NumPy是機(jī)器學(xué)習(xí)中最常用的計(jì)算科學(xué)庫(kù)缩挑，今天就來(lái)看看吧

NumPy簡(jiǎn)單介紹

• NumPy的簡(jiǎn)單介紹：
  1. NumPy是機(jī)器學(xué)習(xí)中一個(gè)數(shù)據(jù)分析的核心基礎(chǔ)庫(kù)幻锁；
  2. NumPy中最核心的數(shù)據(jù)類型就是NumPy數(shù)組（類似于MatLab中的矩陣）通铲，要求這個(gè)數(shù)組中的數(shù)據(jù)的數(shù)據(jù)類型必須保持一致惹想；
  3. 底層使用C栓辜、C++卜范，F(xiàn)orturn語(yǔ)言實(shí)現(xiàn)刹悴，所以運(yùn)算的效率是非常高的行楞；
• NumPy的主要內(nèi)容：
  1. NumPy數(shù)組的初始化；
  2. 花式索引土匀，即高階數(shù)組索引子房；
  3. 隨機(jī)數(shù)組的生成

NumPy數(shù)組的使用：

1. NumPy數(shù)組的初始化：同一個(gè)NumPy數(shù)組中數(shù)據(jù)的數(shù)據(jù)類型最好保持一致：

   • 1維數(shù)組：

     import numpy as np
     arr1 = np.array([1, 2, 3, 4, 5]) # type(arr1)=numpy.ndarray(n dimension array)
     arr2 = np.array((1, 2, 3, 4, 5))
     

     • 即使使用元組的方式創(chuàng)建一個(gè)數(shù)組，那么最終會(huì)自動(dòng)轉(zhuǎn)化成列表的形式
   • 2維數(shù)組：

     import numpy as np
     arr1 = np.array(<list>) 
     arr2 = np.array(<list>)
     

   • 初始化的時(shí)候給定數(shù)據(jù)類型

     arr = np.array(<list>, dtype=int) 
     

     • 其中dtype可以是：bool就轧，int证杭，float，str妒御，np.float32解愤，np.float64，np.int32乎莉，np.int64···
     • 生成一個(gè)新的數(shù)組返回
   • 使用已經(jīng)存在的NumPy數(shù)組初始化一個(gè)新的NumPy數(shù)組

     arr = np.asarray(<nd-array>[, dtype=<data-type>]) 
     

     • 如果<nd-array>和dtype都是一樣的送讲，就不會(huì)生成一個(gè)新的NumPy數(shù)組
   • 使用astype生成新的NumPy數(shù)組

     arr = <nd-array>.astype(<type>) 
     

   • 生成全0/1的NumPy數(shù)組

     arr = <nd-array>.zeros/ones(<shape>) 
     

     • 這里的<shape>本質(zhì)上就是一個(gè)n維元組奸笤，而且這個(gè)元組的括號(hào)必須帶上
   • 按照區(qū)間與步長(zhǎng)結(jié)合生成NumPy數(shù)組

     arr = np.arange([<start>, ]<end>[, <step>]) 
     

     • 需要知道的是這個(gè)arange方法支持浮點(diǎn)數(shù)的生成
     • arange生成也是前閉后開(kāi)的
   • 按照區(qū)間與生成個(gè)數(shù)結(jié)合生成NumPy數(shù)組

     arr = np.linespace([<start>, ]<end>[, <shape>]) 
     

     • linespace生成也是前閉后也是閉的
     • <shape>默認(rèn)是50
   • 隨機(jī)生成數(shù)組

     arr = np.random.rand(<shape>) # 均勻分布
     arr = np.random.randn(<shape>) # 高斯分布
     

2. NumPy數(shù)組的運(yùn)算：

   • 給ndarray的每個(gè)元素加一個(gè)數(shù)字a

     arr = <nd-array> + a
     

     • 列表是不支持這個(gè)列表+數(shù)字操作的；
   • 兩個(gè)維度一樣的ndarray相加：

     arr = <nd-array1> + <nd-array2>
     

     • 列表支持列表+列表的操作哼鬓，其結(jié)果就是把兩個(gè)列表的一級(jí)元素重新組合成一個(gè)新的列表监右；而兩個(gè)維度一樣的ndarray相加的結(jié)果就是這兩個(gè)數(shù)組對(duì)應(yīng)位置的數(shù)字相加形成新的數(shù)組，維度與其父母保持一致异希；
   • 給ndarray的每個(gè)元素乘以一個(gè)數(shù)字a：

     arr = <nd-array> * a
     

     • 列表是支持這個(gè)列表*數(shù)字操作,其結(jié)果就是a個(gè)列表相加的結(jié)果秸侣，而NumPy數(shù)組與一個(gè)數(shù)字相乘的結(jié)果是這個(gè)NumPy數(shù)組的每個(gè)元素乘以這個(gè)數(shù)字得到的結(jié)果；
   • 兩個(gè)維度一樣的ndarray相乘：

     arr = <nd-array1> + <nd-array2>
     

     • 列表不支持支持列表*列表的操作宠互；而兩個(gè)維度一樣的ndarray相乘的結(jié)果就是這兩個(gè)數(shù)組對(duì)應(yīng)位置的數(shù)字相乘形成新的數(shù)組味榛，維度與其父母保持一致；

3. NumPy數(shù)組的常用屬性予跌、方法：

   • 獲取NumPy數(shù)組的行列數(shù)：

     <nd-array>.shape
     np.shape(<list>/<scalar>)
     

   • 獲取NumPy數(shù)組的維數(shù)：

     <nd-array>.ndim
     

     • 當(dāng)參數(shù)為<scalar>的時(shí)候搏色，返回的結(jié)果是一個(gè)空元組；
   • 獲取NumPy數(shù)組中數(shù)據(jù)的數(shù)據(jù)類型：

     <nd-array>.dtype
     

   • 獲取NumPy數(shù)組中每個(gè)元素個(gè)數(shù) 券册？频轿？？高維烁焙？航邢？？：

     <nd-array>.size
     np.size(<list>)
     

   • 獲取NumPy數(shù)組中每個(gè)元素所占字節(jié)數(shù)：

     <nd-array>.itemsize
     

   • 獲取NumPy數(shù)組所占字節(jié)數(shù)：

     <nd-array>.nbytes
     

   • 替換NumPy中的元素為一個(gè)新值：

     <nd-array>.fill(<new-value>)
     

   • 如果NumPy數(shù)組中的元素為一個(gè)虛數(shù)骄蝇，獲取其實(shí)部和虛部：

     <nd-array>.imag
     <nd-array>.real
     

   • 特殊值：無(wú)窮大和不是一個(gè)數(shù)字：

     np.inf # 無(wú)窮大
     np.nan # 不是一個(gè)數(shù)字
     

   • 特殊值：無(wú)窮大和不是一個(gè)數(shù)字：

     np.inf # 無(wú)窮大
     np.nan # 不是一個(gè)數(shù)字
     

   • NumPy數(shù)組求和：
     1. 全部的和

        <nd-array>.sum()
        

     2. 所有列的和

        <nd-array>.sum(axis=0)
        

     3. 所有行的和

        <nd-array>.sum(axis=1)
        

   • NumPy數(shù)組求積：

     <nd-array>.prod([axis=<num>])
     

   • NumPy數(shù)組最小值：

     <nd-array>.min([axis=<num>])
     

   • NumPy數(shù)組求最大值：

     <nd-array>.max([axis=<num>])
     

   • NumPy數(shù)組求每行(1)/列(0)最大值的位置：

     <nd-array>.argmax([axis=<num>])
     

   • NumPy數(shù)組求每行(1)/列(0)最小值的位置：

     <nd-array>.argmax([axis=<num>])
     

   • NumPy數(shù)組求平均值：

     <nd-array>.mean([axis=<num>])
     

   • NumPy數(shù)組的轉(zhuǎn)置：

     <nd-array>.T
     

4. 索引和切片

   • 索引和切片的方式和列表用法一樣膳殷，也有不一樣的地方：
     1. 使用列表的方式訪問(wèn)多維數(shù)組

        <nd-array>[<dimension1>, <dimension2>, ...]
        

     2. 獲取二維數(shù)組的第n列數(shù)據(jù)

        <nd-array>[:, n]
        

     3. 給已有的二維數(shù)組<nd-array>添加維度：

        <nd-array>[:, :, None]
        

     4. 花式索引(Fancy Indexing)：一次性從nd-array中根據(jù)索引獲取多個(gè)值

        // TODO
        

5. NumPy數(shù)組的遍歷：

   • 普通的遍歷

     for ele in <nd-array>:
         <for-body>
     

   • n維NumPy數(shù)組全元素遍歷：

     for idx, ele in np.ndenumerate<nd-array>:
         <for-body>
     

6. 兩個(gè)NumPy數(shù)組的拼接：

   • 使用concatenate行(axis=0)/(axis=0)列拼接：

     np.concatenate(<nd-array1>, <nd-array2>, [axis=<axis-value>])
     

     • 注意，兩個(gè)數(shù)組進(jìn)行拼接的時(shí)候需要注意：若進(jìn)行拼接九火，則列數(shù)必須相等赚窃，列拼接行數(shù)則必須相等；
   • 使用vstack(行：垂直拼接)/hstack(列：水平拼接)拼接：

     np.vstack(<nd-array1>, <nd-array2>) # 類似SQL中的 union
     np.hstack(<nd-array1>, <nd-array2>) # 類似SQL中的join
     np.dstack(<nd-array1>, <nd-array2>) # 結(jié)果是一個(gè)三維的變化結(jié)果岔激，后面有時(shí)間講解
     

7. NumPy數(shù)組的數(shù)學(xué)運(yùn)算：

   • NumPy數(shù)組的普通運(yùn)算：

     <nd-array1> +/-/*/／/**/% <num>
     

   • NumPy數(shù)組作為矩陣的乘法：

     <nd-array1>.dot(<num>/<nd-array2>)
     <nd-array1> @ (<num>/<nd-array2>) # 與.dot的結(jié)果一樣勒极，Python3以后支持
     

   • NumPy數(shù)組的一些數(shù)學(xué)函數(shù)：

     np.cos(<nd-array>)
     np.cos(<nd-array>)
     np.aqrt(<nd-array>)
     ...
     

     • 注意， math模塊的函數(shù)是無(wú)法直接作用于NumPy數(shù)組的

8. NumPy數(shù)組的邏輯運(yùn)算：

   • NumPy數(shù)組的普通邏輯運(yùn)算：

     <nd-array1> >/>=/</<= <num>
     

     • 注意虑鼎，邏輯運(yùn)算的結(jié)果是一個(gè)數(shù)組辱匿，不能直接結(jié)合if使用，但是可以通過(guò)一些函數(shù)如：if np.all/any/allclose(<nd-array-logic-expression>)這種方式使用炫彩；

9. NumPy數(shù)組的廣播機(jī)制：

   • 目前還不是很明白匾七，研究明白之后補(bǔ)吧

     // TODO