在機(jī)器學(xué)習(xí)中，numpy被稱為python機(jī)器學(xué)習(xí)的三大件之一，原因很簡單，機(jī)器學(xué)習(xí)的很多內(nèi)容都建立在矩陣運(yùn)算上，而numpy是python中矩陣運(yùn)算做得比較好的一個(gè)科學(xué)計(jì)算庫，所以機(jī)器學(xué)習(xí)離開不了numpy，今天我們就來介紹一下numpy這個(gè)機(jī)器學(xué)習(xí)的大件吧。
一、前言
機(jī)器學(xué)習(xí)三大件：numpy， pandas， matplotlib
Numpy（Numerical Python）是一個(gè)開源的Python科學(xué)計(jì)算庫，用于快速處理任意維度的數(shù)組。
Numpy支持常見的數(shù)組和矩陣操作。對于同樣的數(shù)值計(jì)算任務(wù)，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(shù)組，該對象是一個(gè)快速而靈活的大數(shù)據(jù)容器。
NumPy提供了一個(gè)N維數(shù)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(yùn)算進(jìn)行了設(shè)計(jì)，所以數(shù)組的存儲效率和輸入輸出性能遠(yuǎn)優(yōu)于Python中的嵌套列表，數(shù)組越大，Numpy的優(yōu)勢就越明顯。
從圖中我們可以看出ndarray在存儲數(shù)據(jù)的時(shí)候，數(shù)據(jù)與數(shù)據(jù)的地址都是連續(xù)的，這樣就給使得批量操作數(shù)組元素時(shí)速度更快。
list – 分離式存儲,存儲內(nèi)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(yùn)算（向量化運(yùn)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(shù)組
ones = np.ones([4,8])
onesarray([[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(shù)組
np.linspace(0, 100, 11)array([ 0., 10., 20., 30., 40., 50., 60., 70., 80., 90.,
100.])
#創(chuàng)建等差數(shù)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(shù)根據(jù)給定維度生成[0,1)之間的數(shù)據(jù)，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(shù)返回一個(gè)或一組樣本，具有標(biāo)準(zhǔn)正態(tài)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(jī)整數(shù)，范圍區(qū)間為[low,high），包含low，不包含high
np.random.randint(1,5) # 返回1個(gè)[1,5)時(shí)間的隨機(jī)整數(shù)4
- 生成均勻分布的隨機(jī)數(shù)，舉例1：生成均值為1.75，標(biāo)準(zhǔn)差為1的正態(tài)分布數(shù)據(jù)，100000000個(gè)
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(jī)數(shù)
x2 = np.random.uniform(-1, 1, 100000000)array([ 0.22411206, 0.31414671, 0.85655613, …, -0.92972446, 0.95985223, 0.23197723])
四、數(shù)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(jié)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(jì)算六、轉(zhuǎn)置
stock_change.T.shape七、類型轉(zhuǎn)換
arr = np.array([[[1, 2, 3], [4, 5, 6]], [[12, 3, 34], [5, 6, 7]]])
arr.tostring()八、數(shù)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(yùn)算
直接進(jìn)行大于,小于的判斷：test_score > 60
合適之后,可以直接進(jìn)行賦值：test_score[test_score > 60] = 1
通用判斷函數(shù)
np.all() np.all(score[0:2, :] > 60)
np.any() np.any(score[0:2, :] > 80)
統(tǒng)計(jì)運(yùn)算
np.max()
np.min()
np.median()
np.mean()
np.std()
np.var()
np.argmax(axis=) — 最大元素對應(yīng)的下標(biāo)
np.argmin(axis=) — 最小元素對應(yīng)的下標(biāo)
九、廣播機(jī)制
- 數(shù)組運(yùn)算,滿足廣播機(jī)制,就OK
1.維度相等
2.shape(其中對應(yīng)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(jié)果是：
array([[1, 2, 3],
[2, 3, 4],
[3, 4, 5],
[4, 5, 6]])
到此這篇Python機(jī)器學(xué)習(xí)三大件之一——numpy的使用介紹就介紹到這了,更多python學(xué)習(xí)內(nèi)容請搜索W3Cschool以前的文章或繼續(xù)瀏覽下面的相關(guān)文章。
