【单层感知器】花语神经网络的原理解析

机器学习之numpy库

• numpy库概述
• numpy库历史
• numpy的核心
• numpy基础
• • ndarray数组
  • 内存中的ndarray对象
  • ndarray数组对象的特点
  • ndarray数组对象的创建
  • ndarray对象属性的基本操作
  • • 数组的维度
    • 元素的类型
    • 数组元素的个数
    • 数组元素索引(下标)
  • ndarray对象数组的自定义类型
  • 切片操作
  • • 一维数组切片
    • 多维数组切片
    • ndarray数组的掩码操作
  • 多维数组的组合和拆分
  • • 简单案例

numpy库概述

numpy库历史

1. 1995年，Numeric，Python语言数值计算扩充。
2. 2001年，Scipy->Numarray，多维数组运算。
3. 2005年，Numeric+Numarray->Numpy。
4. 2006年，Numpy脱离Scipy成为独立的项目。

numpy的核心

numpy基础

ndarray数组

import numpy as np

arr= np.ndarray([1, 2, 3 ,4])
print(type(arr))

内存中的ndarray对象

ndarray数组对象的特点

ndarray数组对象的创建

#方式一：直接创建
import numpy as np
a = np.array([1, 2, 3, 4, 5, 6])
print(a)

# 方式二：np.arange(起始值，终止值，步长)
b = np.arange(0, 8, 2)
print(b);

#方式三： np.zeros(数据个数，dtype = '数组类型')
c = np.zeros(5, dtype = "int")
print(c)

#方式四：np.ones(数据个数, dtype = '数组类型')
d = np.ones(5, dtype = 'int')
print(d)

ndarray对象属性的基本操作

数组的维度

e = np.array([[1,2,3,4],[5,6,7,8]])
print(type(e), e.shape)

元素的类型

import numpy as np
ary = np.array([
    [1,2,3,4],
    [5,6,7,8]
])
#观察维度，size，len的区别
print(ary.shape, ary.size, len(ary))

数组元素的个数

ary1 = np.array([
    [1,2,3,4],
    [5,6,7,8]
])
#观察维度，size，len的区别
print(ary1.shape, ary1.size, len(ary1))

数组元素索引(下标)

import numpy as np
a = np.array([[[1, 2],
               [3, 4]],
              [[5, 6],
               [7, 8]]])
print(a, a.shape)
print(a[0])
print(a[0][0])
print(a[0][0][0])
print(a[0, 0, 0])
for i in range(a.shape[0]):
    for j in range(a.shape[1]):
        for k in range(a.shape[2]):
            print(a[i, j, k])

ndarray对象数组的自定义类型

import numpy as np

data=[
	('zs', [90, 80, 85], 15),
	('ls', [92, 81, 83], 16),
	('ww', [95, 85, 95], 15)
]

a = np.array(data, dtype='U3, 3int32, int32')
#a = np.array(data, dtype='U3, 3int32, int32')
print(a)
print(a[0], ":", a[0]['f0'], ":", a[0]['f1'], ":", a[0]['f2'])

#方法二：

c = np.array(data, dtype={'names': ['name', 'scores', 'ages'],
                    'formats': ['U3', '3int32', 'int32']})
print(c[0]['name'], ":", c[0]['scores'], ":", c[0]['ages'])

切片操作

一维数组切片

#数组对象切片的参数设置与列表切面参数类似
#  步长+：默认切从首到尾
#  步长-：默认切从尾到首
#数组对象[起始位置:终止位置:步长, ...]
#默认位置步长：1

import numpy as np

a = np.arange(1, 10)
print(a)  # 1 2 3 4 5 6 7 8 9
print(a[:3])  # 1 2 3
print(a[3:6])   # 4 5 6
print(a[6:])  # 7 8 9
print(a[::-1])  # 9 8 7 6 5 4 3 2 1
print(a[:-4:-1])  # 9 8 7
print(a[-4:-7:-1])  # 6 5 4
print(a[-7::-1])  # 3 2 1
print(a[::])  # 1 2 3 4 5 6 7 8 9
print(a[:])  # 1 2 3 4 5 6 7 8 9
print(a[::3])  # 1 4 7
print(a[1::3])  # 2 5 8
print(a[2::3])  # 3 6 9

多维数组切片

mport numpy as np
a = np.arange(1, 28)
a.resize(3,3,3) #变成三维的3页3行3列
print(a)
#切出1页 
print(a[1, :, :])		
#切出所有页的1行
print(a[:, 1, :])		
#切出0页的1行1列
print(a[0, :, 1])

ndarray数组的掩码操作

import numpy as np
a = np.arange(0, 10)
mask = [True, False,True, False,True, False,True, False,True, False]
print(a[mask])

多维数组的组合和拆分

import numpy as np
a = np.arange(1, 7).reshape(2, 3)
b = np.arange(7, 13).reshape(2, 3)
# 垂直方向完成组合操作，生成新数组
c = np.vstack((a, b))
# 垂直方向完成拆分操作，生成两个数组
d, e = np.vsplit(c, 2)

import numpy as np
a = np.arange(1, 7).reshape(2, 3)
b = np.arange(7, 13).reshape(2, 3)
# 水平方向完成组合操作，生成新数组 
c = np.hstack((a, b))
# 水平方向完成拆分操作，生成两个数组
d, e = np.hsplit(c, 2)

import numpy as np
a = np.arange(1, 7).reshape(2, 3)
b = np.arange(7, 13).reshape(2, 3)
# 深度方向（3维）完成组合操作，生成新数组
i = np.dstack((a, b))
# 深度方向（3维）完成拆分操作，生成两个数组
k, l = np.dsplit(i, 2)

# 通过axis作为关键字参数指定组合的方向，取值如下：
# 若待组合的数组都是二维数组：
#	0: 垂直方向组合
#	1: 水平方向组合
# 若待组合的数组都是三维数组：
#	0: 垂直方向组合
#	1: 水平方向组合
#	2: 深度方向组合
np.concatenate((a, b), axis=0)
# 通过给出的数组与要拆分的份数，按照某个方向进行拆分，axis的取值同上
np.split(c, 2, axis=0)

简单案例

import numpy as np
a = np.array([1,2,3,4,5])
b = np.array([1,2,3,4])
# 填充b数组使其长度与a相同,头部添加0个元素，尾部添加1个元素
b = np.pad(b, pad_width=(0, 1), mode='constant', constant_values=-1)
print(b)
# 垂直方向完成组合操作，生成新数组
c = np.vstack((a, b))
print(c)

a = np.arange(1,9)		#[1, 2, 3, 4, 5, 6, 7, 8]
b = np.arange(9,17)		#[9,10,11,12,13,14,15,16]
#把两个数组摞在一起成两行
c = np.row_stack((a, b))
print(c)
#把两个数组组合在一起成两列
d = np.column_stack((a, b))
print(d)