• Numpy复习


    1.Jupyter notebook中的魔法命令

    %run 在Jupyter中加载.py文件

    先搞清楚Jupyter中文件的默认路径,修改完后再运行

    import os
    print(os.path.abspath('.'))
    F:python_DemoCodeJuypterNotebook
    %run ../fushi/P2018_1.py

    导入模块(二选一即可)

    import mymodule.FirstML
    mymodule.FirstML.predit(1)
    from mymodule import FirstML
    FirstML.predit(1)

    %timeit测试代码性能(会多次执行,%%time可以测试区域代码)

    %timeit L=[i**2 for i in range(1000000)]
    1 loop, best of 3: 459 ms per loop
    %%timeit
    L=[]
    for i in range(1000):
        L.append(i**2)
    1000 loops, best of 3: 477 µs per loop

    Tip:因为%timeit会执行多次,如果后面紧跟的语句每次执行的效率差别较大的话,取平均值的意义不大。

    %time执行一次计时

    %time L=[i**2 for i in range(1000)]
    Wall time: 486 µs
    

    其他魔法命令:

    %lsmagic显示所有魔法命令

    %run? run魔法命令对应文档

    2.numpy基础

    list的特点:数据类型可以不同,效率较低
    array的特点:数据类型相同
    import array
    arr=array.array('i',[i for i in range(10)])
    arr
    Out[7]:array('i', [0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
    
    arr[5]=100
    arr
    Out[8]:array('i', [0, 1, 2, 3, 4, 100, 6, 7, 8, 9])

    numpy.array的创建

    import numpy as np
    nparr=np.array([i for i in range(10)])
    nparr
    Out[9]:array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
    
    nparr.dtype
    Out[10]:dtype('int32')
    
    nparr[5]=5.0
    nparr
    Out[11]:array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])    #对于整型来说,传给他浮点数会自动截位
    
    nparr2=np.array([1,2,3.0])
    nparr2.dtype
    Out[13]:dtype('float64')
    其他创建numpy.array的方法
    ones,zeros,eye方法默认元素类型都是浮点型,full取决于后面的val类型。
    np.zeros(10)
    Out[14]:array([ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.])
    
    np.zeros((3,5),dtype=int)          #np.zeros(shape=(3,5),dtype=int)
    Out[15]: array([[0, 0, 0, 0, 0], [0, 0, 0, 0, 0], [0, 0, 0, 0, 0]])

    arange方法和python2中的arange方法类似,默认值是0-n-1,但是它支持步长为小数。

    np.arange(10)
    Out[16]:array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
    np.arange(0,20,2)
    Out[17]:array([ 0,  2,  4,  6,  8, 10, 12, 14, 16, 18])
    
    np.arange(0,
    1,0.2) Out[18]:array([ 0. , 0.2, 0.4, 0.6, 0.8])

    np.linspace(0,20,10)    #0到20之间等间距地分成10份,包含0和20两个点

    np.linspace(0,20,10)
    Out[20]:
    array([  0.        ,   2.22222222,   4.44444444,   6.66666667,
             8.88888889,  11.11111111,  13.33333333,  15.55555556,
            17.77777778,  20.        ])

    numpy.random

    random()         [0,1)之间的随机浮点数

    np.random.seed(666)
    np.random.randint(0,10,10) #创建10个[0,10)之间的整数(注意前闭后开) Out[21]:array([3, 6, 8, 6, 2, 7, 9, 2, 3, 9])
    np.random.randint(4,8,size=(3,5))
    Out[22]:
    array([[4, 5, 5, 5, 4],
    [4, 7, 4, 6, 4],
    [7, 6, 5, 7, 4]])
    np.random.random(10)      #10是指size
    Out[23]:
    array([ 0.50242227, 0.17298419, 0.26348954, 0.600199 , 0.6691488 ,
          0.39283773, 0.37043944, 0.30396405, 0.99071216, 0.65455463])

    默认符合均值为0,方差为1的随机浮点数

    np.random.normal(10,100,size=(3,5))
    Out[26]:
    array([[ -24.5258828 ,  -23.72306007,    6.88579462,  -23.29286657,   -33.32319528],
           [ -39.33190778,    2.43981867,  -30.17166951,    6.22937488,   3.79212453],
           [  22.72826743, -156.27817465,    8.43966765,  -46.36703314,   33.91110828]])

    查看相关文档:

    np.random.normal?可以调出normal相关文档(会开一个新页面)。

    np.random?调出random模块相关文档(会开一个新页面)。

      help(np.random.normal)

    numpy.array的基本操作

    numpy.array的数据访问

    1.索引访问

    2.切片访问

    X=np.arange(15).reshape(3,5)
    X
    Out[27]:
    array([[ 0,  1,  2,  3,  4],
           [ 5,  6,  7,  8,  9],
           [10, 11, 12, 13, 14]])
    
    X[2,2]
    Out[28]:12
    
    X[:2,:3]
    Out[29]:
    array([[0, 1, 2],
              [5, 6, 7]])
    
    X[:,:3]                            #选取某个维度用单个:
    Out[30]:
    array([[ 0,  1,  2],
           [ 5,  6,  7],
           [10, 11, 12]])

    subX=X[:2,:3]

    subX获得的是对原X的引用,对subX的操作会作用到原X中,同步变化(浅拷贝)

    subX2=X[:2,:3].copy()

    subX获得的是对原X的副本,对subX的操作不会作用到原X中(深拷贝)

    numpy.array的数组变换

    x=np.arange(10)
    x
    Out[31]:array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
    
    x.reshape(2,5)
    Out[32]:
    array([[0, 1, 2, 3, 4],
           [5, 6, 7, 8, 9]])
    
    x.reshape(5,-1)           #只关心第一维度5行,第二维度自动计算(能自动整除,否则报错),可赋值为-1
    Out[33]:
    array([[0, 1],
           [2, 3],
           [4, 5],
           [6, 7],
           [8, 9]])

    矩阵的合并与分割

    x=np.array([1,2,3])
    y=np.array([3,2,1])
    z=np.array([6,6])
    np.concatenate([x,y,z])
    Out[34]:
    array([1, 2, 3, 3, 2, 1, 6, 6])
    
    A=np.array([[1,2,3],
                [3,4,5]])
    np.concatenate([A,A])
    Out[35]:
    array([[1, 2, 3],
           [3, 4, 5],
           [1, 2, 3],
           [3, 4, 5]])
    
    np.concatenate([A,A],axis=1)          #axis表示维度,默认为0
    Out[36]:
    array([[1, 2, 3, 1, 2, 3],
           [3, 4, 5, 3, 4, 5]])
    
    np.concatenate([A,x.reshape(1,-1)])  #concatenate只能处理维数一致的情况,不一致的话要转换
    Out[37]:
    array([[1, 2, 3],
           [3, 4, 5],
           [1, 2, 3]])
    
    或者采用vstack(竖直方向堆叠)
    np.vstack([A,x])
    Out[38]:
    array([[1, 2, 3],
           [3, 4, 5],
           [1, 2, 3]])
    
    hstack(水平方向堆叠) B
    =np.array([[1,1], [1,1]]) np.hstack([A,B]) Out[40]: array([[1, 2, 3, 1, 1], [3, 4, 5, 1, 1]])

    np.split()

    x=np.arange(10)
    np.split(x,[3,7])         #以3或7为间隔分割
    Out[41]:[array([0, 1, 2]), array([3, 4, 5, 6]), array([7, 8, 9])]
    
    np.split(x,5)              #第二个参数为整数表示用该数平均切分,不能整除会报错
    Out[42]:[array([0, 1]), array([2, 3]), array([4, 5]), array([6, 7]), array([8, 9])]
    
    A=np.arange(16).reshape([4,4])
    np.split(A,[2])             #默认是按行的维度
    Out[45]:
    [array([[0, 1, 2, 3],
            [4, 5, 6, 7]]), 
     array([[ 8,  9, 10, 11],
            [12, 13, 14, 15]])]
    
    np.split(A,[2],axis=1)
    Out[46]:
    [array([[ 0,  1],
            [ 4,  5],
            [ 8,  9],
            [12, 13]]), 
     array([[ 2,  3],
            [ 6,  7],
            [10, 11],
            [14, 15]])]
    
    np.vsplit(A,[2])        #上下分割
    Out[47]:
    [array([[0, 1, 2, 3],
            [4, 5, 6, 7]]), 
     array([[ 8,  9, 10, 11],
            [12, 13, 14, 15]])]
    
    np.hsplit(A,[2])
    Out[48]:                 #左右分割
    [array([[ 0,  1],
            [ 4,  5],
            [ 8,  9],
            [12, 13]]), 
     array([[ 2,  3],
            [ 6,  7],
            [10, 11],
            [14, 15]])]

    分割可以应用于分离数据的特征和标签

    x,y=np.hsplit(A,[-1])
    y[:,0]
    Out[50]:array([ 3,  7, 11, 15])

    numpy.array中的运算

    一元函数:

    +,-,*,/,//,**,%作用于数组的每一个元素

     

     np.power(3,x)==3**x      计算数组各元素的3的指数次方         

    二元函数(矩阵之间的运算要保证是可以运算的)

     A*B是指对应元素相乘

    A.dot(B)是数学意义上的矩阵乘法运算

     A.T是矩阵A的转置

    向量和矩阵的运算

    一个向量和一个矩阵做加法,这个向量和这个矩阵中的每一行做加法

    A=np.arange(1,5).reshape([2,2])
    v=np.array([1,2])
    v+A
    Out[54]:
    array([[2, 4],
           [4, 6]])
    
    np.vstack([v]*A.shape[0])  #水平方向堆叠
    Out[56]:
    array([[1, 2],
           [1, 2]])
    
    np.tile(v,(2,1))           #元组(2,1)表示行向量堆叠2次,列向量堆叠1次
    Out[57]:
    array([[1, 2],
           [1, 2]])
    
    v.dot(A)
    Out[59]:array([ 7, 10])
    
    A.dot(v)                     #v被看成2*1的矩阵
    Out[60]:array([ 5, 11])

    矩阵的逆

    A 为方阵时:

    A的逆=np.linalg.inv(A)

    A*A的逆=单位矩阵

    A=np.arange(4).reshape(2,2)
    np.linalg.inv(A)
    Out[61]:
    array([[-1.5,  0.5],
           [ 1. ,  0. ]])
    
    A.dot(np.linalg.inv(A))
    Out[67]:
    array([[ 1.,  0.],
           [ 0.,  1.]])

    A非方阵时,A的伪逆矩阵=np.linalg.pinv(A)

    聚合运算

     

     prod(a)                                              计算数组a中的元素之积

    percentile(a,q)                                    数组中q%个元素小于等于的值(q=50时,该值等于中位数)

    A=np.arange(16).reshape(4,-1)
    A
    Out[69]:
    array([[ 0,  1,  2,  3],
           [ 4,  5,  6,  7],
           [ 8,  9, 10, 11],
           [12, 13, 14, 15]])
    
    np.sum(A,axis=0)                 #把行压缩掉,就是对每列相加
    Out[70]:array([24, 28, 32, 36])
    
    np.sum(A,axis=1)                 #对每行相加
    Out[71]:array([ 6, 22, 38, 54])

    排序

    sort()

    A=np.random.randint(10,size=(4,4))
    A
    Out[73]:
    array([[7, 7, 7, 0],
           [6, 2, 9, 2],
           [7, 5, 5, 0],
           [0, 5, 1, 6]])
    
    np.sort(A,axis=1)              #默认axis=1,按行排序
    Out[74]:
    array([[0, 7, 7, 7],
           [2, 2, 6, 9],
           [0, 5, 5, 7],
           [0, 1, 5, 6]])
    
    np.sort(A,axis=0)              #按列排序
    Out[75]:
    array([[0, 2, 1, 0],
           [6, 5, 5, 0],
           [7, 5, 7, 2],
           [7, 7, 9, 6]])
    x=np.arange(16)
    np.random.shuffle(x)
    x
    Out[77]:array([10,  9, 13, 15,  4, 11, 14,  5,  0,  3,  2,  7,  6,  8, 12,  1])
    
    np.argsort(x)             #根据索引项排序后即为正序
    Out[78]:array([ 8, 15, 10,  9,  4,  7, 12, 11, 13,  1,  0,  5, 14,  2,  6,  3], dtype=int64)
    
    np.partition(x,4)        #一次快排的结果,4前面的元素比4小,后面的元素比4大
    Out[79]:array([ 1,  0,  2,  3,  4,  5, 14,  9, 11, 15, 13,  7,  6,  8, 12, 10])

     numpy中的比较和FancyIndexing

     numpy提供对索引数组的访问

    x=np.arange(16)
    ind=[3,5,8]
    x[ind]
    Out[80]:array([3, 5, 8])
    
    ind=np.array([[0,2],
                 [1,3]])
    x[ind]
    Out[81]:
    array([[0, 2],
           [1, 3]])
    
    A=x.reshape(4,-1)
    row=np.array([0,1,2])
    col=np.array([1,2,3])       #三个点坐标分别为(0,1)(1,2)(2,3)
    A[row,col]
    Out[83]:array([ 1,  6, 11])
    
    A[:2,col]
    Out[84]:
    array([[1, 2, 3],
           [5, 6, 7]])

    对bool值进行FancyIndexing

    比较运算符:<,>,<=,>=,==,!=

    col=[True,False,True,True]
    A[1:3,col]
    Out[84]:
    array([[4, 6, 7],
           [8, 10, 11]])
    
    A<4
    Out[86]:
    array([[ True,  True,  True,  True],
           [False, False, False, False],
           [False, False, False, False],
           [False, False, False, False]], dtype=bool)
    
    2*x==24-4*x
    Out[87]:
    array([False, False, False, False,  True, False, False, False, False,
           False, False, False, False, False, False, False], dtype=bool)
    
    np.sum(x<=3)              #实际应用eg年龄小于4的学生个数,等价于np.count_nonzero(x <= 3)
    Out[89]:4
    
    np.sum(x%2==0)            #偶数个数(通过axis可以指定列数)
    np.sum((x>3) & (x<10))    #注意中间只用位运算符
    np.any(x==0)              #是否存在为0的数字,返回True
    np.all(x>0)               #是否所有的数都大于0,返回False
    
    np.sum(~(x==0))           #等价于np.sum(x!=0)
    x[x<5]                    #小于5岁的学生的具体年龄
    Out[94]:array([0, 1, 2, 3, 4])
    
    A[A[:,3]%3==0,:]          #抽取出满足最后一个数3整除的行
    Out[95]:
    array([[ 0,  1,  2,  3],
           [12, 13, 14, 15]])
  • 相关阅读:
    ndk工具使用之armeabiaddr2line 【转http://www.2cto.com/kf/201207/140136.html】
    amr文件格式分析【转http://blog.csdn.net/dinggo/article/details/1966444】
    使用Windows Azure Mobile Service开发Windows Phone 8 App【转http://www.cnblogs.com/dlbrant/archive/2013/04/02/2996627.html】
    unity3D android游戏屏幕分辨率问题【转http://blog.csdn.net/jeksonal/article/details/8501549】
    android配置jni过程可能会遇到的问题
    Android native code的编译和调试【转http://billhoo.blog.51cto.com/2337751/1125039】
    github上的优秀项目和开发环境配置【转http://www.cnblogs.com/2018/archive/2012/11/09/2763119.html】
    如何使用armlinuxandroideabiaddr2line 【转http://blog.csdn.net/hun_sunny/article/details/8350151】
    While循环 Carol
    循环,逻辑运算,格式化输出 Carol
  • 原文地址:https://www.cnblogs.com/cxq1126/p/12996932.html
Copyright © 2020-2023  润新知