我的python学习笔记全集_我的python学习笔记（3） numpy

为什么用numpy？支持多维数组

自身支持多种矩阵运算

可以和机器学习的各种开源框架的tensor相互转化

numpy的安装？安装完pip，就可以使用pip install numpy

numpy基础使用之前需要先引用包import numpy as np之后就可以使用np.somefunction()来引用其中的函数，数据结构了。

创建方式可以从列表生成，数组生成，插值生成，生成格网，随机初始化，初始化为0或者1

#从列表生成

tmp = np.array([1,2,3])

数组为:

[1 2 3]

#插值生成 linspace logspace

mat = np.linspace(0, 18, 9)

mat: array([ 0. , 2.25, 4.5 , 6.75, 9. , 11.25, 13.5 , 15.75, 18. ])

# 创建格网

g = np.mgrid[1:4, 0:4]

print(g)

[[[1 1 1 1]

[2 2 2 2]

[3 3 3 3]]

[[0 1 2 3]

[0 1 2 3]

[0 1 2 3]]]

# 随机生成

r = np.random.rand(3,3)

print(r)

# 带初值生成，注意括号((col, row, ..), type)

zero = np.zeros((3,3), dtype=np.float64)

print(zero)

one = np.ones((3,3))

print(one)

[[ 0.15798138 0.76426381 0.26221403]

[ 0.98298431 0.94655075 0.00696479]

[ 0.30875877 0.33322367 0.03711038]]

[[ 0. 0. 0.]

[ 0. 0. 0.]

[ 0. 0. 0.]]

[[ 1. 1. 1.]

[ 1. 1. 1.]

[ 1. 1. 1.]]

基本的描述元素tmp = np.array([1,2,3])

print('数组为:')

print(tmp)

print("数据类型为：")

print(type(tmp))

print('数组大小：')

print(tmp.size)

print('数据类型：')

print(tmp.dtype)

print('数组维度：')

print(tmp.ndim)

print('数组形状：')

print(tmp.shape)数组为:

[1 2 3]

数据类型为：

数组大小：

3

数据类型：

int64

数组维度：

1

数组形状：

(3,)

序列化test = np.random.rand(5, 5)

print(test)

np.save('../data/random-5.npy', test)

tmp = np.load('../data/random-5.npy')

索引和切片In [63]:

# 切片 索引 和 赋值

info = np.array([['小明', '男', '10'],

['小红', '女', '11'],

['小刚', '男', '12']])

info

Out[63]:

array([['小明', '男', '10'],

['小红', '女', '11'],

['小刚', '男', '12']],

dtype='

In [83]:

#(最小值:最大值:采样间隔)

# 按行来取值

小红 = info[1:2:1]

print(小红)

# 按列取值

name = info[0:3, :1]

print(name)

age_index = [2]

print(info[::, age_index])

[['小红' '女' '11']]

[['小明']

['小红']

['小刚']]

[['10']

['11']

['12']]

各种矩阵运算# 矩阵运算

mat = np.random.rand(3,3)

print(mat)

mat = mat + 2

mat = mat * -1

print(mat)

dot = np.dot(mat, mat)

print(dot)

# more: dot cross inner, outer .T, .H inv .I mean std .max() .min() sum

[[ 0.19335883 0.6568079 0.1705884 ]

[ 0.43722217 0.80471827 0.7774497 ]

[ 0.77102649 0.41027065 0.61815674]]

[[-2.19335883 -2.6568079 -2.1705884 ]

[-2.43722217 -2.80471827 -2.7774497 ]

[-2.77102649 -2.41027065 -2.61815674]]

[[ 17.30081202 18.51063623 17.82297017]

[ 19.87781102 21.0360812 20.35196874]

[ 19.20720217 20.43268156 19.56390816]]

综合应用

以读csv文件为例，我们可以使用 csv模组或者直接用numpy来读，通过对比代码，我们会发现，numpy更加简洁。

使用CSV来读csv# 读文件

import csv

index = [2,4,5]

# 读出前十个地区

with open('../data/cities.csv', 'rt') as file:

reader = csv.DictReader(file)

district = [row['district'] for row in reader]

print(district[:10])

['北京市', '天安门', '东城区', '西城区', '崇文区', '宣武区', '朝阳区', '丰台区', '石景山区', '海淀区']

使用numpypos_index = [4, 5]

pos = np.genfromtxt('../data/cities.csv',delimiter=',', skip_header=True)[:, pos_index]

print(pos[:10])

[[ 116.4 39.9 ]

[ 116.38 39.9 ]

[ 116.42 39.93]

[ 116.37 39.92]

[ 116.43 39.88]

[ 116.35 39.87]

[ 116.43 39.92]

[ 116.28 39.85]

[ 116.22 39.9 ]

[ 116.3 39.95]]

果然很简洁不是吗？顺便显示下这些点吧。

import matplotlib.pyplot as plt

%matplotlib inline

plt.scatter(pos[:, 0], pos[:,1])

plt.show()

本系列代码请见：github

人生苦短，我用python