有值求和
# 输出3 [12 15 18] [ 6 15 24] 45
8.生成初始矩阵
# 示例1 print(np.arange(15)) # 取0到14组成一个一维矩阵 a = np.arange(15).reshape(3,5) # 取0到14组成一个3行5列的2维矩阵 print(a)
# 输出1 [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14] [[ 0 1 2 3 4][ 5 6 7 8 9][10 11 12 13 14]]
# 示例2 a.ndim # 获取a的维度 a.dtype.name #获取a中数据的类型 a.size # a中数据的数量
# 示例3 b = np.zeros((3, 4)) # 一个3行4列的矩阵， 由0构成 print(b)
# 输出3 [[0. 0. 0. 0.][0. 0. 0. 0.][0. 0. 0. 0.]]
# 示例4 c = np.ones((2,3,4), dtype=np.int32) # 3维矩阵，2组3行4列的2维矩阵，由1构成 print(c)
# 输出4 [[[1 1 1 1][1 1 1 1][1 1 1 1]][[1 1 1 1][1 1 1 1][1 1 1 1]]]
# 示例5 d = np.arange(10, 30, 5) #初值为10，增量为5，最大不超过30，构成一维矩阵，numpy中arange的用法几乎和Python中的range一样 print(d)
# 输出5 [10 15 20 25]
# 示例6 e = np.random.random((2, 3)) #由0到1之间的随机数构成一个2行3列的矩阵，np.random中的方法几乎和Python的random模块中的方法相同 print(e)
# 输出6 [[0.26358359 0.86922218 0.12168824][0.58244693 0.30264221 0.795065 ]]
# 示例7 from numpy import pi f = np.linspace(0, 2*pi, 100) #由0到2pi中间的100个数构成一个一维矩阵，这些书之间的增量相同 print(f)
# 输出7 [0. 0.06346652 0.12693304 0.19039955 0.25386607 0.317332590.38079911 0.44426563 0.50773215 0.57119866 0.63466518 0.69813170.76159822 0.82506474 0.88853126 0.95199777 1.01546429 1.078930811.14239733 1.20586385 1.26933037 1.33279688 1.3962634 1.459729921.52319644 1.58666296 1.65012947 1.71359599 1.77706251 1.840529031.90399555 1.96746207 2.03092858 2.0943951 2.15786162 2.221328142.28479466 2.34826118 2.41172769 2.47519421 2.53866073 2.602127252.66559377 2.72906028 2.7925268 2.85599332 2.91945984 2.982926363.04639288 3.10985939 3.17332591 3.23679243 3.30025895 3.363725473.42719199 3.4906585 3.55412502 3.61759154 3.68105806 3.744524583.8079911 3.87145761 3.93492413 3.99839065 4.06185717 4.125323694.1887902 4.25225672 4.31572324 4.37918976 4.44265628 4.50612284.56958931 4.63305583 4.69652235 4.75998887 4.82345539 4.886921914.95038842 5.01385494 5.07732146 5.14078798 5.2042545 5.267721025.33118753 5.39465405 5.45812057 5.52158709 5.58505361 5.648520125.71198664 5.77545316 5.83891968 5.9023862 5.96585272 6.029319236.09278575 6.15625227 6.21971879 6.28318531]
9.矩阵的基础运算
# 示例2
# 矩阵的加减运算
a = np.array([20, 30, 40, 50])
b = np.arange(4)
print(a)
print(b)
c = a - b # 将a与b对应的位置相减
d = a + b # 将a与b对应的位置相加
print('----------->')
print(c)
print(d)
c = c -2
print('----------->')
print(c)
print(b ** 2) # 对b中的每个元素平方
print(a < 40) # 迭代判断a中的元素是否小于40#输出1 [20 30 40 50] [0 1 2 3] -----------> [20 29 38 47] [20 31 42 53] -----------> [18 27 36 45] [0 1 4 9] [ True True False False]
# 示例2
# 矩阵的乘法
A = np.array([[1, 1],[0, 1]
])
B = np.array([[2, 0],[3, 4]
])
print(A)
print("=============")
print(B)
print("=============")
print(A*B) # 矩阵对应位置的元素相乘
print("=============")
print(A.dot(B)) # 矩阵乘积
print("=============")
print(np.dot(A, B)) # 矩阵乘积# 输出2 [[1 1][0 1]] ============= [[2 0][3 4]] ============= [[2 0][0 4]] ============= [[5 4][3 4]] ============= [[5 4][3 4]]
10.矩阵的其他操作
# 示例1 import numpy as np B = np.arange(3) print(B) print(np.exp(B)) # 分别计算e的0，1，2（即B中的每个元素）次幂 print(np.sqrt(B)) # 对B求算数平方根# 输出1： [0 1 2] [1. 2.71828183 7.3890561 ] [0. 1. 1.41421356]
# 示例2
a = np.random.random((3, 4))
print(a)
b = np.floor(10 * a) #取整，截除小数点后面的部分
print(b)
print("------------------------------>")
c = b.ravel() # 二维转一维，即矩阵转向量，返回一个新的矩阵，自身结构不改变
print(c)
c.shape = (6, 2) # 一维转二维，向量转为6×2的矩阵，对自己自身结构
print(c)
print("------------------------------>")
d = c.T
print(c.T) # 对矩阵进行转置# 输出2：
[[0.07997894 0.66199346 0.66872968 0.09003685][0.80189354 0.02278636 0.82955998 0.3037011 ][0.31794432 0.67269324 0.12022113 0.12148777]]
[[0. 6. 6. 0.][8. 0. 8. 3.][3. 6. 1. 1.]]
------------------------------>
[0. 6. 6. 0. 8. 0. 8. 3. 3. 6. 1. 1.]
[[0. 6.][6. 0.][8. 0.][8. 3.][3. 6.][1. 1.]]
------------------------------>
[[0. 6. 8. 8. 3. 1.][6. 0. 0. 3. 6. 1.]]# 示例3
import numpy as np
a = np.floor(10 * np.random.random((2, 2)))
b = np.floor(10 * np.random.random((2, 2)))
print(a)
print(b)
print("------------------------------>")
c = np.vstack((a, b)) # 将两个矩阵按行合并，两个矩阵的列必须相同
print(c)
print("------------------------------>")
d = np.hstack((a, b)) # 两个矩阵按列合并，两个矩阵的行必须相同
print(d)# 输出3：
[[8. 7.][0. 0.]]
[[6. 9.][0. 1.]]
------------------------------>
[[8. 7.][0. 0.][6. 9.][0. 1.]]
------------------------------>
[[8. 7. 6. 9.][0. 0. 0. 1.]]# 示例4
import numpy as np
a = np.floor(10 * np.random.random((2, 12)))
print(a)
print("------------------------------>")
b,c,d = np.hsplit(a, 3) # 按列切平均分为3份
print(b)
print(c)
print(d)
print("------------------------------>")
e,f,g = np.vsplit(a.T, 3) # 按行切平均分为3份
print(e)
print(f)
print(g)
print("------------------------------>")
h, i, j, k = np.hsplit(a, (3, 6, 8)) # 在第3列前面，第6列前面，第8列后面进行分割，分割为4个矩阵，np.vsplit()用法相同
print(h)
print(i)
print(j)
print(k)# 输出4：
[[3. 1. 7. 4. 1. 1. 5. 8. 3. 9. 5. 6.][2. 7. 6. 3. 7. 1. 6. 3. 5. 7. 9. 0.]]
------------------------------>
[[3. 1. 7. 4.][2. 7. 6. 3.]]
[[1. 1. 5. 8.][7. 1. 6. 3.]]
[[3. 9. 5. 6.][5. 7. 9. 0.]]
------------------------------>
[[3. 2.][1. 7.][7. 6.][4. 3.]]
[[1. 7.][1. 1.][5. 6.][8. 3.]]
[[3. 5.][9. 7.][5. 9.][6. 0.]]
------------------------------>
[[3. 1. 7.][2. 7. 6.]]
[[4. 1. 1.][3. 7. 1.]]
[[5. 8.][6. 3.]]
[[3. 9. 5. 6.][5. 7. 9. 0.]]11.矩阵的复制
# 示例1
a = np.arange(12)
b = a # 这种方式对b赋值，b和a是同一个对象，改变一个，另一个也改变，相当于别名
print(b)
print(a)
print(b is a)
print("------------------------------>")
a.shape = (3, 4)
print(a)
print(b)
print(b.shape)
print(id(a))
print(id(b))输出1：
[ 0 1 2 3 4 5 6 7 8 9 10 11]
[ 0 1 2 3 4 5 6 7 8 9 10 11]
True
------------------------------>
[[ 0 1 2 3][ 4 5 6 7][ 8 9 10 11]]
[[ 0 1 2 3][ 4 5 6 7][ 8 9 10 11]]
(3, 4)
4426322848
4426322848# 示例2
# 浅拷贝（不建议使用）
a = np.arange(12)
a.shape = (2, 6)
c = a.view() # 浅拷贝，c和a是两个对象，但是是同一份数据
print(a)
print(c)
print(c is a)
print("------------------------------>")
a.shape = (3, 4) # 改变结构，两个不相互影响
print(a)
print(c)
print("------------------------------>")
c[0,4] = 10000 # 改变数据，会影响另外一个
print(a)
print(c)# 输出2：
[[ 0 1 2 3 4 5][ 6 7 8 9 10 11]]
[[ 0 1 2 3 4 5][ 6 7 8 9 10 11]]
False
------------------------------>
[[ 0 1 2 3][ 4 5 6 7][ 8 9 10 11]]
[[ 0 1 2 3 4 5][ 6 7 8 9 10 11]]
------------------------------>
[[ 0 1 2 3][10000 5 6 7][ 8 9 10 11]]
[[ 0 1 2 3 10000 5][ 6 7 8 9 10 11]]# 示例3
# 深拷贝
a = np.arange(12)
a.shape = (2, 6)
d = a.copy() # 深拷贝，d和a是两个对象，两份数据
print(a)
print(d)
print(d is a)
print("------------------------------>")
a.shape = (3, 4) # 改变结构，两个不相互影响
print(a)
print(d)
print("------------------------------>")
d[0,4] = 10000 # 改变数据，两个不相互影响
print(a)
print(d)# 输出3：
[[ 0 1 2 3 4 5][ 6 7 8 9 10 11]]
[[ 0 1 2 3 4 5][ 6 7 8 9 10 11]]
False
------------------------------>
[[ 0 1 2 3][ 4 5 6 7][ 8 9 10 11]]
[[ 0 1 2 3 4 5][ 6 7 8 9 10 11]]
------------------------------>
[[ 0 1 2 3][ 4 5 6 7][ 8 9 10 11]]
[[ 0 1 2 3 10000 5][ 6 7 8 9 10 11]]12.numpy的一些常用方法：
# 示例1 import numpy as np data = np.sin(np.arange(20)).reshape(5, 4) print(data) ind = data.argmax(axis = 0) # 按列求最大值，得到行的索引，比如第1列的最大值在第2行，则返回2，依次求出所有列最大值的索引组成一个向量 print(ind) print(range(data.shape[1])) data_max = data[ind, range(data.shape[1])] # 相当于由data[2,0],data[0,1],data[3,2],data[1,3]构成的一个矩阵 print(data_max)# 输出1： [[ 0. 0.84147098 0.90929743 0.14112001][-0.7568025 -0.95892427 -0.2794155 0.6569866 ][ 0.98935825 0.41211849 -0.54402111 -0.99999021][-0.53657292 0.42016704 0.99060736 0.65028784][-0.28790332 -0.96139749 -0.75098725 0.14987721]] [2 0 3 1] range(0, 4) [0.98935825 0.84147098 0.99060736 0.6569866 ]
# 示例2
a = np.arange(0, 10, 2)
print(a)
b = np.tile(a, (4, 3)) # 将a当成一个整体，将其复制为4行3列构成一个矩阵
print(b)
print('----------------------------------->')
c = np.arange(0, 11, 2)
c.shape = (2, 3) # 对于二维同样如此
print(c)
d = np.tile(c, (4, 3))
print(d)# 输出2：
[0 2 4 6 8]
[[0 2 4 6 8 0 2 4 6 8 0 2 4 6 8][0 2 4 6 8 0 2 4 6 8 0 2 4 6 8][0 2 4 6 8 0 2 4 6 8 0 2 4 6 8][0 2 4 6 8 0 2 4 6 8 0 2 4 6 8]]
----------------------------------->
[[ 0 2 4][ 6 8 10]]
[[ 0 2 4 0 2 4 0 2 4][ 6 8 10 6 8 10 6 8 10][ 0 2 4 0 2 4 0 2 4][ 6 8 10 6 8 10 6 8 10][ 0 2 4 0 2 4 0 2 4][ 6 8 10 6 8 10 6 8 10][ 0 2 4 0 2 4 0 2 4][ 6 8 10 6 8 10 6 8 10]]# 示例3
a = np.floor(10 * np.random.random((15)))
c = a.copy()
a.shape = (5, 3)
print(a)
print('----------------------------------->')
b = np.sort(a, axis=0) # axis=0按列进行升序排序， axis=1按行升序排序， 默认按行排序
print(b)
print('----------------------------------->')
a.sort(axis=1)
print(a)
print('----------------------------------->')
j = np.argsort(c) # 排序，取原来的索引，比如[5 3 6]执行，得到[1 0 2],
print(c)
print(j)
print(c[j])# 输出3：
[[2. 5. 5.][6. 4. 9.][8. 3. 0.][2. 3. 0.][5. 5. 4.]]
----------------------------------->
[[2. 3. 0.][2. 3. 0.][5. 4. 4.][6. 5. 5.][8. 5. 9.]]
----------------------------------->
[[2. 5. 5.][4. 6. 9.][0. 3. 8.][0. 2. 3.][4. 5. 5.]]
----------------------------------->
[2. 5. 5. 6. 4. 9. 8. 3. 0. 2. 3. 0. 5. 5. 4.]
[ 8 11 0 9 7 10 4 14 1 2 12 13 3 6 5]
[0. 0. 2. 2. 3. 3. 4. 4. 5. 5. 5. 5. 6. 8. 9.]转载于:https://www.cnblogs.com/God-Li/p/8830327.html
机器学习基础 --- numpy的基本使用相关推荐
- python机器学习基础--numpy库
目录 numpy库 数据维度的python表示 数组对象ndarray 数组创建与变换 数组变换 数组操作 数组运算 numpy数据存取 csv文件存储 案例1:使用下面代码生成一个csv文件[^1] ...
- 机器学习笔记（一）numpy的使用、机器学习基础概念
目录 1.numpy 1.1.创建 numpy.array 1.1.1.常规创建 numpy.array 的方法 1.1.2.其他创建 numpy.array 的方法 1.1.2.其他创建随机数 ra ...
- python分类器鸢尾花怎么写_python机器学习基础教程-鸢尾花分类
一: 环境准备: 1.导入的库: importnumpy as npimportmatplotlib.pyplot as pltimportpandas as pdimport mglearn 2.导 ...
- Python机器学习基础教程-第2章-监督学习之K近邻
前言 本系列教程基本就是摘抄<Python机器学习基础教程>中的例子内容. 为了便于跟踪和学习,本系列教程在Github上提供了jupyter notebook 版本: Github仓库: ...
- 【机器学习实战】第1章 机器学习基础
第1章 机器学习基础 机器学习 概述 机器学习就是把无序的数据转换成有用的信息. 获取海量的数据 从海量数据中获取有用的信息 我们会利用计算机来彰显数据背后的真实含义,这才是机器学习的意义. 机器学习 ...
- 【机器学习基础】数学推导+纯Python实现机器学习算法26：随机森林
Python机器学习算法实现 Author:louwill Machine Learning Lab 自从第14篇文章结束,所有的单模型基本就讲完了.而后我们进入了集成学习的系列,整整花了5篇文章的篇 ...
- [Python人工智能] 三.theano实现分类神经网络及机器学习基础
从本篇文章开始,作者正式开始研究Python深度学习.神经网络及人工智能相关知识.前两篇文章讲解了神经网络基础概念.Theano库的安装过程及基础用法.theano实现回归神经网络,这篇文章主要讲解机 ...
- 《机器学习实战》笔记（01）：机器学习基础
机器学习基础 机器学习能让我们自数据集中受到启发,换句话说利用计算机来彰显数据背后的真实含义. 机器学习在日常生活中的应用 人脸识别 手写数字识别 垃圾邮件过滤 电商的产品推荐 天气预测 疾病诊断 - ...
- python基础教程免费下载-《Python机器学习基础教程》高清版免费PDF下载
Python机器学习基础教程-[德] 安德里亚斯·穆勒(Andreas C.Müller)[美]莎拉·吉多(Sarah Guido) 著,张亮(hysic) 译 下载地址1:网盘下载 下载地址2:网盘 ...
最新文章
- 计算机学硕哪些学校好考,什么学校研究生好考,计算机专业研究生哪个学校好考一点...
- 整理了近500篇的AI论文，我发现了一个问题……
- 微信小程序---导航(navigator)
- 神经网络php代码，慢慢研究
- 北京人工智能工程师职称评定政策出台，明年起一年一评
- oracle显示linesize,SQL Plus输出结果的格式化(linesize、pagesize)
- PAT-乙级-1009. *说反话 (20)
- 【操作系统】—操作系统的四个特征
- 全向轮移动机器人构型分析
- 可视化理解卷积神经网络 - 反卷积网络 - 没看懂
- EventUtil——跨浏览器的事件对象
- java统计代码的行数
- 蚂蚁金服（实习）凉经
- mysql统计姓名为_MySQL统计所有成绩都在90分的姓名
- 【MySQL】MySQL 存储引擎、索引、锁、集群
- 学习c#的最后一天，做了一个文字版的1V1的小游戏
- PAT 1069.微博转发抽奖
- python爬虫福利学习
- 那些你不知道的DOU+投放技巧，以及常见的审核失败原因丨国仁网络
- Flutter流式布局