8.1、numpy
本質(zhì)是多維數(shù)組對(duì)象
list 類(lèi)型轉(zhuǎn)為 numpy 數(shù)組 更有利科學(xué)計(jì)算
8.1.1、為什么用 numpy？
1.雖然Python數(shù)組結(jié)構(gòu)中的列表list實(shí)際上就是數(shù)組，但是列表list保存的是對(duì)象的指針，list中的元素在系統(tǒng)內(nèi)存中是分散存儲(chǔ)的，例如[0,1,2]需要3個(gè)指針和3個(gè)整數(shù)對(duì)象，浪費(fèi)內(nèi)存和計(jì)算時(shí)間。
2.NumPy數(shù)組存儲(chǔ)在一個(gè)均勻連續(xù)的內(nèi)存塊中，訪(fǎng)問(wèn)更快；NumPy中的矩陣計(jì)算可以采用多線(xiàn)程的方式，計(jì)算更快。
結(jié)論：numpy 可提供高性能的矩陣運(yùn)算，作為數(shù)組 numpy 提供了許多方便統(tǒng)計(jì)計(jì)算的功能，數(shù)組結(jié)構(gòu)為ndarray。
numpy 和 list 有什么區(qū)別？
從存儲(chǔ)數(shù)據(jù)來(lái)看，numpy 存儲(chǔ)的是矩陣，list 存儲(chǔ)的是序列
下面舉個(gè)例子
li = [1,2,3,4]Out: [1, 2, 3, 4]
arr = np.array(li)Out: [1 2 3 4]
8.1.2、numpy 數(shù)據(jù)類(lèi)型推理
numpy 會(huì)對(duì)數(shù)據(jù)類(lèi)型進(jìn)行推理，規(guī)則：轉(zhuǎn)為適用性更強(qiáng)的數(shù)據(jù)類(lèi)型。
下面舉個(gè)例子：
為什么會(huì)進(jìn)行數(shù)據(jù)類(lèi)型推理？
numpy 適合處理統(tǒng)一的數(shù)值數(shù)組數(shù)據(jù)，數(shù)據(jù)類(lèi)型推理就是為了保證數(shù)值類(lèi)型統(tǒng)一。
8.1.3、numpy 指定長(zhǎng)度數(shù)組快速創(chuàng)建
”零矩陣“
np.zeros()
np.zeros((3,4))
np.zeros((1,3,4))
np.zeros((1,1,3,4))
超出二維后的形式，以
np.zeros((1,3,4))為例，嵌套1層，層內(nèi)3行4列；array([[[0., 0., 0., 0.], [0., 0., 0., 0.], [0., 0., 0., 0.]]])(1,1,3,4)相比(1,3,4)，增加一維，多嵌套一層：
array([[[0., 0., 0., 0.], [0., 0., 0., 0.], [0., 0., 0., 0.]]])(2,1,3,4)相比(1,1,3,4)，數(shù)值增加，平行矩陣增加：
array([[[[0., 0., 0., 0.], [0., 0., 0., 0.], [0., 0., 0., 0.]]], [[[0., 0., 0., 0.], [0., 0., 0., 0.], [0., 0., 0., 0.]]]])
補(bǔ)充：
”1矩陣“
np.ones((row,col))
8.1.4、numpy 哪個(gè)是行、列？
最后兩組數(shù)為行和列。
倒是第一組為列，倒數(shù)第二組為行（若存在）
8.1.5、numpy 如何進(jìn)行數(shù)據(jù)類(lèi)型轉(zhuǎn)換？
arr = np.array([1.1,1.2,-1,-3.3])
以 arr 為例，將 arr 內(nèi)的數(shù)據(jù)類(lèi)型轉(zhuǎn)為 int32：
arr.astype(np.int32)
8.1.6、numpy 有幾種乘法？
四種。
1）星乘（*）
數(shù)組的對(duì)應(yīng)元素相乘
arr1 * arr2
2）點(diǎn)乘（np.dot）
就是矩陣乘法
a = np.array([...])
b = np.array([...])
np.dot(a,b)
3）叉乘（np.cross）、外乘（np.outer）
細(xì)說(shuō)NumPy數(shù)組的四種乘法的使用
8.1.7、numpy 索引和切片操作
舉個(gè)例子：
補(bǔ)充：
花式索引
通過(guò)整型數(shù)組進(jìn)行索引
花式索引為什么有兩層中括號(hào)？
以數(shù)組對(duì)象 arr 為例，向arr[]中傳入數(shù)組作為參數(shù)，所以才有了兩個(gè)中括號(hào)
在機(jī)器學(xué)習(xí)中常通過(guò)使用花式索引來(lái)打亂數(shù)據(jù)集的樣本順序，避免機(jī)器學(xué)習(xí)模型學(xué)習(xí)到樣本的位置噪聲，對(duì)于監(jiān)督學(xué)習(xí)的數(shù)據(jù)集如果打亂了樣本還需要打亂相對(duì)應(yīng)的標(biāo)簽值，樣本與標(biāo)簽都是一一對(duì)應(yīng)的關(guān)系，使用花式索引能夠輕松的解決。
注意，這里有一個(gè)問(wèn)題：
arr = np.arange(12).reshape((3,4)) print(arr[[0,2]])Out：
[[ 0 1 2 3] [ 8 9 10 11]]換一個(gè)寫(xiě)法，將 reshape 拆開(kāi)，無(wú)法得到想要的結(jié)果（尚不知具體原因）：
arr.reshape() 本身不會(huì)改變arr，而是得到改變形狀后的一個(gè)返回值，這就是原因。——2023.7.11
這個(gè)寫(xiě)法又有一種補(bǔ)救（2023-5-16）:d = np.arange(12) print(d.reshape(3,4)[[0,2]])要用花式索引，不要讓reshape方法‘’單著‘’
Out：
[[ 0 1 2 3] [ 8 9 10 11]]
8.1.8、numpy 比較運(yùn)算
names = np.array(['名字1','名字2','名字3'])
sex = np.array(['M','F'])
這里舉幾個(gè) and、or 的例子：
(names == '名字4') & (sex == 'M')Out：array([False, False, False])
(names == '名字1') | (names == '名字5')Out：array([ True, False, False])
8.1.9、numpy 如何指定行列？
arr = np.arange(16)
以 arr 為例，整成 4行4列：
arr.reshape(4,4)Out：
array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11], [12, 13, 14, 15]])
8.1.10、numpy 如何轉(zhuǎn)置？
比 list 強(qiáng)大之處，舉個(gè)例子：
arr = np.arange(24).reshape((3,8))arr.T#轉(zhuǎn)置Out：
array([[ 0, 8, 16], [ 1, 9, 17], [ 2, 10, 18], [ 3, 11, 19], [ 4, 12, 20], [ 5, 13, 21], [ 6, 14, 22], [ 7, 15, 23]])
補(bǔ)充：
軸轉(zhuǎn)置
arr 為三維矩陣，初始時(shí)刻存在的三個(gè)軸下標(biāo)分別0、1、2，基于下標(biāo)完成軸轉(zhuǎn)置，如下圖：
8.1.11、numpy where 函數(shù)
res = [x if c else y for x,y,c in zip(x_arr,y_arr,conditon)]#list對(duì)象
res = np.array(res)#numpy對(duì)象
等價(jià)表示
res = np.where(condition,x_arr,y_arr) #返回numpy對(duì)象
若條件 condition 成立，取 x_arr，否則取 y_arr 。
8.1.12、 numpy 如何值替換？
arr = np.random.randn(4,4)# 4*4隨機(jī)矩陣
利用8.1.11提到的where函數(shù)，實(shí)現(xiàn)值替換，舉個(gè)例子，將正數(shù)替換為5，負(fù)數(shù)為-5：
arr = np.where(arr>0,5,-5)
8.1.13、numpy 數(shù)學(xué)運(yùn)算
1）生成隨機(jī)矩陣
例如生成一個(gè)4*4隨機(jī)矩陣：
arr = np.random.randn(4,4)
隨機(jī)矩陣生成，數(shù)據(jù)源有兩種，
np.random.rand()
np.random.randn()
rand() ：取值從0，1之間的均勻分布中抽樣。
randn()：取值從以0為均值，1為方差的標(biāo)準(zhǔn)正態(tài)分布中抽樣。
例如，生成4 * 4 隨機(jī)矩陣，
arr = np.random.randn(4,4)# 4*4隨機(jī)矩陣 print(arr) arr = np.random.rand(4,4)# 4*4隨機(jī)矩陣 print(arr)Out：
[[-0.38672283 0.2510875 0.84164035 -1.171516 ] [-0.34456511 -1.43556016 0.78061698 0.68466033] [-1.05684828 0.66353918 -0.16626838 -1.0837476 ] [-0.54743772 -0.70599557 -0.24332244 -0.18156644]] [[0.63981419 0.56708754 0.03062314 0.77049354] [0.79681395 0.12707638 0.05749961 0.21459898] [0.62925634 0.10423857 0.47172718 0.57837616] [0.68260032 0.54003265 0.57571165 0.50320049]]
2）平均值、求和
怎么確定 axis 方向？
以 arr 對(duì)象為例：
arr.mean()#對(duì)所有元素
arr.mean(axis = 0)#0軸沿著行的方向垂直向下運(yùn)算
arr.mean(axis = 1)#1軸沿著列的方向水平延伸運(yùn)算
arr.sum()
3）排序
以 arr 對(duì)象為例：
arr.sort()：返回的是原數(shù)組的“視圖”，而不是 copy文章來(lái)源：http://www.zghlxwxcb.cn/news/detail-430854.html
np.sort(arr)：返回的是原數(shù)組的 copy， 而不是“視圖”，當(dāng)有保留原 arr 需求時(shí)用這個(gè)文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-430854.html
到了這里，關(guān)于科學(xué)計(jì)算庫(kù)—numpy隨筆的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
