numpy是python的一个支持矩阵、向量运算的库，由于python自带的list不仅效率低，也不会将数组看作矩阵或者向量，因此在机器学习中，使用numpy来作为操作数组及矩阵的工具
numpy生成数组或矩阵
numpy.array([i for i in range(10)])numpy.dtypenumpy.zeros(10,dtype=int //该参数可选)numpy.zeros((3,5))numpy.ones(shape=(3,5))numpy.full(shape=(3,5),fill_value=66.0)numpy.arange(10)-
numpy.arange(0,1,0.2)arange函数生成步长相等的数列 -
numpy.linspace(0,20,10)linspace函数生成个数一定的数列
随机数
-
numpy.random.randomint(0,10)生成[0,10)这个区间的一个随机整数 -
numpy.random.randomint(0,10,size=10)十个随机整数 -
numpy.random.randonint(0,10,(4,5))4*5矩阵的随机整数 -
numpy.random.seed(123)设置伪随机数种子，在每次random调用前使用相同的种子可得到相同的随机数序列 -
numpy.random.normal()生成均值为0，方差为1的分布的随机浮点数 -
numpy.random.noraml(5,10,(3,5))均值为5，方差为10的3*5矩阵
矩阵属性
x=numpy.arange(10,(3,5))
x.ndim //x的维度
x.shape //x的各维度长度
x.size //x的总元素数量
使用X=x[:2,:2]获取的x的子矩阵，当修改X时同样会改变x的值，修改x也会改变X的值
因此我们如果我们想获得一个和x无关的x的子矩阵，需要使用X=x[:2,:2].copy()
使用y=x.reshape(5,3)可以将3*5的x矩阵改变为5*3的y矩阵，x的值不变
y=x.reshape(5,-1)可以自动帮我们计算出，要将x转换为5行，所需要的列数y依然变为5*3的矩阵
数据合并分割
numpy.concatenate([A,B],axis=1)numpy.vstack(A,B)numpy.hstack(A,B)numpy.split(A,[2],axis=1)numpy.vsplit(A,[2])numpy.hsplit(A,[2])
矩阵运算
矩阵间所有直接使用运算符的运算都只会进行相应元素间的运算
例如
A.dot(B)
-
numpy.linalg.inv(A)求A矩阵的逆 -
numpy.linalg.pinv(A)求A矩阵的伪逆矩阵
聚合运算
np.sum(A)-
np.sum(A,axis=0)沿着维度为0的轴进行求和运算 -
np.prod(A)对A矩阵求所有元素乘积 -
np.mean(A)求均值 -
np.median(A)求中位数 -
np.percentile(A,50)求第五十个百分位点的数值 -
np.var(A)求方差 -
np.std(A)求标准差
索引与排序
-
np.argmin(A)求A中最小值的索引值 np.argmax(A)-
np.random.shuffle(x)对x进行乱序处理 -
np.argsort(x)索引排序 -
np.partition(x,3)以3为基准线排序 np.argpartition(x,3)
Fancy Indexing
numpy支持将数组作为索引来查询array里的值
查询的数组甚至可以是布尔数组
num.array的比较
该比较方法可以推广到所有比较符以及矩阵
-
np.any(判断条件)只要变量中有一个元素满足判断条件，返回True -
np.all(判断条件)只有所有变量元素满足判断条件，返回Ture -
np.sum(X%2==0,axis=1)该命令查看矩阵X沿列方向有多少偶数
-
np.sum((x<3) & (x>7))计算x中大于3，小于7的元素个数，在该运算中，只使用了一个&符号，也就是说，这里并非条件运算&&，而是位运算&(与运算)
