Python中Numpy庫使用總結
- Numpy庫的使用
Numpy庫和Pandas庫均是python機器學習中不可缺少的一個包,其重要性我就不詳細說明,直接上幹活
Numpy庫的使用
Numpy庫的安裝
- windown中提前安裝好python,並且配置本地環境,具體方法參照百度
- 檢查是否安裝好pip(pip是python下一個好基友)
- window下命令行直接 pip install numpy 就okay
矩陣的基本屬性
在本文中,直接套用線性代數的中矩陣代替原文中Numpy array
python下使用Numpy,首先需要引入numpy庫
import numpy as np # 以下效果相同 import numpy
python下Numpy元素的類型
import numpy as np # arange函數是生成0-14的排列 test_numpy = np.arange(15).reshape(3, 5) print(type(test_numpy)) # 輸出的結果爲 <type 'numpy.ndarray'>
ndarray.ndim 函數,求解矩陣的維數
import numpy as np test_numpy = np.arange(15).reshape(3, 5) test_ndim = test_numpy.ndim print(test_ndim) # 輸出的結果爲 2
ndarray.shape 函數,求解矩陣的規模,通常情況用元組表示每一維的大小,比如一個3*2的矩陣求解結果爲(3,2)
import numpy as np test_numpy = np.arange(15).reshapes(3, 5) print(type(test_numpy.shape)) # 輸出結果爲 <type 'tuple'> print(test_numpy.shape) # 輸出結果爲 (3, 5) Tip:有些版本會輸出(3L, 5L)
ndarray.size 函數,返回矩陣元素的個數,等於ndarray.shape元素之積
import numpy as np test_numpy = np.arange(15).reshapes(3, 5) print(test_numpy.size) # 輸出結果爲 15
ndarray.dtype 函數,返回矩陣中元素的類型,類型可以是自己創建的類型或者是標準的python類型,在Numpy中也有自己的類型,有numpy.int32, numpy.int16, numpy.float64等等類型
import numpy as np test_numpy = np.arange(15).reshapes(3, 5) print(test_numpy.dtype) # 輸出結果爲 dtype('int32') print(test_numpy.dtype.name) # 輸出結果爲 int32
ndarray.itemsize函數,返回矩陣中每個元素所佔的字節數,如同C語言中的sizeof(int)所佔4個字節,ndarray.dtype表示當前元素的類型爲int32,因此佔32/8=4個字節
import numpy as np
test_numpy = np.arange(15).reshapes(3, 5)
print(test_numpy.itemsize)
# 輸出結果爲 4
- ndarray.data 返回矩陣在內存中的具體信息
import numpy as np
test_numpy = np.arange(15).reshapes(3, 5)
print(test_numpy)
# 輸出結果 <read-write buffer for 0x0000000006778F30, size 60, offset 0 at 0x00000000061ADC38> 表明在內存中的具體情況
矩陣的創建
- 利用np.array()創建一個矩陣,注意array()裏面是一個python列表或者元組
import numpy as np
test_numpy = np.array([1, 2, 3, 4])
# 此種方法是錯誤的 np.array(1, 2, 3, 4)
test_numpy_two = np.array([(1, 2, 3), (4, 5, 6)])
- 利用np.array()創建指定複雜聯繫元素
import numpy as np
test_numpy = np.array([1, 2], [3, 4], dtype=complex)
# test_numpy爲 array([[1.+0.j, 2.+0.j], [3.+0.j, 4.+0.j]])
- 利用np.zeros()創建矩陣,利用np.zeros時一般矩陣的大小已知,但是內容未知,我們將其所有元素初始化爲0
import numpy as np
test_numpy_1 = np.zeros((3, 4))
# 注意此處傳入的參數是(3, 4),而非3,4
test_numpy_2 = np.zeros((3, 4), dtype=np.int32)
- 利用np.ones()創建矩陣,使用np.ones條件和np.zeros一樣,不過將其所有元素初始化爲1
import numpy as np
test_numpy_1 = np.zeros((3, 4))
test_numpy_2 = np.zeros((3, 4), dtype=np.int32)
- 利用np.arange()創建矩陣,np.arange()功能和python中的range()函數一樣,生成一個序列。
import numpy as np
test_numpy = np.arange(0, 15, 1)
- 利用np.linspace()創建矩陣,np.linspace()的作用和np.arange()類似,但是略有不同,np.arange(begin, end, step)中指定起始區間,和步長,np.linspace(begin, end, num)中指定起始起始區間和需要取的數字。具體細節可以在編程中體會
import numpy as np
test_numpy = np.linspace(0, 15, 16)
- 其他函數同樣可以創建矩陣,這裏不一一介紹,如zeros_like, ones_like, empty, empty_like, numpy.random.rand, numpy.random.randn, fromfunction, fromfile
矩陣的打印
- 矩陣的打印,直接使用python中print()函數即可
import numpy as np
numpy_test = np.arange(15)
print(numpy_test)
矩陣的基本運算
矩陣的基本運算和線性代數裏面矩陣的運算一致,不明白的建議翻閱《線性代數》一書
- 矩陣的加法、減法和數乘
import numpy as np
test_numpy_a = np.array([5, 4, 3, 2])
test_numpy_b = np.array([4, 3, 2, 1])
# 矩陣的加法
test_numpy_c = test_numpy_a + test_numpy_b
# 此時test_numpy_c爲 array([9, 7, 5, 3])
# 矩陣的減法
test_numpy_d = test_numpy_a - test_numpy_b
# 此時test_numpy_d爲 array([1, 1, 1, 1])
#矩陣的數乘
test_numpy_e = test_numpy_a * 2
# 此時的test_numpy_c爲 array([10, 8, 6, 4])