Python人工智能常用库Numpy使用入门
第一章 jupyter notebook简单教程
目前成都创新互联已为上千多家的企业提供了网站建设、域名、网络空间、网站托管、服务器托管、企业网站设计、武定网站维护等服务，公司将坚持客户导向、应用为本的策略，正道将秉承"和谐、参与、激情"的文化，与客户和合作伙伴齐心协力一起成长，共同发展。
命令模式按键esc开启
Enter : 转入编辑模式
Shift-Enter : 运行本单元，选中下个单元
Ctrl-Enter : 运行本单元
Alt-Enter : 运行本单元，在其下插入新单元
Y : 单元转入代码状态
M :单元转入markdown状态
Z : 恢复删除的最后一个单元
第二章 numpy简单教程
2.1 数组
import numpy as np
a = np.array([1, 2, 3])
print(a)
#out
[1 2 3]
a
#out
array([1, 2, 3])
type(a)
#out
numpy.ndarray
a.shape
#out
(3,)
# reshape(1, -1)中1代表设置数组为1行 , -1代表一个占位符 , 表示a数组列数
# reshape()中-1可以作为行的占位符也可以作为列的占位符
a = a.reshape(1, -1)
a.shape
#out
(1, 3)
a = np.array([1, 2, 3, 4, 5, 6])
a.shape
#out
(6,)
a = a.reshape(2,-1)
a.shape
#out
(2, 3)
a
#out
array([[1, 2, 3],
[4, 5, 6]])
a = a.reshape(-1, 2)
a.shape
#out
(3, 2)
a[2, 0]
#out
5
a[2, 0] = 55
a[2, 0]
#out
55
# zeros用于创建元素全部为0的矩阵数组
a = np.zeros((3, 3))
a
#out
array([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
# ones用于创建元素全部为1的矩阵数组
a = np.ones((3, 3))
a
#out
array([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])
# zeros ones函数也完全可以用full函数实现
a = np.full((2, 3), 0)
a
#out
array([[0, 0, 0],
[0, 0, 0]])
# eye函数用于创建单位矩阵
a = np.eye(3)
a
#out
array([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])
# random.random用户创建数值为0-1之间的随机二维数组
a = np.random.random((2, 3))
a
#out
array([[0.54627035, 0.49586489, 0.6976645 ],
[0.76596824, 0.95951819, 0.7515421 ]])
2.2 数组索引操作
# indexing : 数组索引
a = np.array([[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12]])
# -2代表数组的倒数第二行 , 1:3代表从第一列开始往后两个元素
a[-2:, 1:3]
#out
array([[ 6, 7],
[10, 11]])
# 取倒数第二行 , 第三列元素
a[-2, 3]
#out
8
a
#out
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
a.shape
#out
(3, 4)
# 将数组a倒数第二行开始到最后一行 , 从第一列往后两列元素赋值给b数组
b = a[-2:, 1:3]
a
#out
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
b
#out
array([[ 6, 7],
[10, 11]])
b.shape
#out
(2, 2)
# 指定为索引为的2行
b = a[2, 1:3]
b
#out
array([10, 11])
b.shape
#out
(2,)
b = a[1, 2]
b
#out
7
b.shape
#out
()
b = a[2:3, 1:3]
b
#out
array([[10, 11]])
b.shape
#out
(1, 2)
# 将数组的3行的1列 + 10
a[np.arange(3), 1] += 10
a
#out
array([[ 1, 12, 3, 4],
[ 5, 16, 7, 8],
[ 9, 20, 11, 12]])
a[np.arange(2), 3] += 100
a
#out
array([[ 1, 12, 3, 104],
[ 5, 16, 7, 108],
[ 9, 20, 11, 12]])
# 产生一个0,1,2的数组 , 不包含3
np.arange(3)
#out
array([0, 1, 2])
# 产生一个从3-7的数组 , 不包含7
np.arange(3,7)
#out
array([3, 4, 5, 6])
a[np.arange(3), [1,1,1]] += 10
a
#out
array([[ 1, 22, 3, 104],
[ 5, 26, 7, 108],
[ 9, 30, 11, 12]])
a[[0,1,2], [1,1,1]] += 10
a
#out
array([[ 1, 32, 3, 104],
[ 5, 36, 7, 108],
[ 9, 40, 11, 12]])
# 判断数组a中大于10的值
result_index = a>10
result_index
#out
array([[False, True, False, True],
[False, True, False, True],
[False, True, True, True]])
a[result_index]
#out
array([ 32, 104, 36, 108, 40, 11, 12])
a[a>10]
#out
array([ 32, 104, 36, 108, 40, 11, 12])
2.3 元素数组类型
a = np.array([1,2,3])
a.dtype
#out
dtype('int64')
a = np.array([1.1, 2.2])
a.dtype
#out
dtype('float64')
a = np.array([1.1, 1, 'a'])
a
#out
array(['1.1', '1', 'a'], dtype='
# 将float型数组转化成int型
a = np.array([1.1, 2.2], dtype=np.int64)
a
#out
array([1, 2])
# 将a数组赋值给b数组 , 同时设置元素类型为int
b = np.array(a, dtype=np.int64)
b
#out
array([1, 2])
2.3 数组运算与常用函数
numpy中的数学运算
a = np.array([[1,2],
[3,4]])
b = np.array([[5,6],
[6,5]])
# 加法
a+b
#out
array([[6, 8],
[9, 9]])
np.add(a,b)
#out
array([[6, 8],
[9, 9]])
# 减法
a-b
#out
array([[-4, -4],
[-3, -1]])
np.subtract(a,b)
#out
array([[-4, -4],
[-3, -1]])
# 乘法
a*b
#out
array([[ 5, 12],
[18, 20]])
np.multiply(a,b)
#out
array([[ 5, 12],
[18, 20]])
# 除法
a/b
#out
array([[0.2 , 0.33333333],
[0.5 , 0.8 ]])
np.divide(a,b)
#out
array([[0.2 , 0.33333333],
[0.5 , 0.8 ]])
# 开方
np.sqrt(a)
#out
array([[1. , 1.41421356],
[1.73205081, 2. ]])
a
#out
array([[1, 2],
[3, 4]])
b = np.array([[1,2,3],
[4,5,6]]) 无锡人流医院哪家好 http://www.wxbhnkyy120.com/
# dot : 是将a数组与b数组矩阵相乘的结果
a.dot(b)
#out
array([[ 9, 12, 15],
[19, 26, 33]])
np.dot(a,b)
#out
array([[ 9, 12, 15],
[19, 26, 33]])
numpy中的常用函数
# sum : 求和函数
# 计算数组中全部元素的和
a = np.array([[1,2],
[3,4]])
np.sum(a)
#out
10
# 将数组中的每一列进行求和操作
np.sum(a, axis=0)
#out
array([4, 6])
# 将数组中的每一行进行求和操作
np.sum(a, axis=1)
#out
array([3, 7])
# mean : 求平均值函数
# 计算数组的平均值
np.mean(a)
#out
2.5
# 计算数组每一列的平均值
np.mean(a, axis=0)
#out
array([2., 3.])
# 计算数组每一行的平均值
np.mean(a, axis=1)
#out
array([1.5, 3.5])
# uniform : 用户生成一个指定范围内的随机数值
np.random.uniform(3,4)
#out
3.247709331922638
# tile : 用于将一个数组作为一个元素重复指定的次数
a
#out
array([[1, 2],
[3, 4]])
# 将数组在行上重复1次, 在列上重复2次
np.tile(a, (1,2))
#out
array([[1, 2, 1, 2],
[3, 4, 3, 4]])
# 将数组在行上重复1次, 在列上重复3次
np.tile(a, (1,3))
#out
array([[1, 2, 1, 2, 1, 2],
[3, 4, 3, 4, 3, 4]])
# argsort : 将数组中的元素进行排序 , 默认从小到大
a = np.array([[1,12,3,104],
[5,10,1,3]])
# 按照数组下标将元素排好
np.argsort(a)
#out
array([[0, 2, 1, 3],
[2, 3, 0, 1]])
# 将每一列进行排序
a.argsort(axis=0)
#out
array([[0, 1, 1, 1],
[1, 0, 0, 0]])
# T : 矩阵转置
a
#out
array([[ 1, 12, 3, 104],
[ 5, 10, 1, 3]])
a.T
#out
array([[ 1, 5],
[ 12, 10],
[ 3, 1],
[104, 3]])
# 使用transpose函数将数组转置
np.transpose(a)
#out
array([[ 1, 5],
[ 12, 10],
[ 3, 1],
[104, 3]])
2.4 广播
广播
可以将不同维度的数组进行相加 , numpy会将不同维度的数组转化成相同维度的数组 , 广播会在缺失维度和一维的数组上进行操作
a = np.array([[1, 2, 3],
[5, 6, 7],
[9, 10, 11]])
b = np.array([1,2,3])
# 将b数组加到a数组的每一行
for i in range(3):
a[i, :] += b
a
#out
array([[ 2, 4, 6],
[ 6, 8, 10],
[10, 12, 14]])
# 将b数组行上重复3次 , 列上重复1次 , 与a相加
a + np.tile(b, (3,1))
#out
array([[ 3, 6, 9],
[ 7, 10, 13],
[11, 14, 17]])
网站名称：Python人工智能常用库Numpy使用入门
分享路径：http://myzitong.com/article/isjoeo.html