【python】python 机器学习之 Numpy 使用总结（二）

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

1. 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])