学习“黑马程序员：13天机器学习入门”整理笔记备用，以防忘记，欢迎指教
ndarray：n维数组
一、创建
1、生成全0和1的数组
import numpy as np np.ones(shape,dtype) #生成大小为shape的全1数组 np.zeros(shape,dtype) #生成大小为shape的全0数组 np.ones_like(a,dtype) #a : array_like; 生成与a形状相同的全1数组 np.zeros_like(a,dtype) #生成与a形状相同的全0数组
2、从现有数组生成
import numpy as np np.array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0) #object：公开数组接口的任何对象，__array__方法返回数组的对象，或任何（嵌套）序列 np.asarray(a, dtype=None, order=None) #a : array_like
np.array：创建一个新的，深拷贝
np.asarray：索引形式，未创建一个新的，浅拷贝
3、生成固定范围的数组
np.linspace(start,stop,num,endpoint)#等差数列-指定数量 #start：序列的起始值 #stop：序列的终止值 #num：要生成的等间隔样例数量，默认值50 #endpoint：序列中是否包含stop值，默认为true np.arange(start,stop,step,dtype)#等差数列-指定步长 #step:步长，默认为1 np.logspace(start,stop,num)#等比数列 #num：等比数列的数量，默认50
二、形状修改
np.reshape：返回一个具有相同数据，但shape不一样的视图，行列不进行互换
np.resize：修改了数组本身形状（前后数据元素个数要一致），行列不进行互换
np.T：数组转置，行列互换
eg：
np.reshape：
import numpy as np x = np.random.rand(3,4) print(x) x = x.reshape(4,3) print(x)
np.resize：
import numpy as np xx = np.random.rand(3,4) print(xx) xx = xx.resize(4,3) print(xx)
三、类型修改
np.astype(type) #返回修改类型之后的数组 np.tostring([order]) #or ndarrary.tobytes([order]) 构造包含数组中原始数据字节的Python字节
四、逻辑运算
#用于判断整个数组中的元素的值是否全部满足条件，如果满足条件返回True，否则返回False np.all(a, axis=None, out=None, keepdims=) #或操作，任意一个元素为True，输出为True np.any(a, axis=None, out=None, keepdims= ) #满足条件(condition)，输出x，不满足输出y# #复合逻辑结合np.logical_and和np.logical_or使用 np.where(condition, x, y)
五、数组与数组的运算
1、广播机制
数组在进行矢量运算时要求数组的形状是相等的，当不相等时就会出现广播机制对数组进行扩展，使数组的shape属性值一样
使用广播机制时，数组需要满足以下任一条件：
数组的某一维度等长
其中一个数组的某一维度为1
2、矩阵乘法
np.matmul(a,b) np.dot(x,y)
区别：
np.matmul中禁止矩阵与标量的乘法
