一、前言
机器学习三大件：numpy， pandas， matplotlib
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。
NumPy提供了一个N维数组类型ndarray
|
1
2
3
4
5
6
7
8
9
10
|
import numpy as npscore = 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
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]])
Numpy专门针对ndarray的操作和运算进行了设计，所以数组的存储效率和输入输出性能远优于Python中的嵌套列表，数组越大，Numpy的优势就越明显。
从图中我们可以看出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。
list – 分离式存储,存储内容多样化
ndarray – 一体式存储,存储类型必须一样
ndarray支持并行化运算（向量化运算）
ndarray底层是用C语言写的,效率更高,释放了GIL
二、基本操作
|
1
2
3
|
# 生成0和1的数组ones = np.ones([4,8])ones |
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
2
|
# 生成等间隔的数组np.linspace(0, 100, 11) |
array([ 0., 10., 20., 30., 40., 50., 60., 70., 80., 90.,
100.])
|
1
2
|
#创建等差数组 — 指定步长np.arange(10, 50, 2) |
array([10, 12, 14, 16, 18, 20, 22, 24, 26, 28, 30, 32, 34, 36, 38, 40, 42, 44, 46, 48])
三、正太分布
- rand函数根据给定维度生成[0,1)之间的数据，包含0，不包含1
|
1
|
np.random.rand(4,2) |
array([[ 0.02173903, 0.44376568],
[ 0.25309942, 0.85259262],
[ 0.56465709, 0.95135013],
[ 0.14145746, 0.55389458]])
- randn函数返回一个或一组样本，具有标准正态分布
|
1
|
np.random.randn(2,4) |
array([[ 0.27795239, -2.57882503, 0.3817649 , 1.42367345],
[-1.16724625, -0.22408299, 0.63006614, -0.41714538]])
- randint返回随机整数，范围区间为[low,high），包含low，不包含high
|
1
|
np.random.randint(1,5) # 返回1个[1,5)时间的随机整数 |
4
- 生成均匀分布的随机数，举例1：生成均值为1.75，标准差为1的正态分布数据，100000000个
|
1
|
x1 = np.random.normal(1.75, 1, 100000000) |
array([2.90646763, 1.46737886, 2.21799024, …, 1.56047411, 1.87969135, 0.9028096 ])
- 均匀分布
|
1
2
|
# 生成均匀分布的随机数x2 = np.random.uniform(-1, 1, 100000000) |
array([ 0.22411206, 0.31414671, 0.85655613, …, -0.92972446, 0.95985223, 0.23197723])
四、数组的索引、切片
|
1
2
3
4
5
6
7
8
9
10
|
# 三维a1 = np.array([ [[1,2,3],[4,5,6]], [[12,3,34],[5,6,7]]])# 返回结果array([[[ 1, 2, 3], [ 4, 5, 6]], [[12, 3, 34], [ 5, 6, 7]]])# 索引、切片a1[0, 0, 1] # 输出: 2 |
五、形状修改
|
1
2
|
stock_change.reshape([5, 4]) #5*4stock_change.reshape([-1,10]) #2*10，-1: 表示通过待计算 |
六、转置
|
1
|
stock_change.T.shape |
七、类型转换
|
1
2
|
arr = np.array([[[1, 2, 3], [4, 5, 6]], [[12, 3, 34], [5, 6, 7]]])arr.tostring() |
八、数组的去重
|
1
2
3
4
|
temp = np.array([[1, 2, 3, 4],[3, 4, 5, 6]])>>> np.unique(temp)array([1, 2, 3, 4, 5, 6]) |
逻辑运算
直接进行大于,小于的判断：test_score > 60
合适之后,可以直接进行赋值：test_score[test_score > 60] = 1
通用判断函数
np.all() np.all(score[0:2, :] > 60)
np.any() np.any(score[0:2, :] > 80)
统计运算
np.max()
np.min()
np.median()
np.mean()
np.std()
np.var()
np.argmax(axis=) — 最大元素对应的下标
np.argmin(axis=) — 最小元素对应的下标
九、广播机制
- 数组运算,满足广播机制,就OK
1.维度相等
2.shape(其中对应的地方为1,也是可以的)
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
arr1 = np.array([[0],[1],[2],[3]])arr1.shape# (4, 1)arr2 = np.array([1,2,3])arr2.shape# (3,)arr1+arr2# 结果是：array([[1, 2, 3], [2, 3, 4], [3, 4, 5], [4, 5, 6]]) |
到此这篇关于Python机器学习三大件之一numpy的文章就介绍到这了,更多相关python numpy内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家！
原文链接：https://blog.csdn.net/JerryZhang1111/article/details/116490715
