机器学习初入门01-numpy的基础用法

一、numpy基础结构

1. numpy.genformtxt('路径名', delimiter = '分割符', dytype = 读取方式如str )：读取一个文件，返回一个numpy.ndarray结构的数据，这里给出了一个形式，更多参数信息参考help(numpy.genformtxt)

2. numpy.ndarray可看成是一个矩阵结构

3. numpy.array(list)：把一个 list 转换成 ndarray 格式并返回，下面举两个例子

　　vector = numpy.array([1, 2, 3, 4])　　则vector表现为向量 [1 2 3 4]

　　matrix = numpy.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12], [13, 14, 15, 16]])　　则matrix表现为矩阵 :

4. vector.shape：给出vector向量的形状(4, )　　matrix.shape：给出matrix矩阵的形状(4,4)　　下文中向量形式的ndarray用vector表示，矩阵形式的ndarray用matrix表示

5. numpy.array中的内容需要是相同的类型的，这一点与 list 有很大的不同，否则ndarray的内容类型会发生强制转换，用 .dtype如vector.dtype查看数据的类型

6. ndarray结构的数据提取、切片方式与 list 结构一样。想取矩阵的某一列：matrix[:, 列数]；想取矩阵的多个列：matrix[:, 对列切片]；想取子矩阵即某些行某些列：matrix[对行切片, 对列切片]

7. 在numpy中，要判断一个矩阵或者向量中是否有一个值，不需要做循环，直接：vector/matrix == 想找的值。该式子会返回一个向量/矩阵（需要加括号，如v=(vector==1)，可以把(vector==1)看成是一个条件，v=(vector==1)就是对该条件做判断，然后把判断的结果返回给v），内容类型是bool型，向量/矩阵中若有该值，对应的位置为True，否则是False。返回的向量也可以作为索引，如vector[v]，返回1。

二、numpy的矩阵基础

8. vector/matrix.astype(类型0)：把向量或矩阵中的内容转换成类型0

9. vector.min()：取vector数据数据中的最小值。想了解ndarray更多的内置属性：print(help(numpy.array))

10. matrix.sum(axis=指定维度)：axis=1表示每一行的所有元素相加，把每行的总值组成一个向量并返回；axis=0表示对列操作

三、numpy的常用函数

11. np.arange(num)：创建一个有num个数据的vector，数据从0顺序排到num-1。　　np.arange(起始值，终止值，步长)：数据从起始值开始，最后一个值要小于终止值，相邻值相差为步长，即数据范围为 [起始值，终止值)。如np,arange(10,30,10)生成[10,20]

12. ndarray.reshape(m,n)：把ndarray变成一个m*n的matrix，m*n = ndarray中数据的个数。对于向量，可直接写为vector.shape(m,n)如np.arrange(8).reshape(4,2)生成矩阵 :

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

13. ndarray.size：给出ndarray的数据个数　　ndarray.ndim:：给出ndarray的维度

14. np.zeros/ones(结构，dtype=数据类型)：初始化一个全0/全1的矩阵/向量；结构为数字，则初始化向量；结构为元组(m,n)，则初始化m*n的矩阵；dtype缺省时，默认数据类型为float，其他数据类型有np.int、np.str等等。np.zeros(结构, dtype=np.str)生成的ndarray的数据为空字符串。若无特殊说明，下文中出现的结构均为数字或者元组。

15. np.random.random(结构0)：进入numpy的random模块，然后调用random函数，生成一个结构为结构0，数据为随机数的ndarray，数据范围为[-1,1]。

16. np.linspace(起始值，终止值，数据个数)：和np.arange类似，但数据可以取到终止值，及数据范围为 [起始值，终止值]，数据内容是从起始值到终止值平均分布的数。类型缺省时为float

17. ndarray**num：ndarray的数据进行num次方运算

18. 设 a=ndarray1，b=ndarray2，a*b为对应位置相乘，a.dot(b)/np.dot(a,b)为ab的矩阵乘积，当然ab的结构要符合矩阵运算规则。

四、矩阵常用操作

19. np.exp(ndarray)：对ndarray中的所有数据做exp运算　　np.sqrt(ndarray)：对ndarray中的所有数据进行开方操作。

20. np.floor(ndarray)：取整操作对数据进行向下取整。

21. np.flatten(matrix): 对矩阵做扁平化处理，把矩阵拉扯为一个向量。

22. matrix.T：对矩阵转置。

23. np.hstack(a,b)：横向拼接矩阵a和b，常用于拼接特征，即给原来的样本增加特征。　　np.vstack(a,b)：纵向拼接矩阵a和b，常用于拼接样本，即增加样本数量。

24. np.hsplit(a,num)：横向切割矩阵a，平均切割为num份　　np.vsplit(a,num)：略。　　num也可以是元组，是元组的话就是指定切割位置。

25. matrix.argmax(axis=指定维度)：axis=0时返回每列最大值对应索引号；axis=1略。

26. np.tile(待扩展的ndarray, 扩展维度)：扩展向量或矩阵的，直接上图

27. np.sort(ndarray，axis)：对指定维度进行排序，直接上图

28. np.argsort(vector)：把vector中的元素从小到大顺序提出索引号，直接上图

五、不同复制操作的对比

29. =：python中变量可以认为是指针，也就是是说变量名指向的是内存中的一块存储空间，比如说a=5，b=a，那么a和b本身没有什么关系，只是某内存中存储的数据，但是a和b指向的是同一块内存区域，如果说我们改变b的值，那么只是改变了b所指向的内容，因为a和b指向同一内容，所以此时a所指向的内容也跟着变。表现出来就是b变a也变

30. view：若要实现浅赋值，可以使用view方法。c = a.view()，此时a和c指向的内存不同，假设a指向内存A，c指向内存C，若改变C的结构，比如把2*4矩阵改为4*2矩阵，这时A是不变的，但是如果改变C的数值，则A的数值会发生变化，因为内存A和C是共用一组数据的。表现出来就是c结构变，a不变；c数据变，a数据变

31. copy：若希望复制的时候指针指向不一样，数据也不一样，就用copy方法，copy实现的是深复制。 d = a.copy()，假设d指向内存D，D和A无关，D的内容也只是用A的内容做了初始化，此时无论如何改变D，A都不会发生任何变化。表现出来就是d变a不变