机器学习 —— python库 —— 使用array创建

python库

Pip

安装python包的推荐工具

Numpy

为python提供快速的多维数组处理能力

Scipy

在Numpy基础上添加了众多科学计算工具包

Matplotlib

python丰富的绘图库

数据生成示例

import numpy as np

a=np.arange(0,60,10).reshape((-1,1))+np.arange(6)
print(a)

[[ 0  1  2  3  4  5]
 [10 11 12 13 14 15]
 [20 21 22 23 24 25]
 [30 31 32 33 34 35]
 [40 41 42 43 44 45]
 [50 51 52 53 54 55]]

代码解释

arange(0,60,10)

arange给定一个从0开始到60结束以10作为间距的范围

[0,10,20,30,40,50]

reshape((-1,1)

自动匹配行数之后转置为列

[[0,]
[10,]
[20,]
[30,]
[40,]
[50]]

arange(6)

没有给起点值，默认为0

[0,1,2,3,4,5]

相加之后

[[ 0  1  2  3  4  5]
 [10 11 12 13 14 15]
 [20 21 22 23 24 25]
 [30 31 32 33 34 35]
 [40 41 42 43 44 45]
 [50 51 52 53 54 55]]

代码演示

1.使用array创建

通过array函数传递list对象

    L = [1, 2, 3, 4, 5, 6]
    print("L = ", L)
    a = np.array(L)
    print("a = ", a)
    print(type(a))

L是一个列表类型，如果直接打印L的话会显示一个列表，通过np.array函数可以将L列表转换为ndarray形式的行向量。

L =  [1, 2, 3, 4, 5, 6]
a =  [1 2 3 4 5 6]
<class 'numpy.ndarray'>

若传递的是多层嵌套的list，将创建多维数组

    b = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
    print(b)

如果将多个列表传入np.array函数，将被转换为二维的矩阵。

[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]

数组大小可以通过其shape属性获得

    print (a.shape)
    print (b.shape)

shape可以返回一个矩阵的大小。

(6,)
(3, 4)

也可以强制修改shape

    b.shape = 4, 3
    print(b)

通过直接对shape赋值可以修改矩阵的大小。

[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]

注：从(3,4)改为(4,3)并不是对数组进行转置，而只是改变每个轴的大小，数组元素在内存中的位置并没有改变。

    b.shape = 2, -1
    print (b)
    print (b.shape)

当某个轴为-1时，将根据数组元素的个数自动计算此轴的长度。

[[ 1  2  3  4  5  6]
 [ 7  8  9 10 11 12]]
(2, 6)

reshape方法

    c = b.reshape((4, -1))
    print ("b = \n", b)
    print ('c = \n', c)

reshape可以创建改变了尺寸的新数组，原数组的shape保持不变。

b = 
 [[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]
c = 
 [[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]

    b[0][1] = 20
    print ("b = \n", b)
    print ("c = \n", c)

数组b和c共享内存，修改任意一个将影响另外一个。

b = 
 [[ 1 20  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]
c = 
 [[ 1 20  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]

数组的元素类型可以通过dtype属性获得

    print (a.dtype)
    print (b.dtype)

int32
int32

可以通过dtype参数在创建时指定元素类型

    d = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]], dtype=np.float)
    f = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]], dtype=np.complex)
    print (d)
    print (f)

分别设置为浮点型和复数型。

[[ 1.  2.  3.  4.]
 [ 5.  6.  7.  8.]
 [ 9. 10. 11. 12.]]
[[ 1.+0.j  2.+0.j  3.+0.j  4.+0.j]
 [ 5.+0.j  6.+0.j  7.+0.j  8.+0.j]
 [ 9.+0.j 10.+0.j 11.+0.j 12.+0.j]]

如果更改元素类型，可以使用astype安全的转换

    f = d.astype(np.int)
    print (f)

[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]]

但不要强制仅修改元素类型

    d.dtype = np.int
    print (d)

将会以int来解释单精度float类型。

[[         0 1072693248          0 1073741824          0 1074266112           0 1074790400]
 [         0 1075052544          0 1075314688          0 1075576832           0 1075838976]
 [         0 1075970048          0 1076101120          0 1076232192           0 1076363264]]