Python中Numpy库使用总结
Numpy库的使用
Numpy库和Pandas库均是python机器学习中不可缺少的一个包，其重要性我就不详细
说明，直接上干活
Numpy库的使用
Numpy库的安装
1.windown中提前安装好python,并且配置本地环境，具体方法参照百度
2.检查是否安装好pip（pip是python下一个好基友）
3.window下命令行直接 pip install numpy 就okay
矩阵的基本属性
在本文中，直接套用线性代数的中矩阵代替原文中Numpy array
1.python下使用Numpy，首先需要引入numpy库
import numpy as np # 以下效果相同 import numpy
python下Numpy元素的类型
import numpy as np # arange函数是生成0-14的排列 test_numpy = np.arange(15).reshape(3, 5) print(type(test_numpy)) # 输出的结果为 <type 'numpy.ndarray'>
ndarray.ndim 函数，求解矩阵的维数
import numpy as np test_numpy = np.arange(15).reshape(3, 5) test_ndim = test_numpy.ndim print(test_ndim) # 输出的结果为 2
ndarray.shape 函数，求解矩阵的规模，通常情况用元组表示每一维的大小，比如一个3*2的矩阵求解结果为(3,2)
import numpy as np test_numpy = np.arange(15).reshapes(3, 5) print(type(test_numpy.shape)) # 输出结果为 <type 'tuple'> print(test_numpy.shape) # 输出结果为 (3, 5) Tip:有些版本会输出（3L, 5L）
ndarray.size 函数，返回矩阵元素的个数，等于ndarray.shape元素之积
import numpy as np test_numpy = np.arange(15).reshapes(3, 5) print(test_numpy.size) # 输出结果为 15
ndarray.dtype 函数，返回矩阵中元素的类型，类型可以是自己创建的类型或者是标准的python类型，在Numpy中也有自己的类型，有numpy.int32, numpy.int16, numpy.float64等等类型
import numpy as np test_numpy = np.arange(15).reshapes(3, 5) print(test_numpy.dtype) # 输出结果为 dtype('int32') print(test_numpy.dtype.name) # 输出结果为 int32
ndarray.itemsize函数，返回矩阵中每个元素所占的字节数，如同C语言中的sizeof(int)所占4个字节，ndarray.dtype表示当前元素的类型为int32,因此占32/8=4个字节
import numpy as np test_numpy = np.arange(15).reshapes(3, 5) print(test_numpy.itemsize) # 输出结果为 4
ndarray.data 返回矩阵在内存中的具体信息
import numpy as np test_numpy = np.arange(15).reshapes(3, 5) print(test_numpy) # 输出结果 <read-write buffer for 0x0000000006778F30, size 60, offset 0 at 0x00000000061ADC38> 表明在内存中的具体情况
矩阵的创建
1.利用np.array()创建一个矩阵，注意array()里面是一个python列表或者元组
import numpy as np test_numpy = np.array([1, 2, 3, 4]) # 此种方法是错误的 np.array(1, 2, 3, 4) test_numpy_two = np.array([(1, 2, 3), (4, 5, 6)])
1.利用np.array()创建指定复杂联系元素
import numpy as np test_numpy = np.array([1, 2], [3, 4], dtype=complex) # test_numpy为 array([[1.+0.j, 2.+0.j], [3.+0.j, 4.+0.j]])
1.利用np.zeros()创建矩阵，利用np.zeros时一般矩阵的大小已知，但是内容未知，我们将其所有元素初始化为0
import numpy as np test_numpy_1 = np.zeros((3, 4)) # 注意此处传入的参数是(3, 4),而非3,4 test_numpy_2 = np.zeros((3, 4), dtype=np.int32)
1.利用np.ones()创建矩阵，使用np.ones条件和np.zeros一样，不过将其所有元素初始化为1
import numpy as np test_numpy_1 = np.zeros((3, 4)) test_numpy_2 = np.zeros((3, 4), dtype=np.int32)
1.利用np.arange()创建矩阵，np.arange()功能和python中的range()函数一样，生成一个序列。
import numpy as np test_numpy = np.arange(0, 15, 1)
1.利用np.linspace()创建矩阵，np.linspace()的作用和np.arange()类似，但是略有不同，np.arange(begin, end, step)中指定起始区间，和步长，np.linspace(begin, end, num)中指定起始起始区间和需要取的数字。具体细节可以在编程中体会
import numpy as np test_numpy = np.linspace(0, 15, 16)
1.其他函数同样可以创建矩阵，这里不一一介绍，如zeros_like, ones_like, empty, empty_like, numpy.random.rand, numpy.random.randn, fromfunction, fromfile
矩阵的打印
矩阵的打印，直接使用python中print()函数即可
import numpy as np numpy_test = np.arange(15) print(numpy_test)
矩阵的基本运算
矩阵的基本运算和线性代数里面矩阵的运算一致，不明白的建议翻阅《线性代数》一书
矩阵的加法、减法和数乘
import numpy as np test_numpy_a = np.array([5, 4, 3, 2]) test_numpy_b = np.array([4, 3, 2, 1]) # 矩阵的加法 test_numpy_c = test_numpy_a + test_numpy_b # 此时test_numpy_c为 array([9, 7, 5, 3]) # 矩阵的减法 test_numpy_d = test_numpy_a - test_numpy_b # 此时test_numpy_d为 array([1, 1, 1, 1]) #矩阵的数乘 test_numpy_e = test_numpy_a * 2 # 此时的test_numpy_c为 array([10, 8, 6, 4])
