机器学习--Numpy库

版权声明：如需转载请联系博主！ From 博主Haolin https://blog.csdn.net/ohh_haolin/article/details/86181886

学习目的

通过使用numpy库实现基础的矩阵操作

官方文档

https://www.numpy.org.cn/

万金油语句

• help（）
  查看某个函数的帮助信息

  print(help(np.array))
  

蒟蒻的提醒

在这篇博客之中不纠结对于axis的参数设定的具体含义，一律如表所示

代码	含义
axis=1	对于每行进行操作
axis=0	对于每列进行操作

创建一个矩阵

• 手动创建

  注意：一个维度对应一个中括号！

  1. 一维矩阵

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

  2. 多维矩阵

     a = np.array([[11, 12, 13, 14, 15],
          [16, 17, 18, 19, 20],
          [21, 22, 23, 24, 25],
          [26, 27, 28 ,29, 30],
          [31, 32, 33, 34, 35]])
     

• 自动创建

  1. arange（）

     	a = np.arange(5)		#>>>0 1 2 3 4
     	b = np.arang(0,100,10)	#>>> 0 10 20 30 40 50 60 70 80 90
     

     · 若只填一个数字n，会生成 [0,n) 的一个一维矩阵
     · 或者可以（起始数字，结束数字，步长），回传每一步的首位置

  2. random.random（）

     	a = np.random.random()	# 生成一个数字
     	b = np.random.random((2,3) )  #生成一个2行3列的矩阵
     

     · 什么都不填写回传[-1,1]
     · 可以传数组大小生成相对应的大小

  3. linspace()

     	print(np.linspace(1,3,3) )
     	print(np.linspace(0,3,4) )
     

     

     · （起始值，结束值，分几段）生成等差数列（包括结束值）

  4. zeros()
     生成全部是0的矩阵（可以用于初始化矩阵），默认调用float32，可以使用 dtype = np.int32 来变换

     	a = zeros((3,4), dtype = np.int32)	#生成3*4的矩阵并且为int32型
     

  5. ones()
     与ones一样，生成全部是1的矩阵

     	a = ones((3,4), dtype = np.int32)	
     

访问矩阵

• 按秩访问
  记住从零开始的原则，对于访问单个元素

  d = a[5,2]	# 取a的5，2元素
  

• 切片访问
  1.基本切片：

  注意：想好了哪个是x轴，哪个是y轴，z轴k轴的再切

  d = a[:,6]
  e = a[2:4, :]
  f = a[5:6,7:9,:]
  

  2.花式切片
  连用判断的方法切片

  c = a[a >= 50] #只会保存a大于50的
  

• 通过数组访问
  传入一个bool或者int数组访问
  1.一维矩阵

  equal_ten = a==10
  print(a[equal_ten])	#只输出10
  	
  c = [3,5,106]
  print(a[c]) #把a的第3，5，106输出
  

  2.高维矩阵
  注意有些情况会降维度，看代码

  matrix = numpy.array([
   		   [ 5, 10, 15],
  	   [20, 25, 30],
  	   [35, 40, 45]，
  ])
  
  second_column_eq25 = (matrix[:,1] == 25)	#只看一列是不是》》出现降维
  print (matrix[second_column_eq25 ,:1])		#输出的时候要对应
  

矩阵性质

注意：性质没有括号，本质是调用内部变量；函数需要加（）

• shape
  输出矩阵的长宽高的信息

  print(a.shape)
  

  拓展：

  a.shape = (6,3)
  

  通过属性强制修改a矩阵的大小

• dtype
  返回矩阵的容器类型

  注意： 矩阵的全部容器完全一样，并且会找最通用的解决（双浮点，string类）

  print(a.dtype)
  

• size
  返回元素总数

  print(a.size)
  

• ndim
  返回维度

  print(a.ndim)
  

• T
  返回横纵坐标交换的矩阵

  print(a.T)
  

矩阵符号操作

• 判断
  回传跟矩阵一样大的bool矩阵

• 加法
  1.矩阵加矩阵：对应项加对应项
  2.矩阵加数字：全部都加这个数字

• 减法
  类似加法，不再赘述

• 乘法
  使用符号的时候是对应项乘对应项

• or、and、xor
  对应项和对应项经行运算

矩阵数学函数

• min（）和max（）
  获得最大值

  print(a.min())
  print(a.max())
  

• sum()
  获得所有元素之和，或者传入axis的参数（1对应每行，0对应每列）

  print(a.sum()）
  print(a.sum(axis=0)）
  print(a.sum(axis=1)）
  

• cumsum()
  获得累积到某个位置的值

  a = np.arange(10)
  print(a.cumsum())		 # >>>[ 0  1  3  6 10 15 21 28 36 45]
  

  也可以传入axis参数

• 基础数学部分

  https://blog.csdn.net/brucewong0516/article/details/79186176

  
  
  

• floor（）和cell（）
  一个向下取整一个向上取整

• np.dot()

• np.dot()
  矩阵点乘法！

  https://blog.csdn.net/like4501/article/details/79753346

  

  所以相乘的两个矩阵必须是 xy 和 yx
  若a dot* b，那么对于结果矩阵(x,y)的值代表a的第x行的所有值分别乘以b的第y列的所有值的和，即：
  横坐标A的行，纵坐标B的列

  a = np.array([
          [1,1],
          [0,1]
  ])
  
  b = np.array([
          [2,0],
          [3,4]
  ])
  
  
  print(a*b)
  print(np.dot(a,b))
  

其他函数

• astype（）
  强制改变类型

  	vector = vector.astype(float)
  

• reshape():
  传进去大小参数，调整array的大小,请注意，大小参数的元素数量必须等于之前array的数量

  	a = np.arange(30).reshape(3,5,2)
  	print(a)
  

• ravel()
  返回高维矩阵的一维形式，全部展开

  a.ravel()
  

• copy（）
  复制的时候必须使用这个语句复制！！！！

  b = a.copy()
  # b此时是新建了一个内存空间存的与a一样大小的值
  

• sort（）
  排序，可以传入axis参数

  b = a.sort()
  b = a.sort(axis=1)
  

• argsort()
  把从小到大的标号列出来

  b = a.argsort()
  b = a.argsort(axis=1)
  

• argmax（）
  查找最大值的下标

• hstack（），vstack（），hsplit()， vsplit()
  对于h开头的，表示变化水平
  对于v开头的，表示变化高度
  
  

• where（)
  没有完全掌握，不多说！