pythonnumpy库什么意思_python语法：机器学习必备Numpy库

Numpy内部解除了Python的PIL(全局解释器锁),运算效率极好,是大量机器学习框架的基础库!

NumPy是Python语言的一个扩充程序库。支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

总而言之，包含：一个强大的N维数组对象 ndarray

广播功能函数

整合 C/C++/Fortran 代码的工具

线性代数、傅里叶变换、随机数生成等功能

今天全部是干货，都是numpy的一些实操，希望能帮助到大家。

Numpy简单创建数组

import numpy as np

# 创建简单的列表

a = [1, 2, 3, 4]

# 将列表转换为数组

b = np.array(b)

Numpy查看数组属性

数组元素个数

b.size

数组形状

b.shape

数组维度

b.ndim

数组元素类型

b.dtype

快速创建N维数组的api函数创建10行10列的数值为浮点1的矩阵

array_one = np.ones([10, 10])创建10行10列的数值为浮点0的矩阵

array_zero = np.zeros([10, 10])从现有的数据创建数组array(深拷贝)

asarray(浅拷贝)

Numpy创建随机数组np.random均匀分布np.random.rand(10, 10)创建指定形状(示例为10行10列)的数组(范围在0至1之间)

np.random.uniform(0, 100)创建指定范围内的一个数

np.random.randint(0, 100) 创建指定范围内的一个整数

正态分布

给定均值/标准差/维度的正态分布np.random.normal(1.75, 0.1, (2, 3))数组的索引, 切片

# 正态生成4行5列的二维数组

arr = np.random.normal(1.75, 0.1, (4, 5))

print(arr)

# 截取第1至2行的第2至3列(从第0行算起)

after_arr = arr[1:3, 2:4]

print(after_arr)

数组索引改变数组形状(要求前后元素个数匹配)

改变数组形状

print("reshape函数的使用!")

one_20 = np.ones([20])

print("-->1行20列

print (one_20)

one_4_5 = one_20.reshape([4, 5])

print("-->4行5列

print (one_4_5)

Numpy计算(重要)

条件运算原始数据条件判断

import numpy as np

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])

stus_score > 80

三目运算

import numpy as np

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])

np.where(stus_score < 80, 0, 90)

统计运算指定轴最大值amax(参数1: 数组; 参数2: axis=0/1; 0表示列1表示行)求最大值

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])

# 求每一列的最大值(0表示列)

print("每一列的最大值为:")

result = np.amax(stus_score, axis=0)

print(result)

print("每一行的最大值为:")

result = np.amax(stus_score, axis=1)

print(result)指定轴最小值amin求最小值

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])

# 求每一行的最小值(0表示列)

print("每一列的最小值为:")

result = np.amin(stus_score, axis=0)

print(result)

# 求每一行的最小值(1表示行)

print("每一行的最小值为:")

result = np.amin(stus_score, axis=1)

print(result)指定轴平均值mean求平均值

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])

# 求每一行的平均值(0表示列)

print("每一列的平均值:")

result = np.mean(stus_score, axis=0)

print(result)

# 求每一行的平均值(1表示行)

print("每一行的平均值:")

result = np.mean(stus_score, axis=1)

print(result)方差std求方差

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])

# 求每一行的方差(0表示列)

print("每一列的方差:")

result = np.std(stus_score, axis=0)

print(result)

# 求每一行的方差(1表示行)

print("每一行的方差:")

result = np.std(stus_score, axis=1)

print(result)

数组运算数组与数的运算加法

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])

print("加分前:")

print(stus_score)

# 为所有平时成绩都加5分

stus_score[:, 0] = stus_score[:, 0]+5

print("加分后:")

print(stus_score)乘法

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])

print("减半前:")

print(stus_score)

# 平时成绩减半

stus_score[:, 0] = stus_score[:, 0]*0.5

print("减半后:")

print(stus_score)

矩阵运算np.dot()(非常重要)根据权重计算成绩

计算规则

(M行, N列) * (N行, Z列) = (M行, Z列)矩阵计算总成绩

stus_score = np.array([[80, 88], [82, 81], [84, 75], [86, 83], [75, 81]])

# 平时成绩占40% 期末成绩占60%, 计算结果

q = np.array([[0.4], [0.6]])

result = np.dot(stus_score, q)

print("最终结果为:")

print(result)矩阵拼接矩阵垂直拼接

print("v1为:")

v1 = [[0, 1, 2, 3, 4, 5],

[6, 7, 8, 9, 10, 11]]

print(v1)

print("v2为:")

v2 = [[12, 13, 14, 15, 16, 17],

[18, 19, 20, 21, 22, 23]]

print(v2)

# 垂直拼接

result = np.vstack((v1, v2))

print("v1和v2垂直拼接的结果为")

print(result)矩阵水平拼接

print("v1为:")

v1 = [[0, 1, 2, 3, 4, 5],

[6, 7, 8, 9, 10, 11]]

print(v1)

print("v2为:")

v2 = [[12, 13, 14, 15, 16, 17],

[18, 19, 20, 21, 22, 23]]

print(v2)

# 垂直拼接

result = np.hstack((v1, v2))

print("v1和v2水平拼接的结果为")

print(result)

Numpy读取数据np.genfromtxtcsv文件以逗号分隔数据

读取csv格式的文件

如果数值据有无法识别的值出现,会以nan显示,nan相当于np.nan,为float类型.