機器學習中numpy的經(jīng)典必用一份腳本足夠

#機器學習中numpy的典型必用#Scipy是一種用于數(shù)學、科學、工程領域的慣用軟件包，#能夠解決插值、積分、優(yōu)化、圖像解決、常微分方程數(shù)值解的求解、#信號解決等問題。它用于有效計算Numpy矩陣，使Numpy和Scipy協(xié)同工作，高效解決問題。#1#LoadLibraryimportnumpyasnpfromscipyimportsparse#將向量創(chuàng)立為行vector_row=np.array([1,2,3])#將向量創(chuàng)立為列vector_column=np.array([[1],[2],[3]])#Numpy中創(chuàng)立一種二維數(shù)組，并將其稱為矩陣，它包含2行3列#CreateaMatrixmatrix=np.array([[1,2,3],[4,5,6]])print("二維矩陣matrix:{}".format(matrix))#2#創(chuàng)立稀疏矩陣（sparseMatrix）#顯示非零元素的位置matrix_1=np.array([[0,0],[0,1],[3,0]])print("二維含零元素的矩陣matrix_1：{}".format(matrix_1))matrix_1_sparse=sparse.csr_matrix(matrix_1)print("二維矩陣的稀疏矩陣：{}".format(matrix_1_sparse))#3#描述矩陣#CreateaMatrixmatrix=np.array([[1,2,3],[4,5,6],[7,8,9]])#ViewtheNumberofRowsandColumnsprint("矩陣的屬性行列數(shù)：{}".format(matrix.shape))#Viewthenumberofelements(rows*columns)print("矩陣的元素個數(shù)size:{}".format(matrix.size))#ViewthenumberofDimensions(2inthiscase)print("矩陣的維度ndim:{}".format(matrix.ndim))#3#使用函數(shù)操作矩陣元素#建立一種加100的函數(shù)defadd_100(i):i=i+100returni#把函數(shù)轉化為矢量函數(shù)（vectorizedfunction）vectorized_add_100=np.vectorize(add_100)#讓函數(shù)作用域矩陣的全部元素print("讓函數(shù)加100作用于矩陣matrix:{}".format(vectorized_add_100(matrix)))#4#矩陣的大小print("矩陣元素的最大值：{}".format(np.max(matrix)))print("返回元素的最小值：{}".format(np.min(matrix)))print("找到矩陣每列的最大值：{}".format(np.max(matrix,axis=0)))print("找到每一行元素的最大值：{}".format(np.max(matrix,axis=1)))#二維矩陣的均值，方差和原則方差print("矩陣matrix的均值：{}".format(np.mean(matrix)))print("矩陣matrix的方差：{}".format(np.std(matrix)))print("矩陣matrix原則方差：{}".format(np.var(matrix)))#5#數(shù)組的重塑print("矩陣轉換一列：{}".format(matrix.reshape(9,1)))#這里-1表達盡量多的列print("矩陣轉換為一行的二維數(shù)組：{}".format(matrix.reshape(1,-1)))#如果我們在reshape的參數(shù)上只放了一種參數(shù)，闡明我們要返回的是一行n列的數(shù)組print("矩陣轉換為一行序列的表達辦法：{}".format(matrix.reshape(9)))#6#矩陣的轉置print("矩陣matrix的轉置：{}".format(matrix.T))#矩陣的秩#矩陣的行列式print("matrix的行列式：{}".format(np.linalg.det(matrix)))#計算矩陣的秩print("matrix的秩：{}".format(np.linalg.matrix_rank(matrix)))#矩陣的對角線print("矩陣的主對角線：{}".format(matrix.diagonal()))#能夠使用偏移來查看它的次對角線，正數(shù)表達右移，負數(shù)表達左移：print("矩陣的：{}".format(matrix.diagonal(offset=1)))#能夠使用偏移來查看它的次對角線，正數(shù)表達右移，負數(shù)表達左移：print("矩陣的：{}".format(matrix.diagonal(offset=-1)))#numpy.trace是求shape的對角線上的元素的和print("matrix的跡：{}".format(matrix.trace()))#7#查找特性值和特性向量eigenvalues,eigenvectors=np.linalg.eig(matrix)print("矩陣的特性值：{},矩陣的特性向量：{}".format(eigenvalues,eigenvectors))#矩陣的點積vector_1=np.array([1,2,3])vector_2=np.array([4,5,6])#計算點積print("兩個向量的點積1：{}".format(np.dot(vector_1,vector_2)))#第二種體現(xiàn)辦法print("兩個向量的點積2：{}".format(vector_1@vector_2))#8#矩陣的加減乘除matrix_2=np.array([[7,8,9],[4,5,6],[1,2,3]])#加print("矩陣相加：{}".format(np.add(matrix,matrix_2)))#減print("矩陣想減：{}".format(np.subtract(matrix,matrix_2)))#乘print("矩陣的乘法：{}".format(matrix*matrix_2))#9#矩陣的逆print("矩陣的逆矩陣：{}".format(np.linalg.inv(matrix)))#矩陣的隨機數(shù)產(chǎn)生np.random.seed(1)#產(chǎn)生3個隨機的整型數(shù)界于[1,10]print("3個隨機數(shù)：{}".format(np.random.randint(0,10,3)))#產(chǎn)生3個隨機數(shù)滿足一種均值為1.0，方差為2.0的正態(tài)分布print("3個隨機數(shù)的正態(tài)分布：{}".format(np.random.normal(1.0,2.0,3)))############################numpy的基礎操作#訪問列表元素，切片作用于數(shù)組importnumpyasnparr=np.array([2.0,6.0,5.0,5.0])print(arr[:3])print(arr[0])print(arr)#1#提取所包含的不同元素，使用unique函數(shù)arr_unique=np.unique(arr)print("unique提取數(shù)列中的不同元素：{}".format(arr_unique))#2#數(shù)組元素的排序也能夠用sort()函數(shù)，數(shù)組的索引用argsort()函數(shù)arr_sort=np.sort(arr)print("sort從小到大的排序：{}".format(arr_sort))arr_sort_index=np.argsort(arr)print("argsort進行排序的索引：{}".format(arr_sort_index))#3#array_equal用于對比兩個數(shù)組與否相等#對比仿佛顯示只在乎數(shù)值，而不在乎數(shù)據(jù)類型arr1=np.array([1,3,5,7])arr2=np.array([2,6,5,5])arr3=np.array([2,6,5,5],dtype=int)print("arry_equal對比兩個數(shù)組與否相等：{}".format(np.array_equal(arr,arr1)))print("arry_equal對比兩個數(shù)組與否相等：{}".format(np.array_equal(arr,arr2)))print("arry_equal對比兩個數(shù)組與否相等：{}".format(np.array_equal(arr,arr3)))#4#shuffle()用來打亂數(shù)組的排列，變成隨機排列#注意這個函數(shù)不返回任何東西np.random.shuffle(arr1)print("shuffle函數(shù)打亂arr1后的次序輸出：{}".format(arr1))#5#多維數(shù)組的書寫辦法：與列表的操作不同，多維列表各維度用逗號隔開matrix_1=np.array([[4,5,6],[7,8,9]],dtype=float)print("二維數(shù)組的體現(xiàn)形式：{}".format(matrix_1))#6#多維數(shù)組的訪問print("矩陣第1行第1列的數(shù)值：matrix_1[0,0]={}".format(matrix_1[0,0]))print("矩陣第2行第3列的數(shù)值：matrix_1[1,2]={}".format(matrix_1[1,2]))#7#多維數(shù)組的切片操作，使用冒號索引，切片仍然還是矩陣#0：1其實指的是0一種效果，跟range同樣，行和列的序號仍然是從0開始print("矩陣的第一行的第1個數(shù)的切片矩陣：martrix_1[0,0:1]={}".format(matrix_1[0,0:1]))print("矩陣的第一行的前兩個數(shù)的切片矩陣：martrix_1[0,0:2]={}".format(matrix_1[0,0:2]))print("矩陣的第二行的前兩個數(shù)的切片矩陣：martrix_1[1,0:2]={}".format(matrix_1[1,0:2]))print("矩陣的第二行的全部數(shù)的切片矩陣：martrix_1[1,:]={}".format(matrix_1[1,:]))#8#將flatten()函數(shù)將多維數(shù)組合并成一維數(shù)組arr4=matrix_1.flatten()print("將二維矩陣matrix_1合并成覺得數(shù)組arr4:{}".format(arr4))#9#shape()函數(shù)查看數(shù)組對象的屬性：大小print("shape查看數(shù)組元素matrix_1的屬性大?。簕}".format(matrix_1.shape))#dtype返回數(shù)組元素的類型print("dtype返回數(shù)組元素martix_1的元素類型：{}".format(matrix_1.dtype))#10#len()函數(shù)返回數(shù)組的第一維的長度:覺得數(shù)組的元素個數(shù)，二維數(shù)組的行數(shù)print("len()返回一維數(shù)組arr4的長度：{}".format(len(arr4)))print("len()返回二維矩陣的第一維度的長度：matrix:{}".format(len(matrix_1)))#11#in作用于數(shù)組中與否有該元素print("in函數(shù)輸出3是不是在arr4中：{}".format(3inarr4))print("in函數(shù)輸出7是不是在arr4中：{}".format(7inarr4))#12#reshape()函數(shù)，用于調節(jié)重塑數(shù)組的構造。6=2*3#這里的2*3可不是按照python的從零開始來的喔?。atrix_2=arr4.reshape((3,2))print("reshape函數(shù)把一種6個元素的一維序列塑造成3*2的矩陣輸出matrix_2:{}".format(matrix_2))#13#transpose()矩陣的轉置：也就是行列交換#同樣也能夠使用Tmatrix_3=matrix_2.transpose()matrix_T=matrix_2.transpose()print("transpose將矩陣轉置為matrix_3:{}".format(matrix_3))print("transpose||T兩種轉置的辦法是同樣的：{}".format(np.array_equal(matrix_3,matrix_T)))#14#newaxis()函數(shù)增加維度：調節(jié)數(shù)組元素位置arr_1=np.array([14,32,13],dtype=float)print("新建數(shù)組arr_1:{},屬性大小為：{}".format(arr_1,arr_1.shape))print("newaxis增加數(shù)組維度：{},屬性大小為：{}".format(arr_1[:,np.newaxis],arr_1[:,np.newaxis].shape))print("newaxis增加數(shù)組維度：{},屬性大小為：{}".format(arr_1[np.newaxis,:],arr_1[np.newaxis,:].shape))#15#concatenate()函數(shù)用于數(shù)組的操作#取決與數(shù)組的維度，多個一維數(shù)組能夠相繼連接，將要連接的多個數(shù)組置于中作為參數(shù)輸入#對于一維數(shù)組函數(shù)不帶任何參數(shù)就默認為是第一種軸#對于二維數(shù)組要指定是哪條軸相連接arr_2=np.array([10,20,30],dtype=float)arr_3=np.array([31,43,54,61],dtype=float)arr_4=np.array([71,41,51,40],dtype=float)arr_concat=np.concatenate((arr_2,arr_3,arr_4))print("concatenate函數(shù)將三個序列進行連接：{}".format(arr_concat))#二維數(shù)組的操作,行連接就是行數(shù)增加，列連接就是列增加arr_4=np.array([[31,43,54,61],[1,2,3,4]],dtype=float)arr_5=np.array([[71,41,51,40],[7,8,9,7]],dtype=float)arr_concat_axis0=np.concatenate((arr_4,arr_5),axis=0)arr_concat_axis1=np.concatenate((arr_4,arr_5),axis=1)print("concatenate函數(shù)將兩個數(shù)列按照行或者列進行連接：axis0={},axis1={}".format(arr_concat_axis0,arr_concat_axis1))#16#numpy的linalg子模塊，實現(xiàn)了矩陣的多個線性代數(shù)運算。#計算矩陣的行列式的值matrix=np.array([[74,22,10],[92,31,17],[21,22,12]],dtype=float)print("矩陣matrix:{}".format(matrix))matrix_det=np.linalg.det(matrix)print("矩陣matrix的行列式：matrix_det:{}".format(matrix_det))#17#inv函數(shù)生成矩陣的逆矩陣inv_matrix=np.linalg.inv(matrix)print("矩陣matrix的逆矩陣inv_matrix:{}".format(inv_matrix))inv_mul_matrix=np.dot(inv_matrix,matrix)print("matrix的逆矩陣與matrix的乘積：{}".format(inv_mul_matrix))#18#矩陣的特性值（eigenvalues）和特性向量（eigenvectors）計算辦法[vals,vecs]=np.linalg.eig(matrix)eig=np.linalg.eig(matrix)print("矩陣matrix的特性值vals:{},特性向量vecs:{}".format(vals,vecs))print("矩陣matrix的特性值vals:{},特性向量vecs:{}".format(eig[0],eig[1]))#19#統(tǒng)計學與數(shù)學函數(shù)#數(shù)組元素統(tǒng)計信息函數(shù)：聚合型運算：求和，均值，中位數(shù)和原則差arr_2=np.random.rand(8,4)mean_arr=arr_2.mean()print("arr_2的平均值mean_arr:{}".format(mean_arr))sum_arr=arr_2.sum()print("arr_2的數(shù)據(jù)總和：{}".format(sum_arr))#numpy數(shù)組創(chuàng)立importnumpyasnparr=np.array([2,6,7,8],float)print(arr)print(type(arr))#1#數(shù)組轉換成列表arr=np.array([1,2,3],float)arr.tolist()print(arr.tolist())print(type(arr.tolist()))print(list(arr))print(type(list(arr)))print(type(arr))#2#用現(xiàn)有數(shù)組創(chuàng)立新的對象，使用"copy"函數(shù)，易錯點1arr1=arrprint('僅僅復制了指向同一種地址：{}'.format(arr1))arr1=arr.copy()print('這個時候才是創(chuàng)立了對象：{}'.format(arr1))arr1[0]=0print('試圖修改arr1的第一種值：{}'.format(arr1))print('再來看arr是沒有發(fā)生變化的：{}'.format(arr))print('闡明復制成功了！！')#3#用同一種值來覆蓋一組原有的數(shù)組值，使用'fill'函數(shù)，用處是作為初始化#fill是個功效命令，返回值固然是0或1，易錯點2arr2=np.array([1,2,3,4,5])print(arr2.fill(1))print(arr2.fill(2))print('fill填充的數(shù)組變化arr2:{}'.format(arr2))#4#使用random隨機初始化元素數(shù)組：permutation內(nèi)的參數(shù)代表數(shù)組長度arr3=np.random.permutation(3)print('random隨機化數(shù)組arr3:{}'.format(arr3))#使用正態(tài)分布normal()函數(shù)進行抽樣一系列數(shù)組：均值為0，arr4=np.random.normal(0,1,5)print('random.normal正態(tài)分布抽樣數(shù)組arr4:{}'.format(arr4))#5#Numpy還提供幾個創(chuàng)立二維數(shù)組（矩陣）的函數(shù)#(1)identity()函數(shù)創(chuàng)立單位矩陣，其行列數(shù)用參數(shù)指定arr5=np.identity(5,dtype=float)print('identity()函數(shù)創(chuàng)立二維單位矩陣arr5:{}'.format(arr5))#(2)eye函數(shù)返回第k條對角線上元素為1的矩陣#從后續(xù)實驗成果來看，對角線的形成是以N、M中較小值為原則生成一種方陣的對角線，#當索引index取值為3時則該方陣對角線向右移動3個單位，當索引index取值為-2時則該方針對角線向左移動2個單位arr6=np.eye(3,k=1,dtype=float)print(arr6)arr6=np.eye(3,k=0,dtype=float)print(arr6)arr6=np.eye(3,k=2,dtype=float)print(arr6)#(3)創(chuàng)立新數(shù)組（1或2維）最慣用的函數(shù)是zeros和ones,它們按照指定的維度創(chuàng)立數(shù)組，并用0或1填充arr7=np.ones((2,3),dtype=float)print