|
一、Numpy
數(shù)組是一系列同類型數(shù)據(jù)的集合，可以被非零整數(shù)進(jìn)行索引，可以通過列表進(jìn)行數(shù)組的初始化，數(shù)組也可以通過索引進(jìn)行切片。
Numpy提供了幾乎全部的科學(xué)計(jì)算方式。
1 2 | # numpy 導(dǎo)入方式:
import numpy as np
|
①、創(chuàng)建數(shù)組：
1.簡單一二維數(shù)組
1 2 3 4 5 | np.array( [1,2,3,4] ) # 一維數(shù)組
np.array( ['1',5,True] ) # 數(shù)組內(nèi)容為字符型
np.array( [True,True] ) # 布爾型數(shù)組
np.array( [[1,2,3,4] , [5,6,7,8]] ) # 二維數(shù)組
|
2.范圍函數(shù)生成 一維數(shù)組:
1 2 3 4 | np.arange([start,] stop[, step,], dtype=None)
np.arange(1,10)
# array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
|
3.均分函數(shù)生成 一維數(shù)組:(等差數(shù)列)
1 2 3 4 5 6 7 8 9 10 11 12 13 | np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
start : 初始值
stop : 末尾值
num : 生成的樣本數(shù) , 必須為非負(fù)數(shù)
endpoint : 默認(rèn)True , 數(shù)組最后一個(gè)元素為 stop項(xiàng)
# 數(shù)組step計(jì)算:
當(dāng) endpoint = True 時(shí), step = (end - start) / (num - 1)
當(dāng) endpoint = False 時(shí), step = (end - start) / num
np.linspace(1,10,num=5,endpoint=False)
# array([ 1. , 2.8, 4.6, 6.4, 8.2])
|
4.創(chuàng)建元素為1 的數(shù)組
1 2 | np.ones(4) # 一維數(shù)組 array([ 1., 1., 1., 1.])
np.ones([4,5]) # 二維數(shù)組 4行5列
|
5.創(chuàng)建元素為0 的數(shù)組
1 2 | np.zeros(4) # 一維數(shù)組 array([ 0., 0., 0., 0.])
np.zeros([4,5]) # 二維數(shù)組 4行5列
|
6.創(chuàng)建一定形狀的數(shù)組
1 2 3 | numpy.empty(shape, dtype=float, order='C')
np.empty([2,3]) # 創(chuàng)建2行3列數(shù)組
|
7.創(chuàng)建方陣型，行列相等，對(duì)角元素為1，其余元素為0
1 2 3 4 5 | np.eye(4) # 4行4列 , 元素為0 , 對(duì)角線元素為1
array([[ 1., 0., 0., 0.],
[ 0., 1., 0., 0.],
[ 0., 0., 1., 0.],
[ 0., 0., 0., 1.]])
|
8.創(chuàng)建與某數(shù)組大小相同的數(shù)組，元素為0
1 2 | arr1 = np.eye(4) # 4行4列
arr2 = np.empty_like(arr1) # 4行4列
|
9.Series轉(zhuǎn)換Array
②、Numpy下的random類創(chuàng)建 隨機(jī)數(shù)組
1.創(chuàng)建符合 [0:1) 均勻分布 的數(shù)組
1 2 3 | np.random.rand(d0, d1, ..., dn)
np.random.rand(4,5) # 4行5列數(shù)組
|
2.創(chuàng)建符合 標(biāo)準(zhǔn)正態(tài)分布 的數(shù)組
1 2 3 | np.random.randn(d0, d1, ..., dn)
np.random.randn(4,5) # 4行5列數(shù)組
|
3.創(chuàng)建 隨機(jī)整數(shù) 的數(shù)組 , (不包含)
1 2 3 4 5 | np.random.randint(low, high=None, size=None, dtype='l')
np.random.randint(5, size=(2, 4)) # 生成0到4之間的 2 x 4數(shù)組
array([[4, 0, 2, 1],
[3, 2, 2, 0]])
|
4.創(chuàng)建 隨機(jī)整數(shù) 的數(shù)組 , (包含)
1 2 3 4 5 | np.random.random_integers(low, high=None, size=None)
np.random.random_integers(5, size=(2, 4)) # 生成1到5之間的 2 x 4數(shù)組
array([[3, 3, 4, 3],
[3, 4, 1, 5]])
|
5.創(chuàng)建 [0.0,1.0) 隨機(jī)浮點(diǎn)數(shù)
1 2 3 4 5 6 7 | np.random.random(size=None)
np.random.random_sample(size=None)
np.random.ranf(size=None)
np.random.sample(size=None)
np.random.random( (5,) )
np.random.random_sample( (4,5) ) # 4行5列 浮點(diǎn)數(shù)數(shù)組
|
6.從給定的1-D數(shù)組 生成隨機(jī)樣本
1 2 3 4 5 6 7 8 | np.random.choice(a, size=None, replace=True, p=None)
p：1-D array-like，可選 ( 設(shè)置概率 )與a中的每個(gè)條目相關(guān)聯(lián)的概率。如果沒有給出樣本，則假設(shè)在a中的所有條目均勻分布。
np.random.choice(5, 3) # 從np.arange(5)生成大小為3的均勻隨機(jī)樣本：
np.random.choice(5, 3, replace=False) # 從np.arange(5)生成大小為3的均勻隨機(jī)樣本，沒有重復(fù)：
aa_milne_arr = ['pooh', 'rabbit', 'piglet', 'Christopher']
np.random.choice(aa_milne_arr, 5, p=[0.5, 0.1, 0.1, 0.3])
|
7.返回隨機(jī)字節(jié)
1 2 3 4 | np.random.bytes(length)
np.random.bytes(10)
# b'u\x1e\xd6\x8d\xf5]\xab6\xed\x0c'
|
③、重要屬性
1 2 3 4 | np.shape # 查看數(shù)組的維度 如: (4,) 一個(gè)數(shù)字代表1維 , (5,6) 代表二維,5行6列數(shù)組 , .....
np.size # 查看數(shù)組元素總個(gè)數(shù)
np.ndim # 查看數(shù)組維度數(shù)
len(array) # 查看數(shù)組行數(shù)
|
④、重要方法
1. 給定條件判斷元素
1 2 3 4 5 6 | numpy.where(condition[, x, y]) # 根據(jù)條件，從x或y返回元素。
np.where(arr1 > 0 , True , False )
array([[False, True, True, False],
[ True, False, False, False],
[ True, True, True, False]], dtype=bool)
|
2.查找數(shù)組唯一元素
1 2 3 4 5 6 7 8 | np.unique(ar, return_index=False, return_inverse=False, return_counts=False)[source]
return_counts = True # 返回出現(xiàn)次數(shù)<br>
np.unique([1, 1, 2, 2, 3, 3])
# array([1, 2, 3])
a = np.array([[1, 1], [2, 3]])
np.unique(a)
# array([1, 2, 3])
|
3.兩個(gè)數(shù)組連接
1 2 3 4 5 6 7 8 9 10 | np.concatenate((a1, a2, ...), axis=0) # 沿現(xiàn)有軸連接數(shù)組序列。
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6]])
np.concatenate((a, b), axis=0)
array([[1, 2],
[3, 4],
[5, 6]])
np.concatenate((a, b.T), axis=1)
|
⑤、索引與切片
⑥、數(shù)組計(jì)算
1.加法
1 2 3 4 5 6 7 | a = np.array([1,2,3])
b = np.array([-1,2,-4])
np.add(x1, x2[, out]) = <ufunc 'add'>
np.add(a,b) # 等效于 a + b
# array([ 0, 4, -1])
|
2.減法
1 2 3 | np.subtract(x1, x2[, out]) = <ufunc 'subtract'>
np.subtract(a,b) # a - b
|
3.乘法
1 2 3 | np.multiply(x1, x2[, out]) = <ufunc 'multiply'>
np.multiply(a,b) # a * b
|
4.除法
1 2 3 | np.divide(x1, x2[, out]) = <ufunc 'divide'>
np.divide(a,b) # a / b
|
5.點(diǎn)積 (相乘后把元素相加)
兩矩陣的點(diǎn)積 需要 左邊矩陣列 與 右邊矩陣行 數(shù)目相等
1 2 3 4 | np.dot(a, b, out=None)
np.dot(a,b)
np.dot(a,b.T)
|
6.廣播
兩矩陣相加 , 類型shape不一樣時(shí) , 自動(dòng)廣播計(jì)算 ,作用在每一行每個(gè)元素
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 | arr1 = np.random.randint(1,10,size=(3,4))
array([[3, 3, 4, 1],
[8, 4, 8, 2],
[6, 4, 4, 9]])
arr2 = np.array([2,2,2,2])
array([2, 2, 2, 2])
arr1 + arr2
array([[ 5, 5, 6, 3],
[10, 6, 10, 4],
[ 8, 6, 6, 11]])
# 方式二 :
arr1 + 6 # 每個(gè)元素都加6
|
7.求和
1 2 3 4 5 6 7 8 9 | np.sum(a, axis=None, dtype=None, out=None, keepdims=<class numpy._globals._NoValue>)
# 給定軸上的數(shù)組元素的總和。
np.sum([0.5, 1.5])
# 2.0
np.sum([[0, 1], [0, 5]], axis=0)
# array([0, 6])
np.sum([[0, 1], [0, 5]], axis=1)
# array([1, 5])
|
8.求平均
1 2 3 4 5 6 7 8 | np.mean(a, axis=None, dtype=None, out=None, keepdims=<class numpy._globals._NoValue>)
# 沿指定軸計(jì)算算術(shù)平均值。
a = np.array([[1, 2], [3, 4]])
np.mean(a)
# 2.5
np.mean(a, axis=0)
# array([ 2., 3.])
|
9.求平方根
1 2 3 4 5 | np.sqrt(x[, out]) = <ufunc 'sqrt'>
# 按元素方式返回?cái)?shù)組的正平方根。
np.sqrt([1,4,9])
# array([ 1., 2., 3.])
|
10.求指數(shù)
1 2 | np.exp(x[, out]) = <ufunc 'exp'>
# 計(jì)算輸入數(shù)組中所有元素的指數(shù)。
|
11.求絕對(duì)值
1 2 3 4 5 6 | np.absolute(x[, out]) = <ufunc 'absolute'>
# 逐個(gè)計(jì)算絕對(duì)值。
x = np.array([-1.2, 1.2])
np.absolute(x)
# array([ 1.2, 1.2])
|
12.求自然對(duì)數(shù)
1 2 | np.log(x[, out]) = <ufunc 'log'>
# 自然對(duì)數(shù)，逐元素。
|
⑦、線性代數(shù)計(jì)算
1.數(shù)組轉(zhuǎn)置
1 2 | arr1 = np.random.randint(0,10,size=(4,4))
np.transpose(arr1) # arr1.T
|
2.矩陣的逆
1 2 3 4 5 | a = np.array([[1,2],[4,7]])
np.linalg.inv(a)
array([[-7., 2.],
[ 4., -1.]])
|
3.沿?cái)?shù)組的對(duì)角線返回總和
1 2 3 | a = np.array([[1,2],[4,7],[5,2]])
np.trace(a)
# 8
|
4.正方形數(shù)組的特征值和右特征向量
1 2 3 4 5 | w, v = np.linalg.eig(np.array([ [1, -1], [1, 1] ]))
w; v
array([ 1. + 1.j, 1. - 1.j])
array([[ 0.70710678+0.j , 0.70710678+0.j ],
[ 0.00000000-0.70710678j, 0.00000000+0.70710678j]])
|
二、可視化
①、matplotlib 導(dǎo)入方式: ??官方文檔
1 | import matplotlib.pyplot as plt
|
②、條形圖
1 2 3 4 5 6 7 8 9 | plt.bar(left, height, width=0.8, bottom=None, hold=None, data=None, **kwargs)
y = np.array([10,20,30,50])
x = np.arange(len(y))
plt.bar(x,y,color='r') # 垂直方向
plt.show()
plt.barh(x,y,color='r') # 水平方向
plt.show()
|
 
③、多圖形排列
1 2 3 4 5 6 7 8 | y = np.random.randint(10,100,size=(4,4))
x = np.arange(4)
plt.bar(x,y[0],color='r',width=0.25)
plt.bar(x+0.25,y[1],color='b',width=0.25)
plt.bar(x+0.5,y[2],color='g',width=0.25)
plt.show()
|
④、圖形堆疊
1 2 3 | plt.bar(x,y[0],color='r')
plt.bar(x,y[1],color='y',bottom=y[0])
plt.bar(x,y[2],color='g',bottom=y[0] + y[1])
|
⑤、散點(diǎn)圖
1 2 3 | data = np.random.rand(1024,2)
plt.scatter(data[:,0],data[:,1])
plt.show()
|
⑥、直方圖
1 2 3 | x = np.random.rand(1000)
plt.hist(x,bins=50) # 顯示50條
plt.show()
|
⑦、箱形圖
1 2 3 | x = np.random.randn(100,5)
plt.boxplot(x)
plt.show()
|
注意:
numpy數(shù)組計(jì)算中*和dot是有很大區(qū)別的
1.numpy乘法運(yùn)算中"*"是數(shù)組元素逐個(gè)計(jì)算具體代碼如下：
2.numpy乘法運(yùn)算中dot是按照矩陣乘法的規(guī)則來運(yùn)算的具體實(shí)現(xiàn)代碼如下：
|
