Python人工智能常用库Numpy使用入门

　　第一章 jupyter notebook简单教程

　　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]])

　　# 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无锡妇科医院哪家好 http://www.xasgfk.cn/

　　#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]])