机器学习入门--------numpy学习

标签：ike   media   行存储   normal   bytes   ems   了解   视图   目标   

引言

由于本节代码比较简单，就不上代码了，一切以截图为准

学习目标

• 了解Numpy运算速度上的优势
• 应用numpy的基本操作

开发工具

• python3.8
• jupyter notebook

1、numpy的介绍

Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。

Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。

Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。

2、ndarray介绍

NumPy提供了一个N维数组类型ndarray，它描述了相同类型的“items”的集合。

案例：用ndarray进行存储下列数据

# numpy的基本使用
import numpy as np
score = np.array(
    [[80, 89, 86, 67, 79],
[78, 97, 89, 67, 81],
[90, 94, 78, 67, 74],
[91, 91, 90, 67, 69],
[76, 87, 75, 67, 86],
[70, 79, 84, 67, 84],
[94, 92, 93, 67, 64],
[86, 85, 83, 67, 80]]
)
score

3、ndarray的的优势

• 内存块风格

  • ndarray在存储数据的时候，数据与数据的地址都是连续的，这样就给使得批量操作数组元素时速度更快。
  • python原生list就只能通过寻址方式找到下一个元素

• ndarray支持并行化运算（向量化运算):numpy内置了并行运算功能，当系统有多个核心时，做某种计算时，numpy会自动做并行计算

• 效率远高于纯Python代码:Numpy底层使用C语言编写，内部解除了GIL（全局解释器锁），其对数组的操作速度不受Python解释器的限制，所以，其效率远高于纯Python代码。

4、ndarray的属性

案例：代码简单，就不放了

5、基本操作

5.1生成0和1的数组（参数看上方属性）

• np.ones(shape, dtype)
• np.ones_like(a, dtype)
• np.zeros(shape, dtype)
• np.zeros_like(a, dtype)

生成0和1的数组 操作相同，只演示0的操作

5.2从现有数组生成

• np.array(array, dtype) 深拷贝
• np.asarray(array, dtype) 浅拷贝

案例

5.3生成固定范围的数组

• np.linspace (start, stop, num, endpoint) 创建等差数组 — 指定数量
  • start:序列的起始值
  • stop:序列的终止值
  • num:要生成的等间隔样例数量，默认为50
  • endpoint:序列中是否包含stop值，默认为ture
• np.arange(start,stop, step, dtype) 创建等差数组 — 指定步长
  • step:步长,默认值为1
• np.logspace(start,stop, num) 创建等比数列
  • num:要生成的等比数列数量，默认为50

案例

5.4生成随机数组

• np.random模块
  • 创建正态分布 np.random.normal(loc=0.0, scale=1.0, size=None)
    • loc:此概率分布的均值
    • scale:此概率分布的标准差
    • size:输出的shape，默认为None，只输出一个值
  • 创建标准正态分布 np.random.standard_normal(size=None)
  • 均匀分布np.random.uniform(low=0.0, high=1.0, size=None)
    • low:采样下界，float类型，默认值为0
    • high:采样上界，float类型，默认值为1
    • size:输出样本数目，为int或元组(tuple)类型，例如，size=(m,n,k), 则输出mnk个样本，缺省时输出1个值。

案例：成均值为1.75，标准差为1的正态分布数据，10000000个

6、形状修改

• ndarray.reshape(shape, order)
  • 返回一个具有相同数据域，但shape不一样的视图
  • 行、列不进行互换
• ndarray.resize(new_shape)
  • 修改数组本身的形状（需要保持元素个数前后相同）
  • 行、列不进行互换
• ndarray.T
  • 数组的转置
  • 将数组的行、列进行互换

案例

7、类型修改

• ndarray.astype(type) 返回修改了类型之后的数组
• ndarray.tostring([order])或者ndarray.tobytes([order]) 构建一个包含ndarray的原始字节数据的字节字符串

8、去重

• np.unique(ndarray) 去掉重复数据，返回一个集合

案例

9、ndarray运算

逻辑运算：

案例：查询成绩大于60的

通用判断函数

• np.all() 判断所有
• np.any() 只要其中一个符合即可

案例：

三元运算符

• np.where（三元运算符）
• 复合逻辑需要结合np.logical_and和np.logical_or使用

案例

10、统计运算（具体看案例）

• min(a, axis) 最小数
• max(a, axis]) 最大数
• median(a, axis) 中位数
• mean(a, axis, dtype) 平均值
• std(a, axis, dtype)
• var(a, axis, dtype)

案例

11、矩阵乘法

• np.matmul
• np.dot（可以实现矩阵和标量相乘）

案例

机器学习入门--------numpy学习

标签：ike   media   行存储   normal   bytes   ems   了解   视图   目标   

原文地址：https://www.cnblogs.com/yangxiao-/p/14253447.html