numpy的基本使用2

官網：http://www.numpy.org

import numpy as np ##數組（矩陣）間操作： x = np.array([1,2,3]) y = np.array([3,2,1]) z = np.array([6,6,6]) #拼接合并： np.concatenate([x,y,z]) array([1, 2, 3, 3, 2, 1, 6, 6, 6]) A = np.array([]) A = np.array([[1,2,3],[3,2,1]]) np.concatenate([A,A]) array([[1, 2, 3],[3, 2, 1],[1, 2, 3],[3, 2, 1]]) #第三個參數為軸向，默認0（x軸行） 1（y軸列） 支持更多維度 np.concatenate([A,A],axis=1) array([[1, 2, 3, 1, 2, 3],[3, 2, 1, 3, 2, 1]]) #注意：z為數組（向量），需轉化為和A相同維度后才能合并 z array([6, 6, 6]) z.reshape(1,-1) array([[6, 6, 6]]) #注意：新版本不能直接這樣子寫：np.concatenate(A,z.reshape(1,-1)) np.concatenate((A,z.reshape(1,-1)),axis=0) array([[1, 2, 3],[3, 2, 1],[6, 6, 6]]) #復習：Numpy中原矩陣并不會改變 #其他方法 垂直方向堆疊： np.vstack([A,z]) array([[1, 2, 3],[3, 2, 1],[6, 6, 6]])#構建2乘2矩陣 水平方向堆疊： B = np.full(shape=(2,2),fill_value=1) B array([[1, 1],[1, 1]]) np.hstack([A,B]) array([[1, 2, 3, 1, 1],[3, 2, 1, 1, 1]]) #分割： x = np.arange(10) x array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) #分割點：3和8，將數組x分割為3段： x1,x2,x3 = np.split(x,[3,8]) x1 array([0, 1, 2]) x2 array([3, 4, 5, 6, 7]) x3 array([8, 9]) #注意：分隔兩段也需要傳入數組： x1,x2 = np.split(x,[5]) x1 array([0, 1, 2, 3, 4]) x2 array([5, 6, 7, 8, 9])#創建一個4乘4的矩陣： A = np.arange(16).reshape((4,4)) A array([[ 0, 1, 2, 3],[ 4, 5, 6, 7],[ 8, 9, 10, 11],[12, 13, 14, 15]]) #默認水平（行）拆分 A1,A2 = np.split(A,[2]) A1 array([[0, 1, 2, 3],[4, 5, 6, 7]]) A2 array([[ 8, 9, 10, 11],[12, 13, 14, 15]]) #指定垂直（列）方向分割，axis=1 默認0 A1,A2 = np.split(A,[2],axis=1) A1 array([[ 0, 1],[ 4, 5],[ 8, 9],[12, 13]]) A2 array([[ 2, 3],[ 6, 7],[10, 11],[14, 15]]) #其他方法： A1,A2 = np.vsplit(A,[2]) A1 array([[0, 1, 2, 3],[4, 5, 6, 7]]) A1,A2 = np.hsplit(A,[2]) A1 array([[ 0, 1],[ 4, 5],[ 8, 9],[12, 13]]) #前面提到數據集矩陣一般最后一列為標記，前面為特征： data = np.arange(16).reshape((4,4)) data array([[ 0, 1, 2, 3],[ 4, 5, 6, 7],[ 8, 9, 10, 11],[12, 13, 14, 15]]) #從倒數第一列進行分割： X,y=np.hsplit(data,[-1]) X array([[ 0, 1, 2],[ 4, 5, 6],[ 8, 9, 10],[12, 13, 14]]) y array([[ 3],[ 7],[11],[15]]) #轉為向量： y[:,0] array([ 3, 7, 11, 15]) #數組（矩陣）運算 #原list中操作： L = [i for i in range(10)] L [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] #Python中乘法為2個L拼接： L * 2 [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9]#矩陣乘法（每個元素乘以2） #法一： M = [] for e in L: ... M.append(e*2); ... M [0, 2, 4, 6, 8, 10, 12, 14, 16, 18] #法二（更加高效）： M = [2 * e for e in L] M [0, 2, 4, 6, 8, 10, 12, 14, 16, 18]#Numpy中：直接相乘即可（效率更高）： L = np.arange(10) L array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) M = L * 2 M array([ 0, 2, 4, 6, 8, 10, 12, 14, 16, 18]) #注：Numpy中直接視為向量或矩陣進行運算，且算法進行優化，與Python中的list運算完全不在統一級別 #Universal Functions： X = np.arange(16).reshape((4,4)) X array([[ 0, 1, 2, 3],[ 4, 5, 6, 7],[ 8, 9, 10, 11],[12, 13, 14, 15]]) X+1 array([[ 1, 2, 3, 4],[ 5, 6, 7, 8],[ 9, 10, 11, 12],[13, 14, 15, 16]]) X array([[ 0, 1, 2, 3],[ 4, 5, 6, 7],[ 8, 9, 10, 11],[12, 13, 14, 15]]) #除 浮點/ X/2 array([[0. , 0.5, 1. , 1.5],[2. , 2.5, 3. , 3.5],[4. , 4.5, 5. , 5.5],[6. , 6.5, 7. , 7.5]]) #整除 // X//2 array([[0, 0, 1, 1],[2, 2, 3, 3],[4, 4, 5, 5],[6, 6, 7, 7]], dtype=int32) #n次方 **n X ** 2 array([[ 0, 1, 4, 9],[ 16, 25, 36, 49],[ 64, 81, 100, 121],[144, 169, 196, 225]], dtype=int32) #其他函數方法 abs sin cos ... np.sin(X) array([[ 0. , 0.84147098, 0.90929743, 0.14112001],[-0.7568025 , -0.95892427, -0.2794155 , 0.6569866 ],[ 0.98935825, 0.41211849, -0.54402111, -0.99999021],[-0.53657292, 0.42016704, 0.99060736, 0.65028784]]) #e的x次方 np.exp(X) array([[1.00000000e+00, 2.71828183e+00, 7.38905610e+00, 2.00855369e+01],[5.45981500e+01, 1.48413159e+02, 4.03428793e+02, 1.09663316e+03],[2.98095799e+03, 8.10308393e+03, 2.20264658e+04, 5.98741417e+04],[1.62754791e+05, 4.42413392e+05, 1.20260428e+06, 3.26901737e+06]]) #power(n,x)x的n次方，等同于**n np.power(3,X) array([[ 1, 3, 9, 27],[ 81, 243, 729, 2187],[ 6561, 19683, 59049, 177147],[ 531441, 1594323, 4782969, 14348907]], dtype=int32)X = np.arange(1,17) X array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16]) np.log10(X) array([0. , 0.30103 , 0.47712125, 0.60205999, 0.69897 ,0.77815125, 0.84509804, 0.90308999, 0.95424251, 1. ,1.04139269, 1.07918125, 1.11394335, 1.14612804, 1.17609126,1.20411998]) #矩陣間運算： import numpy as np A = np.arange(4).reshape(2,2) A array([[0, 1],[2, 3]]) B = np.full((2,2),6) B array([[6, 6],[6, 6]]) A + B array([[6, 7],[8, 9]]) #注意：Numpy中乘法也是對應元素相乘 A * B array([[ 0, 6],[12, 18]]) #標準矩陣乘法（線性代數知識） A.dot(B) array([[ 6, 6],[30, 30]]) #轉置 A.T array([[0, 2],[1, 3]])#向量與矩陣的運算 v = np.array([1,2]) v array([1, 2]) A array([[0, 1],[2, 3]]) v + A array([[1, 3],[3, 5]]) A.shape[0] 2 A.shape (2, 2) #堆疊相加 #np.tile(v,(水平方向堆疊次數，垂直方向堆疊次數)) np.tile(v,(2,1)) array([[1, 2],[1, 2]]) np.tile(v,(2,1)) + A array([[1, 3],[3, 5]]) v * A array([[0, 2],[2, 6]]) #標準矩陣間乘法 v.dot(A) array([4, 7]) #注意：numpy會自動判斷 將[1,2]轉化為列向量 A.dot(v) array([2, 8])#矩陣的逆 A array([[0, 1],[2, 3]]) #linalg：linear algebra線性代數縮寫inv：逆inverse縮寫 invA = np.linalg.inv(A) invA array([[-1.5, 0.5],[ 1. , 0. ]]) #線性代數基礎：A*A-1=E（單位矩陣）A為n*n的方陣 A.dot(invA) array([[1., 0.],[0., 1.]]) #X不為方陣的情況下 numpy可以求偽逆陣 X = np.arange(16).reshape((2,8)) X array([[ 0, 1, 2, 3, 4, 5, 6, 7],[ 8, 9, 10, 11, 12, 13, 14, 15]])

跟著大佬梳理的流程走下來的，在這里注明一下出處：

https://github.com/Exrick/Machine-Learning
注：大佬的更直觀詳細

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的numpy的基本使用2的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。