03-Numpy

本文章是关于光环机器学习课程中的numpy知识总结

目录

Numpy

关于数据科学

数据科学Vs传统开发

数据科学的神器——Numpy，Scipy

常用的学习库

人工智能中的数据结构

Numpy

学习链接：What is NumPy? — NumPy v1.21 Manual

关于数据科学

- 大数据开发：搭建大数据收集和处理平台hadoop，spark
- 数据分析：挖掘数据内部的规律
    - 基于统计的数据分析
    - 基于机器学习的高级数据挖掘data mining
    - 机器学习
    - 深度学习

数据科学Vs传统开发

- 传统开发：固定的流程和固定的结果bug，考察编程语法
- 数据科学：重在算法和理念！！向量化编程——矩阵

数据科学的神器——Numpy，Scipy

- 向量化计算

# 科学计算
import numpy as np
# 数据可视化库——后续用来看模型效果
from matplotlib import pyplot as plt

常用的学习库

• scikit-learn
• git
• pipy

人工智能中的数据结构

1. 标量scalar：单个数叫标量 1,2,3,4,5
2. 向量，矢量vector：【一维数组】,[1,2,3,4,5]标量按一定的顺序排成行和列
3. 矩阵matrix：【二维数组】成行成列的数据
4. 张量tensor：【三维数组】，【四维数组】等等高维数组

# NumPy的核心数据结构就是一个N维数组
# 构造一个数组(矩阵)
arr = np.array([1,2,3])
# 可以切片
arr[1]
# 按列取数
arr[:,0]
# 二维取数，前面能取到，后面取不到
arr[2:3,3:4]
# 打乱样本顺序
np.random.shuffle(arr)
# 查看其数据类型,静态语言，超出会溢出
arr.dtype
# 查看形状（几行几列）
arr.shape
# 元素个数
arr.size
# 看维度
arr.ndim
# 修改编码位数
arr2 = arr.astype(dtype = np.int32)
>>>arr2 → array([1, 2, 3], dtype=int32)
#定义矩阵时定义编码位数
arr3 = np.array([1,2,3],dtype=np.uint8)
# 向量化计算
arr + 1
# 在不引起歧义的情况下保持队形，要无歧义的情况下，broadcast
arr2 = arr *10
arr2
print(arr + arr2)
# 不能broadcast的例子,两个不同维度的矩阵相加
arr3 = np.array([2,3])
arr2 + arr3
out:operands could not be broadcast together with shapes (3,) (2,) 

# 矩阵的转置
arr4 = ([1,2,3],[4,5,6])
arr4.T
out:array([1,4],[2,5],[3,6])
# range
arr5 = np.arange(10)
arr5
out:array([0,1,2,3,4,5,6,7,8,9])
# 零矩阵
np.zeros(shape=(2,3),dtype=int)
# 一矩阵
np.ones(shape=(2,3))
# 相似举证
np.zero_like(arr)
np.one_like(arr)

# 生成等差数列,1到10取10个数
x = np.linspace(1，10，10)
# 生成y数据
y = x ** 2
# 调包
from matplotlib import pyplot as plt
# 画散点图
plt.scatter(x,y)
# 画折线图
plt.plot(x,y)
# 画柱状图
plt.bar(x,y)

 

 numpy = python中的容器 + 科学计算的功能