(五)numpy知識學習2-python資料分析與機器學習實戰(學習筆記)
文章原創,最近更新：2018-05-2
1.numpy矩陣基礎
2.numpy常用函式
3.矩陣常用操作
4.不同複製操作對比
5.排序和索引
課程來源: python資料分析與機器學習實戰-唐宇迪
1.numpy矩陣基礎
1.1與 or 或的判斷
現在說說與的操作,與的操作比較嚴格,&表示與的判斷.與的意思是當前的在陣列中的元素既等於10又等於5.我們來看一下下面的一個例子:
>>> vector=numpy.array([5,10,15,20])
>>> vector1=(vector==10)&(vector==5)
>>> vector1
array([False, False, False, False])
一個數不可能是既等於10又等於5,所以判斷出來的結果是全部等於False.
或的條件限制寬鬆了一些,對於一個元素可以是滿足這個條件,或者也可以滿足另外一個條件,用|來表示或.
>>> vector=numpy.array([5,10,15,20])
>>> vector2=(vector==10)|(vector==5)
>>> vector2
array([ True, True, False, False])
>>> matrix = numpy.array([
[5, 10, 15],
[20, 25, 30],
[35, 40, 45]
])
>>> matrix1=matrix[:,1]==25
>>> matrix1
array([False, True, False])
>>> matrix[matrix1,1]=10
>>> matrix
array([[ 5, 10, 15],
[20, 10, 30],
[35, 40, 45]])
1.2型別的改變
用astype函式更改資料的型別
>>> vector=numpy.array(["1","2","3"])
>>> vector.dtype
dtype('<U1')
>>> vector
array(['1', '2', '3'], dtype='<U1')
>>> vector=vector.astype(float)
>>> vector.dtype
dtype('float64')
>>> vector
array([1., 2., 3.])
1.3資料型別的計算
可按行,或按列用sum 或者min等方式對數值進行計算.
>>> vector = numpy.array([5, 10, 15, 20])
>>> vector.sum()
50
>>> vector.min()
5
>>> matrix = numpy.array([
[5, 10, 15],
[20, 25, 30],
[35, 40, 45]
])
>>> matrix.sum(axis=1)
array([ 30, 75, 120])
>>> matrix.sum(axis=0)
array([60, 75, 90])
2.numpy常用函式
2.1矩陣的屬性
構造了一個矩陣後,能否對矩陣進行變換?通過reshape函式更改numpy的維度形狀.
>>> import numpy as np
>>> np.arange(15)
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
>>> a=np.arange(15).reshape(3,5)
>>> a
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
可通過shape知道矩陣的是由幾行幾列構成.
>>> a.shape
(3, 5)
可通過ndim知道矩陣的維度.一維or二維or其他
>>> a.ndim
2
dtype.name可以知道資料的型別的名稱
>>> a.dtype
dtype('int32')
>>> a.dtype.name
'int32'
>>>
size知道矩陣型別有多少個元素?
>>> a.size
15
2.2矩陣的初始化
用zeros初始化值為0.三行四列(注意引數是個元組)
>>> np.zeros((3,4))
array([[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]])
用ones初始化為1
>>> np.ones((2,3,4),dtype=np.int32)
array([[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]],
[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]]])
用exp以及sqtr分別對矩陣去e的指數以及開平方.
>>> import numpy as np
>>> B=np.arange(3)
>>> B
array([0, 1, 2])
>>> np.exp(B)
array([1. , 2.71828183, 7.3890561 ])
>>> np.sqrt(B)
array([0. , 1. , 1.41421356])
floor向下取整,比如2.1取值為2,2.9取值也是2
>>> import numpy as np
>>> a=np.floor(10*np.random.random((3,4)))
>>> a
array([[8., 2., 6., 9.],
[9., 6., 5., 2.],
[0., 0., 1., 6.]])
>>> a.shape
(3, 4)
3.矩陣常用操作
3.1矩陣行列的轉換
用ravel函式將矩陣轉換為向量也就是一維.
a.ravel()
array([8., 2., 6., 9., 9., 6., 5., 2., 0., 0., 1., 6.])
用a.shape=(,)更改a為幾行幾列,與a.reshape()等價
>>> a.shape=(6,2)
>>> a
array([[8., 2.],
[6., 9.],
[9., 6.],
[5., 2.],
[0., 0.],
[1., 6.]])
>>> a.reshape(6,2)
array([[8., 2.],
[6., 9.],
[9., 6.],
[5., 2.],
[0., 0.],
[1., 6.]])
a.T對a進行轉置
>>> a
array([[8., 2.],
[6., 9.],
[9., 6.],
[5., 2.],
[0., 0.],
[1., 6.]])
>>> a.T
array([[8., 6., 9., 5., 0., 1.],
[2., 9., 6., 2., 0., 6.]])
reshape：有返回值，所謂有返回值，即不對原始多維陣列進行修改；
resize：無返回值，所謂有返回值，即會對原始多維陣列進行修改；
>>> a
array([[8., 2.],
[6., 9.],
[9., 6.],
[5., 2.],
[0., 0.],
[1., 6.]])
>>> a.reshape(2,6)
array([[8., 2., 6., 9., 9., 6.],
[5., 2., 0., 0., 1., 6.]])
>>> a
array([[8., 2.],
[6., 9.],
[9., 6.],
[5., 2.],
[0., 0.],
[1., 6.]])
>>> a.resize((2,6))
>>> a
array([[8., 2., 6., 9., 9., 6.],
[5., 2., 0., 0., 1., 6.]])
>>>
.reshape(,-1)這個-1是前面定義好幾行,後面會自動幫你計算幾列,比如reshape(3,-1),
>>> a
array([[8., 2., 6., 9., 9., 6.],
[5., 2., 0., 0., 1., 6.]])
>>> a.reshape(3,-1)
array([[8., 2., 6., 9.],
[9., 6., 5., 2.],
[0., 0., 1., 6.]])
3.2矩陣的拼接操作
可以分為按行拼接還是按列拼接
橫著拼,可以用.hstack((,))函式
>>> a=np.floor(10*np.random.random((2,2)))
>>> b=np.floor(10*np.random.random((2,2)))
>>> a
array([[0., 0.],
[3., 1.]])
>>> b
array([[1., 7.],
[7., 7.]])
>>> np.hstack((a,b))
array([[0., 0., 1., 7.],
[3., 1., 7., 7.]])
豎著拼,可以用.vstack((,))函式
>>> a=np.floor(10*np.random.random((2,2)))
>>> b=np.floor(10*np.random.random((2,2)))
>>> a
array([[0., 0.],
[3., 1.]])
>>> b
array([[1., 7.],
[7., 7.]])
>>> np.vstack((a,b))
array([[0., 0.],
[3., 1.],
[1., 7.],
[7., 7.]])
3.3矩陣的切分
矩陣的切分可分為按橫切分與豎切分
用.hsplit對矩陣進行橫切分
>>> a=np.floor(10*np.random.random((2,12)))
>>> a
array([[9., 8., 9., 3., 8., 8., 6., 3., 3., 2., 8., 3.],
[4., 5., 7., 9., 0., 0., 8., 5., 6., 6., 9., 3.]])
>>> np.hsplit(a,3)
[array([[9., 8., 9., 3.],
[4., 5., 7., 9.]]), array([[8., 8., 6., 3.],
[0., 0., 8., 5.]]), array([[3., 2., 8., 3.],
[6., 6., 9., 3.]])]
用.vsplit對矩陣進行橫切分
>>> a = np.floor(10*np.random.random((12,2)))
>>> a
array([[8., 1.],
[3., 5.],
[7., 7.],
[9., 1.],
[3., 1.],
[9., 6.],
[9., 3.],
[3., 2.],
[0., 0.],
[9., 6.],
[6., 6.],
[3., 8.]])
>>> np.vsplit(a,3)
[array([[8., 1.],
[3., 5.],
[7., 7.],
[9., 1.]]), array([[3., 1.],
[9., 6.],
[9., 3.],
[3., 2.]]), array([[0., 0.],
[9., 6.],
[6., 6.],
[3., 8.]])]
>>>
如果按指定區域怎麼切分?
.hsplit(a,b)a是指待切分的矩陣,b是指定待切分的刀位置,是個元組(比如,(3,4),分別在3,4列各切一刀)
.vsplit(a,b)與.hsplit(a,b)方法一致
>>> a = np.floor(10*np.random.random((2,12)))
>>> a
array([[2., 6., 0., 5., 2., 2., 1., 3., 6., 9., 6., 8.],
[4., 3., 2., 8., 1., 7., 8., 4., 9., 6., 7., 9.]])
>>> np.hsplit(a,(3,4))
[array([[2., 6., 0.],
[4., 3., 2.]]), array([[5.],
[8.]]), array([[2., 2., 1., 3., 6., 9., 6., 8.],
[1., 7., 8., 4., 9., 6., 7., 9.]])]
4.不同複製操作對比
關於複製有3種方法
4.1等號賦值
>>> a=np.arange(12)
>>> a
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
>>> b=a
>>> b
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
>>> b is a
True
將b改成3行4列,當對b變化,a是否會發生變化?
>>> b
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
>>> b.shape=(3,4)
>>> b
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> a.shape
(3, 4)
先把a的值賦給了b,b做了變化之後,a也會發生變化可以通過id值查詢是否兩者發生了相同的變化.(注意:id值相當於我們建立的時候,記憶體會分配一個唯一的區域.)
>>> id(a)
179563056
>>> id(b)
179563056
a,b兩值的id值一模一樣.說明a,b兩值名字不同,但是指向的東西是一樣的.改變a,b其中某個,兩者都會發生變化.
4.2view操作
通過view操作,兩個值不一樣.
>>> a
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> c=a.view()
>>> c
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> c is a
False
將c變化,變成2行,6列的矩陣
>>> c.shape=(2,6)
>>> c
array([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11]])
看一下a的shape是否會發生改變?
a未發生變化,a與c是不一樣的
>>> a.shape
(3, 4)
將c矩陣的某個元素更改,a是否會更改?
>>> a
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> c
array([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11]])
>>> c[0,4]=1234
>>> c
array([[ 0, 1, 2, 3, 1234, 5],
[ 6, 7, 8, 9, 10, 11]])
>>> a
array([[ 0, 1, 2, 3],
[1234, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> id(a)
179563056
>>> id(c)
179455120
通過上面可以看出,a的數值也發生了變化.因id不一樣,說明a,b指向不一樣,但是共用一套數值.
4.3copy複製
既讓複製的值不一樣,儲存的區域也不一樣,就使用copy複製.
相當於,一開始做了複製,然後是各自就各自,直接沒有任何的關係.這是最常用的方法.
d用a的值進行初始化,初始化之後就沒有關係.
>>> a
array([[ 0, 1, 2, 3],
[1234, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> d=a.copy()
>>> d
array([[ 0, 1, 2, 3],
[1234, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> d is a
False
>>> d[0,0]=9999
>>> d
array([[9999, 1, 2, 3],
[1234, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> a
array([[ 0, 1, 2, 3],
[1234, 5, 6, 7],
[ 8, 9, 10, 11]])
5.排序和索引
5.1尋找最大值
尋找矩陣哪個位置的值最大?
.argmax()函式尋找
>>> import numpy as np
>>> data= np.sin(np.arange(20)).reshape(5,4)
>>> data
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],
[-0.28790332, -0.96139749, -0.75098725, 0.14987721]])
>>> ind=data.argmax(axis=0)
>>> ind
array([2, 0, 3, 1], dtype=int64)
結果是[2,0,1],矩陣按列計算,哪個值最大.
[2,0,1]這個索引值有什麼用,可以通過這個索引值具體尋找最大的值是多少?
>>> data_max=data[ind,range(data.shape[1])]
>>> data_max
array([0.98935825, 0.84147098, 0.99060736, 0.6569866 ])
ind這個值傳進來,相當於找到了這一行,再找列值,可以拿出最大的值.通過找索引的格式,在通過索引的實際標號拿出來.
5.2矩陣的擴充
用.tile函式進行擴充,可以對行與列都進行擴充,
>>> a=np.arange(0,40,10)
>>> a
array([ 0, 10, 20, 30])
>>> b=np.tile(a,(2,2))
>>> b
array([[ 0, 10, 20, 30, 0, 10, 20, 30],
[ 0, 10, 20, 30, 0, 10, 20, 30]])
5.3矩陣的排序
用.sort()函式對矩陣排序
>>> a = np.array([[4, 3, 5], [1, 2, 1]])
>>> a
array([[4, 3, 5],
[1, 2, 1]])
>>> b=np.sort(a,axis=1)
>>> b
array([[3, 4, 5],
[1, 1, 2]])
用.argsort()求矩陣排序後的索引結果
>>> a = np.array([4, 3, 1, 2])
>>> j=np.argsort(a)
>>> j
array([2, 3, 1, 0], dtype=int64)
>>> a[j]
array([1, 2, 3, 4])
擴充:
1.先定義一個array資料
import numpy as np
x=np.array([1,4,3,-1,6,9])
2.現在我們可以看看argsort()函式的具體功能是什麼：
x.argsort()
輸出定義為y=array([3,0,2,1,4,5])。
我們發現argsort()函式是將x中的元素從小到大排列，提取其對應的index(索引)，然後輸出到y。例如：x[3]=-1最小，所以y[0]=3,x[5]=9最大，所以y[5]=5。
上面這個不難理解，不熟悉的可以去python環境下自己嘗試。
相關文章
- 機器學習學習筆記——基本知識機器學習筆記
- Scikit-Learn 與 TensorFlow 機器學習實用指南學習筆記1 — 機器學習基礎知識簡介機器學習筆記
- numpy的學習筆記\pandas學習筆記筆記
- 機器學習學習筆記機器學習筆記
- Numpy學習筆記筆記
- Scikit-Learn 與 TensorFlow 機器學習實用指南學習筆記2 — 機器學習的主要挑戰機器學習筆記
- 機器學習之step by step實戰及知識積累筆記機器學習筆記
- python——numpy學習筆記Python筆記
- Numpy學習筆記 1筆記
- 機器學習整合學習—Apple的學習筆記機器學習APP筆記
- 【機器學習】--Python機器學習庫之Numpy機器學習Python
- 做資料分析需要學習機器學習嗎？機器學習
- 《機器學習實戰》學習大綱機器學習
- 【筆記】《Python大戰機器學習》筆記Python機器學習
- Scikit-Learn 與 TensorFlow 機器學習實用指南學習筆記 5 —— 如何為機器學習演算法準備資料？機器學習筆記演算法
- 機器學習筆記——資料集分割機器學習筆記
- 資料庫學習筆記 - MySQL基礎知識資料庫筆記MySql
- 【numpy學習筆記】 Array processing筆記
- 李巨集毅機器學習-學習筆記機器學習筆記
- 機器學習演算法學習筆記機器學習演算法筆記
- 基礎知識學習筆記筆記
- 機器學習筆記機器學習筆記
- 機器學習 | 吳恩達機器學習第九周學習筆記機器學習吳恩達筆記
- Scikit-Learn 與 TensorFlow 機器學習實用指南學習筆記 3 —— 資料獲取與清洗機器學習筆記
- 吳恩達機器學習筆記 —— 1 緒論：初識機器學習吳恩達機器學習筆記
- 機器學習之Numpy與張量機器學習
- 機器學習-學習筆記(二) --> 模型評估與選擇機器學習筆記模型
- 機器學習學習筆記之——演算法鏈與管道機器學習筆記演算法
- 【Python機器學習實戰】決策樹與整合學習（三）——整合學習（1）Python機器學習
- Python機器學習筆記：sklearn庫的學習Python機器學習筆記
- 機器學習框架ML.NET學習筆記【3】文字特徵分析機器學習框架筆記特徵
- 機器學習筆記---資料預處理機器學習筆記
- 機器學習知識積累機器學習
- 【numpy學習筆記】矩陣操作筆記矩陣
- React學習筆記知識點整理React筆記
- RxJava 學習筆記 -- 基礎知識RxJava筆記
- 資料科學系統學習 機器學習演算法 # 西瓜書學習記錄 [12] 整合學習實踐資料科學機器學習演算法
- JVM學習筆記五--虛擬機器棧JVM筆記虛擬機