专栏首页LhWorld哥陪你聊算法【机器学习】--Python机器学习库之Numpy

【机器学习】--Python机器学习库之Numpy

一、前述

NumPy(Numerical Python的缩写)是一个开源的Python科学计算库。使用NumPy,就可以很自然地使用数组和矩阵。 NumPy包含很多实用的数学函数,涵盖线性代数运算、傅里叶变换和随机数生成等功能。

这个库的前身是1995年就开始开发的一个用于数组运算的库。经过了长时间的发展,基本上成了绝大部分Python科学计算的基础包,当然也包括所有提供Python接口的深度学习框架。

二、具体应用

1、背景--为什么使用Numpy?

a) 便捷:

对于同样的数值计算任务,使用NumPy要比直接编写Python代码便捷得多。这是因为NumPy能够直接对数组和矩阵进行操作,可以省略很多循环语句,其众多的数学函数也会让编写代码的工作轻松许多。

b) 性能:

NumPy中数组的存储效率和输入输出性能均远远优于Python中等价的基本数据结构(如嵌套的list容器)。其能够提升的性能是与数组中元素的数目成比例的。对于大型数组的运算,使用NumPy的确很有优势。对于TB级的大文件,NumPy使用内存映射文件来处理,以达到最优的数据读写性能。

c) 高效:

NumPy的大部分代码都是用C语言写成的,这使得NumPy比纯Python代码高效得多。

当然,NumPy也有其不足之处,由于NumPy使用内存映射文件以达到最优的数据读写性能,而内存的大小限制了其对TB级大文件的处理;此外,NumPy数组的通用性不及Python提供的list容器。因此,在科学计算之外的领域,NumPy的优势也就不那么明显。

2、Numpy的安装

(1) 官网安装。http://www.numpy.org/

(2) pip 安装。pip install numpy。

(3) LFD安装,针对windows用户http://www.lfd.uci.edu/~gohlke/pythonlibs/

(4) Anaconda安装(推荐),Anaconda里面集成了很多关于python科学计算的第三方库,主要是安装方便。下载地址:https://www.anaconda.com/download/

3、numpy 基础:

NumPy的主要对象是同种元素的多维数组。这是一个所有的元素都是一种类型。

在NumPy中维度(dimensions)叫做轴(axes),轴的个数叫做秩(rank)。

NumPy的数组类被称作 ndarray 。通常被称作数组。

常用的ndarray对象属性有:

ndarray.ndim(数组轴的个数,轴的个数被称作秩),

ndarray.shape(数组的维度。这是一个指示数组在每个维度上大小的整数元组。例如一个n行m列的矩阵,它的shape属性将是(2,3),这个元组的长度显然是秩,即维度或者ndim属性),

ndarray.size(数组元素的总个数,等于shape属性中元组元素的乘积)

ndarray.dtype(一个用来描述数组中元素类型的对象,可以通过创造或指定dtype使用标准Python类型。另外NumPy提供它自己的数据类型)。

4、Numpy的数据类型:

三、具体案例

代码一:基本类型标识

import numpy as np
a = np.dtype(np.int_)     #  np.int64, np.float32 …
print(a) 

int8, int16, int32,int64 可以由字符串’i1’, ‘i2’,’i4’, ‘i8’代替,其余的以此类推。

import numpy as np
a = np.dtype('i8')   # ’f8’, ‘i4’’c16’,’a30’(30个字符的字符串), ‘>i4’…
print (a)

可以指明数据类型在内存中的字节序,’>’表示按大端的方式存储,’<’表示按小端的方式存储,’=’表示数据按硬件默认方式存储。大端或小端存储只影响数据在底层内存中存储时字节的存储顺序,在我们实际使用python进行科学计算时,一般不需要考虑该存储顺序。

代码二:创建数组并查看其属性

import numpy as np
a = np.array([[1,2,3], [4, 5, 6]], dtype=int)
print(a.shape)       #  a.ndim, a.size, a.dtype
import numpy as np
a = np.array([(1,2,3), (4, 5, 6)], dtype=float)
print(a.shape)      #  a.ndim, a.size, a.dtype

用np.arange().reshape()创建数组:

import numpy as np
a = np.arange(10).reshape(2, 5) # 创建2行5列的二维数组,
# 也可以创建三维数组,
b = np.arange(12).reshape(2,3,2)
print(a)
print(b)
a = np.array([[[1,2,3], [4, 5, 6], [7, 8, 9]]])
b = np.array([[[1,2,3]], [[4, 5, 6]], [[7, 8, 9]]])
print(a.shape)
print(b.shape)

 代码三:基本运算

import numpy as np
a = np.random.random(6)
b = np.random.rand(6)
c = np.random.randn(6)
print(a-b)                    # print(a+b),print(a*c) …

# Numpy 随机数模块np.random.random, np.random.randn, np.random.rand的比较

(1)rand 生成均匀分布的伪随机数。分布在(0~1)之间

(2)randn 生成标准正态分布的伪随机数(均值为0,方差为1)。

import numpy as np
a = np.ones((2,3))
b = np.zeros((2,3))
a*=3
b+=a
print(a)
print(b)

 代码四:常用函数

代码五:索引,切片和迭代

import numpy as np
a = np.arange(10)**3
print(a)
print(a[2:5])
a[:6:2] = -1000
print(a)
print(a[ : :-1])

[x:y:z]切片索引,x是左端,y是右端,z是步长,在[x,y)区间从左到右每隔z取值,默认z为1可以省略z参数. 步长的负号就是反向,从右到左取值.

二维数组:

b = np.arange(20).reshape(5,4)
print(b)
print(b[2,3])
print(b[0:5, 1])
print(b[ : ,1])
print(b[1:3, : ])

#当少于轴数的索引被提供时,丢失的索引被认为是整个切片 b[-1]    #相当于b[-1,:] 最后一行

# b[i] 中括号中的表达式被当作 i 和一系列 : ,来代表剩下的轴。NumPy也允许你使用“点”像 b[i,...] 。 #点 (…)代表许多产生一个完整的索引元组必要的分号。如果x是 #秩为5的数组(即它有5个轴),那么:

x[1,2,…] 等同于 x[1,2,:,:,:],

x[…,3] 等同于 x[:,:,:,:,3],

x[4,…,5,:] 等同 x[4,:,:,5,:].

三维数组:

c = np.arange(12).reshape(2,3,2)
print(c)
c[1]
c[2,1]    # 等价于c[2][1]
c[2,1,1]  # 等价于c[2][1][1]

通过布尔数组索引

f = np.arange(12).reshape(3, 4)
print(f)
g = f>4
print(g)
print(f [g])

通过迭代取值

h = np.arange(12).reshape(3,4)
print(h)
for i in h:
   print(i)
for i in h.flat:
       print(i)

迭代多维数组是就第一个轴而言的:

如果想对每个数组中元素进行运算,我们可以使用flat属性,该属性是数组元素的一个迭代器:

 np.flatten()返回一个折叠成一维的数组。但是该函数只能适用于numpy对象,即array或者mat,普通的list列表是不行的。

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

print(a.flatten())

 代码六:形状操作

ravel(), vstack(),hstack(),column_stack,row_stack, stack, split, hsplit, vsplit

import numpy as np
#增加维度
a = np.arange(5)
print(a[:, np.newaxis])
print(a[np.newaxis, :])
print(np.tile([1,2], 2))
a = np.arange(10).reshape(2,5)
print(a)
print(a.ravel())
print(a.resize(5,2))
b = np.arange(6).reshape(2,3)
c = np.ones((2,3))
d = np.hstack((b,c))
print(b)
print(c)
print(d)# hstack:horizontal stack 左右合并
e = np.vstack((b,c))
print(e)# vstack: vertical stack 上下合并
f = np.column_stack((b,c))
g = np.row_stack((b,c))
h = np.stack((b, c), axis=1)      # 按行合并
i = np.stack((b,c), axis=0)       # 按列合并
j = np.concatenate ((b, c, c, b), axis=0)   #多个合并

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • python 使用小结

    使用Python 已经一段时间了 ,现将python 中可能用到的技巧和一些知识点分享如下。

    LhWorld哥陪你聊算法
  • 【机器学习】--LDA初始和应用

    LDA是一种 非监督机器学习 技术,可以用来识别大规模文档集(document collection)或语料库(corpus)中潜藏的主题信息。它采用了词袋(b...

    LhWorld哥陪你聊算法
  • 【机器学习】---逻辑回归从初识到应用

    逻辑回归是一种分类算法,对多元线性回归的结果做一定的缩放。是一种线性(x是一次的)有监督(有x,y)分类(要么是正列,要么是负例)算法。是通过sigmod算法的...

    LhWorld哥陪你聊算法
  • Python必备基础:这些NumPy的神操作你都掌握了吗?

    本文简单介绍NumPy模块的两个基本对象ndarray、ufunc,介绍ndarray对象的几种生成方法及如何存取其元素、如何操作矩阵或多维数组、如何进行数据合...

    华章科技
  • 小蛇学python(11)初窥numpy

    读者可以自行输入,观看结果,享受编码的乐趣。注意zeros和ones后面是跟了两组小括号的。

    用户2145057
  • Python进阶之NumPy快速入门(四)

    NumPy是Python的一个扩展库,负责数组和矩阵运行。相较于传统Python,NumPy运行效率高,速度快,是利用Python处理数据必不可少的工具。

    HuangWeiAI
  • 我的Python分析成长之路8

    Numpy:是Numerical Python的简称,它是目前Python数值计算中最为基础的工具包,Numpy是用于数值科学计算的基础模块,不但能够完成科学...

    py3study
  • 002.python科学计算库numpy(下)

    版权声明:本文为博主原创文章,允许转载,请标明出处。 https://blog.csdn.net/qwdafedv/article/deta...

    qubianzhong
  • Python数据分析(7)-numpy数组操作

    本节主要介绍numpy中在数组上的一些常规操作,在数组级别上包括数组迭代,数组拼接、数组分割,在元素级别包括元素迭代、元素增加、元素删除等。 本节的内容比较...

    锦小年
  • Python数据分析(6)-numpy广播机制

    numpy的广播机制旨在提供一种当被处理数组维度大小不一样时仍然能计算的机制。首先要明白,在数组(或者说是向量,数组的本质就是多维向量的组合)计算时,除了一些特...

    锦小年

扫码关注云+社区

领取腾讯云代金券