Python 数据科学和科学计算领域的基石Numpy

Python科学计算库Numpy

本文从实战角度从几下几个方面对于Numpy进行全面演示，人工智能关键在神经网络，而神经网络又都是矩阵运算，矩阵运算的基础就是Numpy.全面掌握好Numpy就为人工智能开发打下深厚基础。
1 Numpy概述
2 array结构
3 数值计算
4 排序
5 数组形状
6 数组生成
7 运算
8 随机模块
9 读写
10 练习题

确保第一个事，咱们要用的库已经安装好了

import numpy as np

array = [1,2,3,4,5]
array + 1

---------------------------------------------------------------------------

TypeError                                 Traceback (most recent call last)

Cell In[2], line 2
      1 array = [1,2,3,4,5]
----> 2 array + 1


TypeError: can only concatenate list (not "int") to list

要想给一个list加1，不能直接这么操作。但是我们把它转成一个numpy最底层的ndarray结构，就可以对list做数学运算了

array = np.array([1,2,3,4,5])
print (type(array))

<class 'numpy.ndarray'>

array2 = array + 1
array2

array([2, 3, 4, 5, 6])

array2 +array

array([ 3,  5,  7,  9, 11])

array2 * array

array([ 2,  6, 12, 20, 30])

array[0]

np.int64(1)

array[3]

np.int64(4)

array

array([1, 2, 3, 4, 5])

array.shape

(5,)

只有adarray有shape属性，对于普通的list，没有这个shape

list1 = [1,2,3,4,5]
list1.shape

---------------------------------------------------------------------------

AttributeError                            Traceback (most recent call last)

Cell In[13], line 2
      1 list1 = [1,2,3,4,5]
----> 2 list1.shape


AttributeError: 'list' object has no attribute 'shape'

np.array([[1,2,3],[4,5,6]])

array([[1, 2, 3],
       [4, 5, 6]])

结构

对于ndarray结构来说，里面所有的元素必须是同一类型的 如果不是的话，会自动的向下进行转换.把一个list转成ndarray

list = [1,2,3,4,5]
ndarray = np.array(list)
ndarray

array([1, 2, 3, 4, 5])

ndarray基本属性操作，dtype看类型，shape形状，ndim维度，fill填充

type(ndarray)

numpy.ndarray

ndarray.dtype

dtype('int64')

ndarray.shape

(5,)

ndarray.ndim

1

ndarray1 = np.array([[1,2,3],[4,5,6]])
ndarray1.ndim

2

ndarray1.shape

(2, 3)

fill可以全部填充

ndarray.fill(0)
ndarray

array([0, 0, 0, 0, 0])

索引与切片:跟Python都是一样的 还是从0开始的

list = [1,2,3,4,5]
array = np.array(list)
array[0]

np.int64(1)

array[1:3]

array([2, 3])

矩阵格式，多维形式

array = np.array([[1,2,3],
                 [4,5,6],
                 [7,8,9]])
array

array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

array.shape

(3, 3)

array.size

9

array.ndim

2

修改里面的值

array[1,1] = 10
array

array([[ 1,  2,  3],
       [ 4, 10,  6],
       [ 7,  8,  9]])

array[1]

array([ 4, 10,  6])

array[:,1]

array([ 2, 10,  8])

array[0,0:2]

array([1, 2])

array2 = array
array2

array([[ 1,  2,  3],
       [ 4, 10,  6],
       [ 7,  8,  9]])

array2[1,1] = 100
array2

array([[  1,   2,   3],
       [  4, 100,   6],
       [  7,   8,   9]])

array

array([[  1,   2,   3],
       [  4, 100,   6],
       [  7,   8,   9]])

可以看到=这种赋值，是一种浅拷贝，就是2个变量指向同一个地址，其中一个变量改了值，另一个也就改了。如何进行深拷贝，可以使用copy

array2 = array.copy()
array2

array([[  1,   2,   3],
       [  4, 100,   6],
       [  7,   8,   9]])

array2[1,1] = 1000
array2

array([[   1,    2,    3],
       [   4, 1000,    6],
       [   7,    8,    9]])

array

array([[  1,   2,   3],
       [  4, 100,   6],
       [  7,   8,   9]])

array = np.arange(0,100,10)

mask = np.array([0,0,0,1,1,1,0,0,1,1],dtype=bool)
mask

array([False, False, False,  True,  True,  True, False, False,  True,
        True])

array[mask]

array([30, 40, 50, 80, 90])

random_array=np.random.rand(10)
random_array

array([0.81861097, 0.09494575, 0.81619337, 0.14018824, 0.11683594,
       0.3898