numpy总结

介绍

numpy是一个功能强大的python库。机器学习中，需要对矩阵进行各种数值计算，numpy对其提供非常好的库，用于简单和快速计算。

常用函数库

0. 数组属性

   ndarray.ndim：秩，即轴的数量或维度的数量
   ndarray.shape：数组的维度，对于矩阵，n 行 m 列
   ndarray.size ：数组元素的总个数，相当于 .shape 中 n*m 的值
   ndarray.dtype：ndarray 对象的元素类型

1. numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

   功能：创建一个 ndarray（numpy数组）
   object：数组或嵌套的数列
   dtype：数组元素的数据类型，可选
   ndmin：指定生成数组的最小维度

2. numpy.zeros(shape, dtype = float, order = 'C')

   功能：创建制定大小以0填充的numpy数组

3. axis=0，表示沿着第 0 轴进行操作，即对每一列进行操作；axis=1，表示沿着第1轴进行操作，即对每一行进行操作。

4. numpy.arange(start, stop, step, dtype)

   功能：根据 start 与 stop 指定的范围以及 step 设定的步长，生成一个 ndarray。
   左闭右开（遵循python特性）

5. numpy运算函数

   numpy.sqrt/num/mean/power等等。

6. numpy.mat(data, dtype=None)

   功能：将data转换为矩阵。numpy矩阵和numpy数组仅在一维是不一样，高维基本一样。一维矩阵[[1,2]]其shape为[1,2]，对应一维数组为[1,2]其shape为[2]，即一维

7. np.random

   功能：随机数
   np.random.rand(x, y) 返回0~1随机值，数组大小为xy
   np.random.uniform(x, y) 返回区间[x, y) 随机值，注意与上一个区别！
   np.random.randn(x, y) 返回xy大小数组，每个随机数遵循标准正态分布
   np.random.randint(low, high, size) 返回[low, high)区间随机整数

8. np.tile

   功能：将数组按指定维度方向复制
   np.tile(data, 2) 将数组data沿一维复制为原来的2倍
   np.tile(data, (2,1)) 将数组data沿一维复制为原来的1倍，沿2维复制为原来的2倍

9. np.argsort

   功能：将数组按指定维度方向排序，返回的是数组值从小到大的索引值
   numpy.argsort(a, axis=-1, kind='quicksort', order=None)

10. np,isnan(data)

    判断data中是否含有nan
    np.isnan(data).sum() 找出nan的个数
    np.where(np.isnan(data)) 定位nan位置

11. np.argwhere(a>5)
    定位符合条件的元素位置

array与matrix区别

1. matrix必须输二维的，而array可以是任意维度；所以matrix是array的一个小分支

2. matrix的优势：两个matrix相乘可直接用*符号，及代表矩阵相乘，无需array中的dot()

numpy中特殊查询

print((a==b).all())   #判断两个array是否完全相同

print(np.argwhere(a!=b))   #找出a、b两个array不相同的元素位置

print(np.nonzero(a))   #找出a数组中非零元素索引

np.any(a == 0)  #找出数组a中是否含有0

np.all(a == 0) #找出数组a是否为0矩阵