机器学习中numpy的经典必用一份脚本足够

#机器学习中numpy的经典必用#Scipy是一种用于数学、科学、工程领域的常用软件包，#可以处理插值、积分、优化、图像处理、常微分方程数值解的求解、#信号处理等问题。它用于有效计算Numpy矩阵，使Numpy和Scipy协同工作，高效处理问题。#1#LoadLibraryimportnumpyasnpfromscipyimportsparse#将向量创立为行vector_row=np.array([1,2,3])#将向量创立为列vector_column=np.array([[1],[2],[3]])#Numpy中创立一种二维数组，并将其称为矩阵，它包括2行3列#CreateaMatrixmatrix=np.array([[1,2,3],[4,5,6]])print("二维矩阵matrix:{}".format(matrix))#2#创立稀疏矩阵（sparseMatrix）#显示非零元素的位置matrix_1=np.array([[0,0],[0,1],[3,0]])print("二维含零元素的矩阵matrix_1：{}".format(matrix_1))matrix_1_sparse=sparse.csr_matrix(matrix_1)print("二维矩阵的稀疏矩阵：{}".format(matrix_1_sparse))#3#描述矩阵#CreateaMatrixmatrix=np.array([[1,2,3],[4,5,6],[7,8,9]])#ViewtheNumberofRowsandColumnsprint("矩阵的属性行列数：{}".format(matrix.shape))#Viewthenumberofelements(rows*columns)print("矩阵的元素个数size:{}".format(matrix.size))#ViewthenumberofDimensions(2inthiscase)print("矩阵的维度ndim:{}".format(matrix.ndim))#3#使用函数操作矩阵元素#建立一种加100的函数defadd_100(i):i=i+100returni#把函数转化为矢量函数（vectorizedfunction）vectorized_add_100=np.vectorize(add_100)#让函数作用域矩阵的所有元素print("让函数加100作用于矩阵matrix:{}".format(vectorized_add_100(matrix)))#4#矩阵的大小print("矩阵元素的最大值：{}".format(np.max(matrix)))print("返回元素的最小值：{}".format(np.min(matrix)))print("找到矩阵每列的最大值：{}".format(np.max(matrix,axis=0)))print("找到每一行元素的最大值：{}".format(np.max(matrix,axis=1)))#二维矩阵的均值，方差和原则方差print("矩阵matrix的均值：{}".format(np.mean(matrix)))print("矩阵matrix的方差：{}".format(np.std(matrix)))print("矩阵matrix原则方差：{}".format(np.var(matrix)))#5#数组的重塑print("矩阵转换一列：{}".format(matrix.reshape(9,1)))#这里-1表达尽量多的列print("矩阵转换为一行的二维数组：{}".format(matrix.reshape(1,-1)))#假如我们在reshape的参数上只放了一种参数，阐明我们要返回的是一行n列的数组print("矩阵转换为一行序列的表达措施：{}".format(matrix.reshape(9)))#6#矩阵的转置print("矩阵matrix的转置：{}".format(matrix.T))#矩阵的秩#矩阵的行列式print("matrix的行列式：{}".format(np.linalg.det(matrix)))#计算矩阵的秩print("matrix的秩：{}".format(np.linalg.matrix_rank(matrix)))#矩阵的对角线print("矩阵的主对角线：{}".format(matrix.diagonal()))#可以使用偏移来查看它的次对角线，正数表达右移，负数表达左移：print("矩阵的：{}".format(matrix.diagonal(offset=1)))#可以使用偏移来查看它的次对角线，正数表达右移，负数表达左移：print("矩阵的：{}".format(matrix.diagonal(offset=-1)))#numpy.trace是求shape的对角线上的元素的和print("matrix的迹：{}".format(matrix.trace()))#7#查找特性值和特性向量eigenvalues,eigenvectors=np.linalg.eig(matrix)print("矩阵的特性值：{},矩阵的特性向量：{}".format(eigenvalues,eigenvectors))#矩阵的点积vector_1=np.array([1,2,3])vector_2=np.array([4,5,6])#计算点积print("两个向量的点积1：{}".format(np.dot(vector_1,vector_2)))#第二种体现措施print("两个向量的点积2：{}".format(vector_1@vector_2))#8#矩阵的加减乘除matrix_2=np.array([[7,8,9],[4,5,6],[1,2,3]])#加print("矩阵相加：{}".format(np.add(matrix,matrix_2)))#减print("矩阵想减：{}".format(np.subtract(matrix,matrix_2)))#乘print("矩阵的乘法：{}".format(matrix*matrix_2))#9#矩阵的逆print("矩阵的逆矩阵：{}".format(np.linalg.inv(matrix)))#矩阵的随机数产生np.random.seed(1)#产生3个随机的整型数界于[1,10]print("3个随机数：{}".format(np.random.randint(0,10,3)))#产生3个随机数满足一种均值为1.0，方差为2.0的正态分布print("3个随机数的正态分布：{}".format(np.random.normal(1.0,2.0,3)))############################numpy的基础操作#访问列表元素，切片作用于数组importnumpyasnparr=np.array([2.0,6.0,5.0,5.0])print(arr[:3])print(arr[0])print(arr)#1#提取所包括的不一样元素，使用unique函数arr_unique=np.unique(arr)print("unique提取数列中的不一样元素：{}".format(arr_unique))#2#数组元素的排序也可以用sort()函数，数组的索引用argsort()函数arr_sort=np.sort(arr)print("sort从小到大的排序：{}".format(arr_sort))arr_sort_index=np.argsort(arr)print("argsort进行排序的索引：{}".format(arr_sort_index))#3#array_equal用于对比两个数组与否相等#对比仿佛显示只在意数值，而不在意数据类型arr1=np.array([1,3,5,7])arr2=np.array([2,6,5,5])arr3=np.array([2,6,5,5],dtype=int)print("arry_equal对比两个数组与否相等：{}".format(np.array_equal(arr,arr1)))print("arry_equal对比两个数组与否相等：{}".format(np.array_equal(arr,arr2)))print("arry_equal对比两个数组与否相等：{}".format(np.array_equal(arr,arr3)))#4#shuffle()用来打乱数组的排列，变成随机排列#注意这个函数不返回任何东西np.random.shuffle(arr1)print("shuffle函数打乱arr1后的次序输出：{}".format(arr1))#5#多维数组的书写措施：与列表的操作不一样，多维列表各维度用逗号隔开matrix_1=np.array([[4,5,6],[7,8,9]],dtype=float)print("二维数组的体现形式：{}".format(matrix_1))#6#多维数组的访问print("矩阵第1行第1列的数值：matrix_1[0,0]={}".format(matrix_1[0,0]))print("矩阵第2行第3列的数值：matrix_1[1,2]={}".format(matrix_1[1,2]))#7#多维数组的切片操作，使用冒号索引，切片仍然还是矩阵#0：1其实指的是0一种效果，跟range同样，行和列的序号仍然是从0开始print("矩阵的第一行的第1个数的切片矩阵：martrix_1[0,0:1]={}".format(matrix_1[0,0:1]))print("矩阵的第一行的前两个数的切片矩阵：martrix_1[0,0:2]={}".format(matrix_1[0,0:2]))print("矩阵的第二行的前两个数的切片矩阵：martrix_1[1,0:2]={}".format(matrix_1[1,0:2]))print("矩阵的第二行的所有数的切片矩阵：martrix_1[1,:]={}".format(matrix_1[1,:]))#8#将flatten()函数将多维数组合并成一维数组arr4=matrix_1.flatten()print("将二维矩阵matrix_1合并成认为数组arr4:{}".format(arr4))#9#shape()函数查看数组对象的属性：大小print("shape查看数组元素matrix_1的属性大小：{}".format(matrix_1.shape))#dtype返回数组元素的类型print("dtype返回数组元素martix_1的元素类型：{}".format(matrix_1.dtype))#10#len()函数返回数组的第一维的长度:认为数组的元素个数，二维数组的行数print("len()返回一维数组arr4的长度：{}".format(len(arr4)))print("len()返回二维矩阵的第一维度的长度：matrix:{}".format(len(matrix_1)))#11#in作用于数组中与否有该元素print("in函数输出3是不是在arr4中：{}".format(3inarr4))print("in函数输出7是不是在arr4中：{}".format(7inarr4))#12#reshape()函数，用于调整重塑数组的构造。6=2*3#这里的2*3可不是按照python的从零开始来的喔！！matrix_2=arr4.reshape((3,2))print("reshape函数把一种6个元素的一维序列塑导致3*2的矩阵输出matrix_2:{}".format(matrix_2))#13#transpose()矩阵的转置：也就是行列互换#同样也可以使用Tmatrix_3=matrix_2.transpose()matrix_T=matrix_2.transpose()print("transpose将矩阵转置为matrix_3:{}".format(matrix_3))print("transpose||T两种转置的措施是同样的：{}".format(np.array_equal(matrix_3,matrix_T)))#14#newaxis()函数增长维度：调整数组元素位置arr_1=np.array([14,32,13],dtype=float)print("新建数组arr_1:{},属性大小为：{}".format(arr_1,arr_1.shape))print("newaxis增长数组维度：{},属性大小为：{}".format(arr_1[:,np.newaxis],arr_1[:,np.newaxis].shape))print("newaxis增长数组维度：{},属性大小为：{}".format(arr_1[np.newaxis,:],arr_1[np.newaxis,:].shape))#15#concatenate()函数用于数组的操作#取决与数组的维度，多种一维数组可以相继连接，将要连接的多种数组置于中作为参数输入#对于一维数组函数不带任何参数就默认为是第一种轴#对于二维数组要指定是哪条轴相连接arr_2=np.array([10,20,30],dtype=float)arr_3=np.array([31,43,54,61],dtype=float)arr_4=np.array([71,41,51,40],dtype=float)arr_concat=np.concatenate((arr_2,arr_3,arr_4))print("concatenate函数将三个序列进行连接：{}".format(arr_concat))#二维数组的操作,行连接就是行数增长，列连接就是列增长arr_4=np.array([[31,43,54,61],[1,2,3,4]],dtype=float)arr_5=np.array([[71,41,51,40],[7,8,9,7]],dtype=float)arr_concat_axis0=np.concatenate((arr_4,arr_5),axis=0)arr_concat_axis1=np.concatenate((arr_4,arr_5),axis=1)print("concatenate函数将两个数列按照行或者列进行连接：axis0={},axis1={}".format(arr_concat_axis0,arr_concat_axis1))#16#numpy的linalg子模块，实现了矩阵的多种线性代数运算。#计算矩阵的行列式的值matrix=np.array([[74,22,10],[92,31,17],[21,22,12]],dtype=float)print("矩阵matrix:{}".format(matrix))matrix_det=np.linalg.det(matrix)print("矩阵matrix的行列式：matrix_det:{}".format(matrix_det))#17#inv函数生成矩阵的逆矩阵inv_matrix=np.linalg.inv(matrix)print("矩阵matrix的逆矩阵inv_matrix:{}".format(inv_matrix))inv_mul_matrix=np.dot(inv_matrix,matrix)print("matrix的逆矩阵与matrix的乘积：{}".format(inv_mul_matrix))#18#矩阵的特性值（eigenvalues）和特性向量（eigenvectors）计算措施[vals,vecs]=np.linalg.eig(matrix)eig=np.linalg.eig(matrix)print("矩阵matrix的特性值vals:{},特性向量vecs:{}".format(vals,vecs))print("矩阵matrix的特性值vals:{},特性向量vecs:{}".format(eig[0],eig[1]))#19#记录学与数学函数#数组元素记录信息函数：聚合型运算：求和，均值，中位数和原则差arr_2=np.random.rand(8,4)mean_arr=arr_2.mean()print("arr_2的平均值mean_arr:{}".format(mean_arr))sum_arr=arr_2.sum()print("arr_2的数据总和：{}".format(sum_arr))#numpy数组创立importnumpyasnparr=np.array([2,6,7,8],float)print(arr)print(type(arr))#1#数组转换成列表arr=np.array([1,2,3],float)arr.tolist()print(arr.tolist())print(type(arr.tolist()))print(list(arr))print(type(list(arr)))print(type(arr))#2#用既有数组创立新的对象，使用"copy"函数，易错点1arr1=arrprint('仅仅复制了指向同一种地址：{}'.format(arr1))arr1=arr.copy()print('这个时候才是创立了对象：{}'.format(arr1))arr1[0]=0print('试图修改arr1的第一种值：{}'.format(arr1))print('再来看arr是没有发生变化的：{}'.format(arr))print('阐明复制成功了！！')#3#用同一种值来覆盖一组原有的数组值，使用'fill'函数，用处是作为初始化#fill是个功能命令，返回值当然是0或1，易错点2arr2=np.array([1,2,3,4,5])print(arr2.fill(1))print(arr2.fill(2))print('fill填充的数组变化arr2:{}'.format(arr2))#4#使用random随机初始化元素数组：permutation内的参数代表数组长度arr3=np.random.permutation(3)print('random随机化数组arr3:{}'.format(arr3))#使用正态分布normal()函数进行抽样一系列数组：均值为0，arr4=np.random.normal(0,1,5)print('random.normal正态分布抽样数组arr4:{}'.format(arr4))#5#Numpy还提供几种创立二维数组（矩阵）的函数#(1)identity()函数创立单位矩阵，其行列数用参数指定arr5=np.identity(5,dtype=float)print('identity()函数创立二维单位矩阵arr5:{}'.format(arr5))#(2)eye函数返回第k条对角线上元素为1的矩阵#从后续试验成果来看，对角线的形成是以N、M中较小值为原则生成一种方阵的对角线，#当索引index取值为3时则该方阵对角线向右移动3个单位，当索引index取值为-2时则该方针对角线向左移动2个单位arr6=np.eye(3,k=1,dtype=float)print(arr6)arr6=np.eye(3,k=0,dtype=float)print(arr6)arr6=np.eye(3,k=2,dtype=float)print(arr6)#(3)创立新数组（1或2维）最常用的函数是zeros和ones,它们按照指定的维度创立数组，并用0或1填充arr7=np.ones((2,3),dtype=float)prin