python机器学习入门之numpy的用法(超详细,必看)

简介: python机器学习入门之numpy的用法(超详细,必看)

numpy强大的功能主要基于底层的一个ndarray结构 其可以生成N维数组


当然首先你要导入numpy这个科学计算库 如果不知道怎么导入可以看我这篇博客


python导入和下载库


1:ndarray对象是一系列同类型数据的集合,下标索引从0开始


numpy.array(object,dtype=None,copy=true,order=None,subok=False,ndmin=0)
import numpy as np
a=np.array([1,2,3])#一维
print(a)
b=np.array([[1,2],[3,4]])二维
print(b)
ndmin参数用于设置数据最小维度
dtype参数用于设置数组类型

2:astype函数用于修改数据类型

y=y.astype("float32")

3:轴(axis)


每个线性数组称为一个轴 轴即数组的维度 axis=0即对每列进行操作 axis=1即对每行进行操作


秩(rank)数组的维数

import numpy as np
arr=np.array([[0,1,2],[3,4,5]])
print(arr)
print(arr.sum(axis=0))
print(arr.sum(axis=1))

4:其他创建数组的方式


4.1:empty函数


能创建一个指定形状、数据类型的空数组 其没有经过初始化 其内容不确定


import numpy as np
x=np.empty([3,2],dtype=int)
print(x)

4.2:zeros创建全0的数组


import numpy as np
x=np.zeros([3,2],dtype=int)
print(x)

4.3: ones创建全1的函数

import numpy as np
x=np.ones([3,2],dtype=int)
print(x)

4.4:range/arange函数


用法为指定开始和结束还是步长值来决定数列range(start,stop,step)


import numpy as np
w=np.arange(0,8,0.5)
print(w)

4.5:linspace函数(start,stop,num)


在一定区间内生成指定数量的样本数


import numpy as np
v=np.linspace(1,6,20)
print(v)

5:random随机函数


import numpy as np
x=np.random.rand(2,3)#生成两行三列的随机浮点数组
y=np.random.randint(0,10,(2,2))

6:切片


是指取数据序列对象一部分的操作


import numpy as np
arr=np.arange(24).reshape(4,6)
print(arr)
arr1=arr[1:,:3]#切片
print(arr1)

7:迭代


可以通过for循环进行迭代 多维则for循环嵌套迭代


import numpu as np
a=np.arange(0,60,5)
a=a.reshape(3,4)
for xline in a:
  for yitem in xline:
      print(yitem,end=' ')

8:numpy计算


8.1:条件计算 即通过条件来筛选值


import numpy as np
score=np.array([[80,88],[82,81],[84,75],[86,86]])
result==[score>80]
print(result)

还可以通过where函数实现操作  格式如下


where(condition,x if true,y if false) 有点类似与C++里面的三目运算符


import numpy as np
num=np.random.normal(0,1,(3,4))
print(num)
num[num<0.5]=0
print(num)
print(np.where(num>0.5,1,0))

9:统计计算


常见的min ,max ,mean ,sum ,std 函数等等 懂英文的基本上都知道啥意思 无需赘叙


相关文章
|
3月前
|
Python
Python三引号用法与变量详解
本文详细介绍了Python中三引号(`&quot;&quot;&quot;` 或 `&#39;&#39;&#39;`)的用法,包括其基本功能、如何在多行字符串中使用变量(如f-string、str.format()和%操作符),以及实际应用示例,帮助读者更好地理解和运用这一强大工具。
163 2
|
3月前
|
机器学习/深度学习 数据采集 数据挖掘
解锁 Python 数据分析新境界:Pandas 与 NumPy 高级技巧深度剖析
Pandas 和 NumPy 是 Python 中不可或缺的数据处理和分析工具。本文通过实际案例深入剖析了 Pandas 的数据清洗、NumPy 的数组运算、结合两者进行数据分析和特征工程,以及 Pandas 的时间序列处理功能。这些高级技巧能够帮助我们更高效、准确地处理和分析数据,为决策提供支持。
72 2
|
3月前
|
存储 数据处理 Python
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第27天】在科学计算和数据分析领域,Python凭借简洁的语法和强大的库支持广受欢迎。NumPy和SciPy作为Python科学计算的两大基石,提供了高效的数据处理和分析工具。NumPy的核心功能是N维数组对象(ndarray),支持高效的大型数据集操作;SciPy则在此基础上提供了线性代数、信号处理、优化和统计分析等多种科学计算工具。结合使用NumPy和SciPy,可以显著提升数据处理和分析的效率,使Python成为科学计算和数据分析的首选语言。
117 3
|
3月前
|
数据采集 数据可视化 数据处理
如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`)
本文介绍了如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`),加载历史数据,计算均线和其他技术指标,实现交易逻辑,记录和可视化交易结果。示例代码展示了如何根据均线交叉和价格条件进行开仓、止损和止盈操作。实际应用时需注意数据质量、交易成本和风险管理。
155 5
|
3月前
|
存储 机器学习/深度学习 算法
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第26天】NumPy和SciPy是Python科学计算领域的两大核心库。NumPy提供高效的多维数组对象和丰富的数学函数,而SciPy则在此基础上提供了更多高级的科学计算功能,如数值积分、优化和统计等。两者结合使Python在科学计算中具有极高的效率和广泛的应用。
126 2
|
4月前
|
缓存 测试技术 开发者
深入理解Python装饰器:用法与实现
【10月更文挑战第7天】深入理解Python装饰器:用法与实现
38 1
|
4月前
|
传感器 大数据 数据处理
深入理解Python中的生成器:用法及应用场景
【10月更文挑战第7天】深入理解Python中的生成器:用法及应用场景
157 1
|
4月前
|
数据挖掘 索引 Python
Python数据分析篇--NumPy--进阶
Python数据分析篇--NumPy--进阶
39 0
|
4月前
|
数据挖掘 索引 Python
Python数据分析篇--NumPy--入门
Python数据分析篇--NumPy--入门
69 0
|
4月前
|
Python
深入了解Python中星号变量的特殊用法
深入了解Python中星号变量的特殊用法
48 0

热门文章

最新文章

推荐镜像

更多