一、前言

機器學習三大件：numpy， pandas， matplotlib

Numpy（Numerical Python）是一個開源的Python科學計算庫，用于快速處理任意維度的數組。

Numpy支持常見的數組和矩陣操作。對于同樣的數值計算任務，使用Numpy比直接使用Python要簡潔的多。

Numpy使用ndarray對象來處理多維數組，該對象是一個快速而靈活的大數據容器。

NumPy提供了一個N維數組類型ndarray

import numpy as np
score = 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專門針對ndarray的操作和運算進行了設計，所以數組的存儲效率和輸入輸出性能遠優于Python中的嵌套列表，數組越大，Numpy的優勢就越明顯。

從圖中我們可以看出ndarray在存儲數據的時候，數據與數據的地址都是連續的，這樣就給使得批量操作數組元素時速度更快。
list – 分離式存儲,存儲內容多樣化
ndarray – 一體式存儲,存儲類型必須一樣
ndarray支持并行化運算（向量化運算）
ndarray底層是用C語言寫的,效率更高,釋放了GIL

二、基本操作

# 生成0和1的數組
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.]])

# 生成等間隔的數組
np.linspace(0, 100, 11)

array([ 0., 10., 20., 30., 40., 50., 60., 70., 80., 90.,
100.])

#創建等差數組 — 指定步長
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函數根據給定維度生成[0,1)之間的數據，包含0，不包含1

np.random.rand(4,2)

array([[ 0.02173903, 0.44376568],
[ 0.25309942, 0.85259262],
[ 0.56465709, 0.95135013],
[ 0.14145746, 0.55389458]])

• randn函數返回一個或一組樣本，具有標準正態分布

np.random.randn(2,4)

array([[ 0.27795239, -2.57882503, 0.3817649 , 1.42367345],
[-1.16724625, -0.22408299, 0.63006614, -0.41714538]])

• randint返回隨機整數，范圍區間為[low,high），包含low，不包含high

np.random.randint(1,5) # 返回1個[1,5)時間的隨機整數

4

• 生成均勻分布的隨機數，舉例1：生成均值為1.75，標準差為1的正態分布數據，100000000個

x1 = np.random.normal(1.75, 1, 100000000)

array([2.90646763, 1.46737886, 2.21799024, …, 1.56047411, 1.87969135, 0.9028096 ])

• 均勻分布

# 生成均勻分布的隨機數
x2 = np.random.uniform(-1, 1, 100000000)

array([ 0.22411206, 0.31414671, 0.85655613, …, -0.92972446, 0.95985223, 0.23197723])

四、數組的索引、切片

# 三維
a1 = np.array([ [[1,2,3],[4,5,6]], [[12,3,34],[5,6,7]]])
# 返回結果
array([[[ 1,  2,  3],
        [ 4,  5,  6]],

       [[12,  3, 34],
        [ 5,  6,  7]]])
# 索引、切片
a1[0, 0, 1]   # 輸出: 2

五、形狀修改

stock_change.reshape([5, 4])  #5*4
stock_change.reshape([-1,10])  #2*10，-1: 表示通過待計算

六、轉置

stock_change.T.shape

七、類型轉換

arr = np.array([[[1, 2, 3], [4, 5, 6]], [[12, 3, 34], [5, 6, 7]]])
arr.tostring()

八、數組的去重

temp = np.array([[1, 2, 3, 4],[3, 4, 5, 6]])

>>> np.unique(temp)
array([1, 2, 3, 4, 5, 6])

邏輯運算
直接進行大于,小于的判斷：test_score > 60
合適之后,可以直接進行賦值：test_score[test_score > 60] = 1
通用判斷函數
np.all() np.all(score[0:2, :] > 60)
np.any() np.any(score[0:2, :] > 80)
統計運算
np.max()
np.min()
np.median()
np.mean()
np.std()
np.var()
np.argmax(axis=) — 最大元素對應的下標
np.argmin(axis=) — 最小元素對應的下標

九、廣播機制

• 數組運算,滿足廣播機制,就OK

1.維度相等

2.shape(其中對應的地方為1,也是可以的)

arr1 = np.array([[0],[1],[2],[3]])
arr1.shape
# (4, 1)

arr2 = np.array([1,2,3])
arr2.shape
# (3,)

arr1+arr2
# 結果是：
array([[1, 2, 3],
       [2, 3, 4],
       [3, 4, 5],
       [4, 5, 6]])

到此這篇關于Python機器學習三大件之一numpy的文章就介紹到這了,更多相關python numpy內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！