Numpy快速上手（机器学习基础）

前言numpy基本操作

生成0,1数组array和asarray的不同创建等差数组创建正态分布形状修改元素的Curd运算

逻辑运算三元运算矩阵运算

广播机制矩阵基本运算

求转置矩阵相乘求逆矩求伴随
「这是我参与2022首次更文挑战的第5天，活动详情查看： 2022首次更文挑战」

本博文优先在掘金社区发布！

刚才我已经演示了，机器学习的常用的绘图库之一的matplotlib。那么接下来使我们另一个经常使用的numpy。numpy的使用相当广泛，所以不论你是不是学习机器学习，其实都是要学的当然还有一个库pandas也是我们需要掌握的（不过这个库内容稍微比较多，同样的使用pandas可以帮助我们对数据进行清洗）

在进行机器学习，或者数学运算时，我们经常需要使用到矩阵，那么numpy就为我们提供了很多类似的功能。并且numpy的使用相当简便，而且速度相当之快，相对于python自带的list而言，numpy由于底层是C语言直接避免了GIL的限制，支持并行运算，同时相对于list的存储模式，numpy更像是一个数组。

请注意我这里使用的环境是jupyter
速度对比

import random 
import time import numpy as np 
a = [] 
for i in range(100000000): 
    a.append(random.random()) 
# 通过%time魔法方法, 查看当前行的代码运行一次所花费的时间 
%time sum1=sum(a) 
b=np.array(a) 
%time sum2=np.sum(b)

首先numpy的使用和我们的list的使用类似。区别只是在api的使用上面略有区别。

此外支持的数据类型有

>>> a = np.array([[1, 2, 3],[4, 5, 6]], dtype=np.float32)

>>> a.dtype

dtype(‘float32’)

这个也是常用的，例如我们绘制一张图片。假设一张RGB图片，那么他是典型的（nxnx3）
nxn表示像素点。

ones = np.ones([4,8]) 
ones

先说结论

Arrary相当于深度拷贝
asarrary 只是类型转换，相当于浅拷贝

指定步长 参数

step:步长,默认值为1
np.arange(10, 50, 2) 创建正态分布

np.random.normal(loc=0.0, scale=1.0, size=None)

loc：float
此概率分布的均值（对应着整个分布的中心centre）
scale：float 此概率分布的标准差（对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高）
size：int or tuple of ints 输出的shape，默认为None，只输出一个值
np.random.standard_normal(size=None) 返回指定形状的标准正态分布的数组。

np.reshape(shape)

这个的api的模板固定，只是api名称不同。我们这边演示添加

import numpy as np
#创建数组arr arr = np.array([[1,2,3,4],[5,6,7,8]]) 
print('第1个数组arr：',arr)　　 
print('向arr数组添加元素：') 
print(np.append(arr,[[9,10],[11,12]])) 
print('原数组：',arr)　　 
print('沿轴 0 添加元素：') 
print(np.append(arr,[[9,10,11,12],[11,11,11,11]], axis=0)) 
print('沿轴 1 添加元素：') 
print(np.append(arr,[[9,10],[11,12]], axis=1))

注意接受参数

# 生成10名同学，5门功课的数据
>>> score = np.random.randint(40, 100, (10, 5))
# 取出最后4名同学的成绩，用于逻辑判断
>>> test_score = score[6:, 0:5]
# 逻辑判断, 如果成绩大于60就标记为True 否则为False
>>> test_score > 60
array([[ True, True, True, False, True],
[ True, True, True, False, True],
[ True, True, False, False, True],
[False, True, True, True, True]])
# BOOL赋值, 将满足条件的设置为指定的值-布尔索引
>>> test_score[test_score > 60] = 1
>>> test_score
array([[ 1, 1, 1, 52, 1],
[ 1, 1, 1, 59, 1],
[ 1, 1, 44, 44, 1],
[59, 1, 1, 1, 1]])

np.where(temp > 60, 1, 0)

arr1 = np.array([[0],[1],[2],[3]])
arr1.shape
# (4, 1)
arr2 = np.array([1,2,3])
arr2.shape
# (3,)
arr1+arr2
# 结果是：
array([[1, 2, 3],
[2, 3, 4],
[3, 4, 5],
[4, 5, 6]])

arr = np.array([[1, 2, 3, 2, 1, 4], [5, 6, 1, 2, 3, 1]])

np.dot(A,B)

np.linalg.inv(a)

所以
det(a)

为
np.linalg.det(a)

det_a=np.linalg.det(a)

ni=det_a*np.linalg.inv(a)