学机器学习做点小笔记，都是Python的NumPy库的基本小操作，图书馆借的书看到的，怕自己还了书后忘了，就记下来。

一般习惯导入numpy时使用 import numpy as np ，不要直接import，会有命名空间冲突。比如numpy的array和python自带的array。

numpy下有两个可以做矩阵的东西，一个叫matrix，一个叫array。matrix指定是二维矩阵，array任意维度，所以matrix是array的分支，但是这个matrix和matlab的矩阵很像，操作也很像：

>>> import numpy as np >>> a=np.mat('4 3; 2 1') # 使用字符串来初始化 >>> b=np.mat('1 2; 3 4') >>> a matrix([[4, 3], [2, 1]]) >>> b matrix([[1, 2], [3, 4]]) >>> a+b # 对应位置相加 matrix([[5, 5], [5, 5]]) >>> a*b # 矩阵乘法，与matlab相同 matrix([[13, 20], [ 5, 8]]) >>> np.multiply(a,b) # 对应位置乘法，相当于matlab的点乘 “.*” matrix([[4, 6], [6, 4]])

而重点讲讲np.array。

np.array操作

首先是初始化与属性查看

>>> import numpy as np >>> np.arange(10) # 从零生成到10-1的一维矩阵 array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) >>> a=np.array([0,1,2,3,4,5]) # 因为支持多维，所以用数组来初始化 >>> a array([0, 1, 2, 3, 4, 5]) >>> a.ndim # 查看维度 1 >>> a.shape # 查看矩阵形状尺寸 (6,) >>> a.dtype # 查看类型 dtype('int32')

reshape改变矩阵形状，可以改变维度，但是reshape后的数据还是共享原来那一份数据

>>> b=a.reshape(3,2) >>> b array([[0, 1], [2, 3], [4, 5]]) >>> b.ndim 2 >>> b.shape (3, 2) >>> b[1][0]=77 >>> b array([[ 0, 1], [77, 3], [ 4, 5]]) >>> a array([ 0, 1, 77, 3, 4, 5]) # 可见b和a其实用的同一个数据

因而要产生的新矩阵不再关联，要使用copy()：

>>> c=a.reshape(3,2).copy() >>> c array([[ 0, 1], [77, 3], [ 4, 5]]) >>> c[0][0]=233 >>> a array([ 0, 1, 77, 3, 4, 5]) >>> c array([[233, 1], [ 77, 3], [ 4, 5]])

array的运算：

>>> d=np.array([1,2,3,4,5]) # 一维矩阵运算 >>> d.T # 转置矩阵 array([1, 2, 3, 4, 5]) >>> d*2 # 每个数据乘以2 array([ 2, 4, 6, 8, 10]) >>> d**2 # 每个数据二次方 array([ 1, 4, 9, 16, 25]) >>> d*d # 按位置乘，与“d**2”等效，和mat正好相反 array([ 1, 4, 9, 16, 25]) >>> d.dot(d) # 矩阵乘法，和mat相反 55 >>> x=np.array([[1,2],[3,4],[5,6]]) # 二维矩阵运算 >>> y=np.array([[6,5,4],[3,2,1]]) >>> x array([[1, 2], [3, 4], [5, 6]]) >>> y array([[6, 5, 4], [3, 2, 1]]) >>> x.dot(y) # 二维矩阵矩阵乘法 array([[12, 9, 6], [30, 23, 16], [48, 37, 26]]) >>> x= x.reshape(2,3) >>> x array([[1, 2, 3], [4, 5, 6]]) >>> x*y # 按位置乘，要求两个矩阵shape相同 array([[ 6, 10, 12], [12, 10, 6]]) >>> x.T # 二维矩阵的转置矩阵 array([[1, 4], [2, 5], [3, 6]]) >>> x.mean() # 求平均值 3.5

关于下标的运算：（这些挺有意思的）

>>> a=np.array([5,4,3,233,9]) >>> a[np.array([2,4,3])] # 列出对应下标的数值 array([ 3, 9, 233]) >>> a>4 array([ True, False, False, True, True], dtype=bool) >>> a[a>4] array([ 5, 233, 9]) >>> a[a>8]=8 >>> a array([5, 4, 3, 8, 8]) >>> a.clip(4,5) # 限定所有数据范围 array([5, 4, 4, 5, 5])

还有一个关于nan的

>>> a=np.array([1,2,0,3,4]) >>> a array([1, 2, 0, 3, 4]) >>> b=np.array([1,2,np.NAN,3,4]) >>> b array([ 1., 2., nan, 3., 4.]) # 和a不同，虽然只改了一个nan，b每个数据后面有个“.”，说明变成float型了，说明nan其实是个float >>> np.isnan(b) array([False, False, True, False, False], dtype=bool) >>> b[~np.isnan(b)] array([ 1., 2., 3., 4.])

与系统自带array的差异

array的乘法

>>> [1,2,3,4,5]*2 [1, 2, 3, 4, 5, 1, 2, 3, 4, 5] >>> [1,2,3,4,5]**2 (报错)

运行时间

对array和np.array进行按元素平方并求和的运算，运算3000次统计时间。

>>> timeit.timeit('sum(x*x for x in range(1000))',number=3000) 0.31559807779291305 >>> timeit.timeit('sum(na*na)', setup='import numpy as np; na=np.arange(1000)',number=3000) 0.37785958035067324 >>> timeit.timeit('na.dot(na)', setup='import numpy as np; na=np.arange(1000)',number=3000) 0.0069067372806728144

惊奇的发现系统级的array求和比np.array还快，说明np.array单个数据的访问还是比array较慢。但是用了矩阵乘法后，虽然效果一样，但这个速度就飞起来了。

转载于:https://www.cnblogs.com/xienaoban/p/6798065.html