Python人工智能常用库Numpy使用入门

第一章 jupyter notebook简单教程

目前成都创新互联已为上千多家的企业提供了网站建设、域名、网络空间、网站托管、服务器托管、企业网站设计、武定网站维护等服务，公司将坚持客户导向、应用为本的策略，正道将秉承"和谐、参与、激情"的文化，与客户和合作伙伴齐心协力一起成长，共同发展。

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]

#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)

#out

array([[1, 2, 3],

[4, 5, 6]])

a = a.reshape(-1, 2)

a.shape

#out

(3, 2)

a[2, 0]

#out

a[2, 0] = 55

a[2, 0]

#out

# zeros用于创建元素全部为0的矩阵数组

a = np.zeros((3, 3))

#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))

#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)

#out

array([[0, 0, 0],

[0, 0, 0]])

# eye函数用于创建单位矩阵

a = np.eye(3)

#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))

#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

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]

#out

array([[ 1, 2, 3, 4],

[ 5, 6, 7, 8],

[ 9, 10, 11, 12]])

#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]

#out

array([10, 11])

b.shape

#out

(2,)

b = a[1, 2]

#out

b.shape

#out

()

b = a[2:3, 1:3]

#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

#out

array([[ 1, 12, 3, 4],

[ 5, 16, 7, 8],

[ 9, 20, 11, 12]])

a[np.arange(2), 3] += 100

#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

#out

array([[ 1, 22, 3, 104],

[ 5, 26, 7, 108],

[ 9, 30, 11, 12]])

a[[0,1,2], [1,1,1]] += 10

#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'])

#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)

#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)

#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. ]])

#out

array([[1, 2],

[3, 4]])

b = np.array([[1,2,3],

[4,5,6]]) 无锡人流医院哪家好 http://www.wxbhnkyy120.com/

# 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

# 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

#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

#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

#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]])

分享标题：Python人工智能常用库Numpy使用入门
URL分享：http://scyanting.com/article/isjoeo.html

Python人工智能常用库Numpy使用入门

其他资讯