Python 真火来学习一下，先来看一个库 NumPy。NumPy是Python语言的一个扩充程序库。支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

1. 读取文件

numpy.genfromtxt() 用于读取 txt 文件，其中传入的参数依次为：

  1. 需要读取的 txt 文件位置，此处文件与程序位于同一目录下
  2. 分割的标记
  3. 转换类型，如果文件中既有文本类型也有数字类型，就先转成文本类型

help(numpy.genfromtxt)用于查看帮助文档：
如果不想看 API 可以启动一个程序用 help 查看指令的详细用法

 
 
 
 
 
 

Python

 
1
2
3
4
5
6
import numpy
 
world_alcohol = numpy.genfromtxt("world_alcohol.txt", delimiter=",",dtype=str)
print(type(world_alcohol))
print(world_alcohol)
print(help(numpy.genfromtxt))

2. 构造 ndarray

numpy.array()构造 ndarray

numpy.array()中传入数组参数，可以是一维的也可以是二维三维的。numpy 会将其转变成 ndarray 的结构。

 
 
 
 
 

Python

 
1
2
vector = numpy.array([1,2,3,4])
matrix = numpy.array([[1,2,3],[4,5,6]])

传入的参数必须是同一结构,不是同一结构将发生转换。

 
 
 
 
 

Python

 
1
2
3
vector = numpy.array([1,2,3,4])
 
array([1, 2, 3, 4])

均为 int 类型

 
 
 
 
 

Python

 
1
2
3
vector = numpy.array([1,2,3,4.0])
 
array([ 1.,  2.,  3.,  4.])

转为浮点数类型

 
 
 
 
 

Python

 
1
2
3
vector = numpy.array([1,2,'3',4])
 
array(['1', '2', '3', '4'],dtype='<U21')

转为字符类型

利用 .shape 查看结构

能够了解 array 的结构，debug 时通过查看结构能够更好地了解程序运行的过程。

 
 
 
 
 

Python

 
1
2
3
4
print(vector.shape)
print(matrix.shape)
(4,)
(2, 3)

利用 dtype 查看类型

 
 
 
 
 

Python

 
1
2
3
4
vector = numpy.array([1,2,3,4])
vector.dtype
 
dtype('int64')

ndim 查看维度

一维

 
 
 
 
 

Python

 
1
2
3
4
vector = numpy.array([1,2,3,4])
vector.ndim
 
1

二维

 
 
 
 
 

Python

 
1
2
3
4
5
6
matrix = numpy.array([[1,2,3],
                      [4,5,6],
                     [7,8,9]])
matrix.ndim
 
2

size 查看元素数量

 
 
 
 
 

Python

 
1
2
matrix.size
9

3. 获取与计算

numpy 能使用切片获取数据

 
 
 
 
 

Python

 
1
2
3
matrix = numpy.array([[1,2,3],
                      [4,5,6],
                     [7,8,9]])

根据条件获取

numpy 能够依次比较 vector 和元素之间是否相同

 
 
 
 
 

Python

 
1
2
3
4
vector = numpy.array([5, 10, 15, 20])
vector == 10
 
array([False,  True, False, False], dtype=bool)

根据返回值获取元素

 
 
 
 
 

Python

 
1
2
3
4
5
6
7
vector = numpy.array([5, 10, 15, 20])
equal_to_ten = (vector == 10)
print(equal_to_ten)
print(vector[equal_to_ten])
 
[False  True False False]
[10]

进行运算之后获取

 
 
 
 
 

Python

 
1
2
vector = numpy.array([5, 10, 15, 20])
equal_to_ten_and_five = (vector == 10) & (vector == 5)
 
 
 
 
 

Python

 
1
2
vector = numpy.array([5, 10, 15, 20])
equal_to_ten_or_five = (vector == 10) | (vector == 5)

类型转换

将整体类型进行转换

 
 
 
 
 

Python

 
1
2
3
4
5
6
7
vector = numpy.array([5, 10, 15, 20])
print(vector.dtype)
vector = vector.astype(str)
print(vector.dtype)
 
int64
<U21

求和

sum() 能够对 ndarray 进行各种求和操作，比如分别按行按列进行求和

 
 
 
 
 

Python

 
1
2
3
4
5
6
7
8
9
10
matrix = numpy.array([[1,2,3],
                      [4,5,6],
                     [7,8,9]])
print(matrix.sum())
print(matrix.sum(1))
print(matrix.sum(0))
 
45
[ 6 15 24]
[12 15 18]

sum(1) 是 sum(axis=1)) 的缩写，1表示按照 x轴方向求和，0表示按照y轴方向求和

4. 常用函数

reshape

生成从 0-14 的 15 个数字，使用 reshape(3,5) 将其构造成一个三行五列的 array。

 
 
 
 
 

Python

 
1
2
3
4
5
6
7
import numpy as np
arr = np.arange(15).reshape(3, 5)
arr
 
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])

zeros

生成指定结构的默认为 0. 的 array

 
 
 
 
 

Python

 
1
2
3
4
5
np.zeros ((3,4))
 
array([[ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.]])

ones

生成一个三维的 array,通过 dtype 指定类型

 
 
 
 
 

Python

 
1
2
3
4
5
6
7
8
9
np.ones( (2,3,4), dtype=np.int32 )
 
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]]])

range

指定范围和数值间的间隔生成 array，注意范围包左不包右

 
 
 
 
 

Python

 
1
2
3
np.arange(0,10,2)
 
array([0, 2, 4, 6, 8])

random 随机数

生成指定结构的随机数，可以用于生成随机权重

 
 
 
 
 

Python

 
1
2
3
4
np.random.random((2,3))
 
array([[ 0.86166627,  0.37756207,  0.94265883],
       [ 0.9768257 ,  0.96915312,  0.33495431]])

5. ndarray 运算

元素之间依次相减相减

 
 
 
 
 

Python

 
1
2
3
4
5
a = np.array([10,20,30,40])
b = np.array(4)
 
a - b
array([ 6, 16, 26, 36])

乘方

 
 
 
 
 

Python

 
1
2
a**2
array([ 100,  400,  900, 1600])

开根号

 
 
 
 
 

Python

 
1
2
3
4
np.sqrt(B)
 
array([[ 1.41421356,  0.        ],
       [ 1.73205081,  2.        ]])

e 求方

 
 
 
 
 

Python

 
1
2
3
4
np.exp(B)
 
array([[  7.3890561 ,   1.        ],
       [ 20.08553692,  54.59815003]])

向下取整

 
 
 
 
 

Python

 
1
2
3
4
5
a = np.floor(10*np.random.random((2,2)))
a
 
array([[ 0.,  0.],
       [ 3.,  6.]])

行列变换

 
 
 
 
 

Python

 
1
2
3
4
a.T
 
array([[ 0.,  3.],
       [ 0.,  6.]])

变换结构

 
 
 
 
 

Python

 
1
2
3
4
a.resize(1,4)
a
 
array([[ 0.,  0.,  3.,  6.]])

6. 矩阵运算

矩阵之间的运算

 
 
 
 
 

Python

 
1
2
3
4
A = np.array( [[1,1],
               [0,1]] )
B = np.array( [[2,0],
               [3,4]] )

对应位置一次相乘

 
 
 
 
 

Python

 
1
2
3
4
A*B
 
array([[2, 0],
       [0, 4]])

矩阵乘法

 
 
 
 
 

Python

 
1
2
3
4
5
print (A.dot(B))
print(np.dot(A,B))
 
[[5 4]
[3 4]]

横向相加

 
 
 
 
 

Python

 
1
2
3
4
5
6
7
8
9
10
11
12
13
a = np.floor(10*np.random.random((2,2)))
b = np.floor(10*np.random.random((2,2)))
 
print(a)
print(b)
print(np.hstack((a,b)))
 
[[ 2.  3.]
[ 9.  3.]]
[[ 8.  1.]
[ 0.  0.]]
[[ 2.  3.  8.  1.]
[ 9.  3.  0.  0.]]

纵向相加

 
 
 
 
 

Python

 
1
2
3
4
5
6
print(np.vstack((a,b)))
 
[[ 2.  3.]
[ 9.  3.]
[ 8.  1.]
[ 0.  0.]]

矩阵分割

 
 
 
 
 

Python

 
1
2
3
4
#横向分割
print( np.hsplit(a,3))
#纵向风格
print(np.vsplit(a,3))

7. 复制的区别

地址复制

通过 b = a 复制 a 的值，b 与 a 指向同一地址，改变 b 同时也改变 a。

 
 
 
 
 

Python

 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
a = np.arange(12)
b = a
print(a is b)
 
print(a.shape)
print(b.shape)
b.shape = (3,4)
print(a.shape)
print(b.shape)
 
True
(12,)
(12,)
(3, 4)
(3, 4)

复制值

通过 a.view() 仅复制值，当对 c 值进行改变会改变 a 的对应的值，而改变 c 的 shape 不改变 a 的 shape

 
 
 
 
 

Python

 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
a = np.arange(12)
c = a.view()
print(c is a)
 
c.shape = 2,6
c[0,0] = 9999
 
print(a)
print(c)
 
False
[9999    1    2    3    4    5    6    7    8    9   10   11]
[[9999    1    2    3    4    5]
[   6    7    8    9   10   11]]

完整拷贝

a.copy() 进行的完整的拷贝，产生一份完全相同的独立的复制

 
 
 
 
 

Python

 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
a = np.arange(12)
c = a.copy()
print(c is a)
 
c.shape = 2,6
c[0,0] = 9999
 
print(a)
print(c)
 
False
[ 0  1  2  3  4  5  6  7  8  9 10 11]
[[9999    1    2    3    4    5]
[   6    7    8    9   10   11]]

Numpy 小结的更多相关文章

  1. numpy小结

    <python数据科学>笔记  在线版地址:https://github.com/jakevdp/PythonDataScienceHandbook 1.常用np简写 import num ...

  2. numpy小结（一）

    1.np.zero(10)     创建一个包含10个元素的一维数组 np.ones((10,10))     创建一个包含10*10个元素1的二维数组 2.np.arange(10,50)      ...

  3. python 基础及资料汇总

    Python 包.模块.类以及代码文件和目录的一种管理方案     Numpy 小结   用 Python 3 的 async / await 做异步编程  K-means 在 Python 中的实现 ...

  4. numpy用法小结

    前言 个人感觉网上对numpy的总结感觉不够详尽细致,在这里我对numpy做个相对细致的小结吧,在数据分析与人工智能方面会有所涉及到的东西在这里都说说吧,也是对自己学习的一种小结! numpy用法的介 ...

  5. Numpy 用法小结

    1.  asarray 函数 可以将输入数据转化为矩阵格式. 输入数据可以是(列表,元组,列表的列表,元组的元组,元组的列表等这些数组形式). >>> asarray([(1,2,3 ...

  6. numpy.random模块用法小结

    原文作者:aircraft 原文链接:https://www.cnblogs.com/DOMLX/p/9751471.html 1.np.random.random()函数参数 np.random.r ...

  7. scikit-learn随机森林调参小结

    在Bagging与随机森林算法原理小结中,我们对随机森林(Random Forest, 以下简称RF)的原理做了总结.本文就从实践的角度对RF做一个总结.重点讲述scikit-learn中RF的调参注 ...

  8. scikit-learn 梯度提升树(GBDT)调参小结

    在梯度提升树(GBDT)原理小结中,我们对GBDT的原理做了总结,本文我们就从scikit-learn里GBDT的类库使用方法作一个总结,主要会关注调参中的一些要点. 1. scikit-learn ...

  9. scikit-learn Adaboost类库使用小结

    在集成学习之Adaboost算法原理小结中,我们对Adaboost的算法原理做了一个总结.这里我们就从实用的角度对scikit-learn中Adaboost类库的使用做一个小结,重点对调参的注意事项做 ...

随机推荐

  1. assign-cookies

    https://leetcode.com/problems/assign-cookies/ 用贪心算法即可. package com.company; import java.util.Arrays; ...

  2. hough变换检测直线和圆

    图像测量和机器视觉作业: 提取图像中的直线和点的位置坐标,将其按一定顺序编码存入一文本文件,并在原图像上叠加显示出来. 下午实验了一下: 程序环境:vs2013(活动平台为x64)+opencv3.1 ...

  3. Effective JavaScript Item 54 将undefined视为&quot;没有值&quot;

    将undefined视为"没有值" JavaScript中的undefined是一个特殊的值:当JavaScript没有提供详细的值时.它就会产生undefined. 比方: 未被 ...

  4. 微信授权网页登陆，oauth

    1.在微信公众号请求用户网页授权之前.开发人员须要先到公众平台官网中的开发人员中心页配置授权回调域名.请注意,这里填写的是域名(是一个字符串),而不是URL,因此请勿加http://等协议头. 2.授 ...

  5. Spring集成JDBC

    不同spring版本合成的方式,有时候不一样,需要查看帮助文档来看如何集成,帮助文档在spring发行包中. 1.导入spring的包(这里吧Spring-3.1.3 Release的所有jar包都导 ...

  6. Android pull to Refresh 导入出错？

    今天在导入 PuultoResfresh 的时候老是出错. error: [2014-09-28 10:04:44 - library] Unable to resolve target 'andro ...

  7. Hadoop 50090端口的页面， Replication的数字是真实的文件备份数吗？ （不是）

    红色方框的部分,代表Hadoop系统,人工设定的文件备份数,但不是实际的备份数.文件备份数 不会大于集群机器的总数目(因为备份文件不会同时存在一台机器上,这样就没有意义),所以如果总集群数目是2,即使 ...

  8. Dash 使用

    花了 160 买了这个软件,至少看一遍它的 user guide,钱不能白花. https://kapeli.com/guide/guide.html 设置全局快捷键 Preference -> ...

  9. 腾讯云ubuntu memcached 安装

    ubuntu安装 sudo apt-get install  memcached 停止memcached服务:sudo systemctl stop memcached 激活memcached服务:s ...

  10. Cena使用

    打开cena,在工具-选项中,修改G++和GCC的编译命令.格式:[g++目录]g++.exe %s.cpp -o %s.exe [编译选项]例如以下命令使用刚安装的mingw4.8.1 g++编译, ...