作者|Rashida Nasrin Sucky 編譯|VK 來源|Towards Data Science

Python是開源的。對于使用python的數(shù)據(jù)科學(xué)家來說，Numpy這個庫是必不可少的。其他一些基本的庫，如Pandas，Scipy是建立在Numpy的基礎(chǔ)上。所以我決定做一份備忘錄。這里我包括了到目前為止使用的所有Numpy函數(shù)。我相信這些函數(shù)將足以讓你在日常工作中作為數(shù)據(jù)科學(xué)家或數(shù)據(jù)分析員完成你的工作。

我將從非?；镜腘umpy功能開始，慢慢地向更高級的功能移動。但是使用Numpy很容易。在這里你不會發(fā)現(xiàn)任何復(fù)雜的編碼技巧。

什么是Numpy

在Numpy文檔中，Numpy的定義如下：

NumPy是Python中科學(xué)計算的基本包。它是一個Python庫，它提供多維數(shù)組對象、各種派生對象(如掩碼數(shù)組和矩陣)以及數(shù)組上快速操作的各種例程，包括數(shù)學(xué)、邏輯、形狀處理、排序、選擇、I/O、離散傅立葉變換、基本線性代數(shù)，基本的統(tǒng)計操作，隨機模擬等等。

我每天都用這個庫。如果是python用戶，大多數(shù)數(shù)據(jù)科學(xué)家都會這么做。它快速，易于使用，理解，簡單。我不想寫太多關(guān)于它是如何和為什么這么好的。因為在閱讀本文的過程中，你將親眼看到這一點。

我的目標(biāo)是記錄Numpy每天使用的方法。

正如文章名所說，這是一本關(guān)于Numpy的指南。它也可以用作備忘錄。如果你使用Numpy庫或計劃將來使用，或正在學(xué)習(xí)，此頁面可以成為你日常生活的一個很好的資源。

這里將討論以下主題：

Numpy數(shù)組基礎(chǔ)知識

重復(fù)

數(shù)學(xué)運算

統(tǒng)計

初始化不同類型的數(shù)組

重新排列或重新組織數(shù)組

數(shù)組的索引與切片

添加行或列

追加、插入、刪除和排序

隨機

文件導(dǎo)入、保存和加載

我們開始吧！！

Numpy數(shù)組基礎(chǔ)知識

整個練習(xí)我都用了一個Jupyter Notebook。第一個導(dǎo)入Numpy。

import numpy as np

做一個Numpy數(shù)組。為此，我們需要傳遞一個Python列表。

輸入：

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

輸出：

array([1, 2, 3])

在數(shù)組'a'中，我使用了所有的整數(shù)?，F(xiàn)在，制作一個浮點數(shù)組：

輸入：

b = np.array([[9.0, 10.0, 6.0], [6.0,1.0,7.0]]) b

輸出：

array([[ 9., 10., 6.],[ 6., 1., 7.]])

讓我們試著用浮點型和浮點型數(shù)組：

輸入：

np.array([1, 3.0, 0.004, -2])

輸出：

array([ 1. , 3. , 0.004, -2. ])

注意，Numpy自動將整數(shù)轉(zhuǎn)換為浮點！

找出數(shù)組a和b的尺寸：

輸入：

a.ndim

輸出：

1

輸入：

b.ndim

輸出：

2

數(shù)組“a”是一維數(shù)組，數(shù)組b是二維數(shù)組。

現(xiàn)在，找出數(shù)組“a”和“b”的形狀：

輸入：

a.shape

輸出：

(3,)

輸入：

b.shape

輸出：

(2, 3)

數(shù)組“a”是一維數(shù)組。它只有一個值。但是數(shù)組b是一個二維數(shù)組。所以，它的形狀是2×3。這意味著它有2行3列。

查找數(shù)組的長度：

輸入：

len(a)

輸出：

3

輸入：

len(b)

輸出：

2

數(shù)組a的長度是3，因為它里面有3個元素。數(shù)組“b”是一個二維數(shù)組。因此，數(shù)組的長度并不意味著其中元素的數(shù)量。長度表示其中一維數(shù)組的數(shù)量或其中的行數(shù)。它有兩行。長度是2。

重復(fù)

有幾種不同的方法可以重復(fù)數(shù)組的元素。如果你想重復(fù)整個數(shù)組，

輸入：

np.array([2,4,6]*4)

輸出：

array([2, 4, 6, 2, 4, 6, 2, 4, 6, 2, 4, 6])

看，數(shù)組[2，4，6]被重復(fù)了4次。

下面是如何做元素級的重復(fù)，

輸入：

np.repeat([1,2,3], 3)

輸出：

array([1, 1, 1, 2, 2, 2, 3, 3, 3])

這次每個元素重復(fù)3次。

我們把這個用于二維數(shù)組，

輸入：

arr = np.array([[2, 4, 6]]) arr

輸出：

array([[2, 4, 6]])

現(xiàn)在，在它上面重復(fù)：

輸入：

np.repeat(arr,3,axis=0)

輸出：

array([[2, 4, 6],[2, 4, 6],[2, 4, 6]])

這里，我們提到axis=0。所以，重復(fù)發(fā)生在0軸方向或行方向。

輸入：

np.repeat(arr,3,axis=1)

輸出：

array([[2, 2, 2, 4, 4, 4, 6, 6, 6]])

軸1指示列的方向。所以，重復(fù)發(fā)生在列的方向上。

數(shù)學(xué)運算

在這一節(jié)中，我將展示數(shù)學(xué)運算。大多數(shù)操作都是不言而喻的。我將從一個數(shù)組的數(shù)學(xué)運算開始。

輸入：

a = np.array([1,2,3,4]) a

輸出：

array([1, 2, 3, 4])

輸入：

a+2

輸出：

array([3, 4, 5, 6])

它向數(shù)組的每個元素添加2。

輸入：

a-2

輸出：

array([-1, 0, 1, 2])

你可以簡單地使用類似的操作，例如：

輸入：

a/2

輸出：

array([0.5, 1. , 1.5, 2. ])

輸入：

a**2

輸出：

array([ 1, 4, 9, 16], dtype=int32)

兩個星號表示指數(shù)?！癮”中的每個元素都是平方的。

輸入：

np.sqrt(a) # 平方根

輸出：

array([1. , 1.41421356, 1.73205081, 2. ])

我們還可以執(zhí)行一些三角運算：

輸入：

np.cos(a)

輸出：

array([ 0.54030231, -0.41614684, -0.9899925 , -0.65364362])

輸入：

np.sin(a)

輸出：

array([ 0.84147098, 0.90929743, 0.14112001, -0.7568025 ])

輸入：

np.tan(a)

輸出：

array([ 1.55740772, -2.18503986, -0.14254654, 1.15782128])

現(xiàn)在看看我們?nèi)绾卧趦蓚€數(shù)組或矩陣中做一些數(shù)學(xué)運算。首先，再做一個數(shù)組，

輸入：

b = np.array([3,4,5,6])

輸出：

array([3, 4, 5, 6])

作為提醒，我們的數(shù)組“a”如下所示：

array([1, 2, 3, 4])

現(xiàn)在，我們有兩個數(shù)組，a和b。讓我們做同樣的數(shù)學(xué)運算。再說一次，這很簡單，不言自明，

輸入：

a + b

輸出：

array([ 4, 6, 8, 10])

你可以用同樣的方法進行以下操作：

a - b a*b a/b a**b

另一種廣泛使用的操作是，

輸入：

a.dot(b)

輸出：

50

什么是a.dot(b)？這是先應(yīng)用元素的乘法，然后再進行累加，

1*3 + 2*4 + 3*5 + 4*6

其中數(shù)組“a”是[1,2,3,4]，數(shù)組b是[3,4,5,6]。

你也可以寫一些不同的語法，

np.dot(a, b)

這是一樣的。輸出將是50。

我們可以在多維數(shù)組中使用這個過程。我們做兩個多維數(shù)組，

輸入：

c = np.array([[3, 5, 1], [6, 4, 9]]) c

輸出：

array([[3, 5, 1],[6, 4, 9]])

輸入：

d = np.array([[5,2], [7,9], [4, 3]]) d

輸出：

array([[5, 2],[7, 9],[4, 3]])

我們準(zhǔn)備好在多維數(shù)組上進行“點”運算，

輸入：

c.dot(d)

輸出：

array([[54, 54],[94, 75]])

當(dāng)輸入為二維數(shù)組時，“點”函數(shù)的行為類似于矩陣乘法。

這意味著你只能在第一個數(shù)組的列數(shù)與第二個數(shù)組中的行數(shù)匹配時執(zhí)行“點”操作。

如果第一個數(shù)組是mxn，那么第二個數(shù)組應(yīng)該是nxp。

矩陣乘法還有另一個表達式，

輸入：

np.matmul(c, d)

輸出：

array([[54, 54],[94, 75]])

‘np.matmul'在一維數(shù)組中不起作用

記住，這個乘法規(guī)則不適用于其他運算，如加法、減法或除法。我們需要有相同形狀和大小的數(shù)組來對一個矩陣進行加法、減法或除法。

統(tǒng)計

Numpy也有基本的統(tǒng)計操作。這里有一些例子。

首先創(chuàng)建一個新數(shù)組。

輸入：

x = np.array([1,3,4,6,-3,-2]) x.sum()

輸出：

9

輸入：

x.max()

輸出：

6

輸入：

x.min()

輸出：

-3

輸入：

x.mean()

輸出：

1.5

輸入：

x.std() # 標(biāo)準(zhǔn)差

輸出：

3.2015621187164243

還有另外兩個非常有用的函數(shù)，它們不是完全統(tǒng)計的，

輸入：

x.argmin()

輸出：

4

輸入：

x.argmax()

輸出：

3

什么是“argmin()”或“argmax()”？

“argmin()”提供數(shù)組最小元素的索引，“argmax()”返回數(shù)組最大值的索引。

數(shù)組“x”的最小元素是-3，數(shù)組“x”的最大元素是6。可以檢查他們的索引是否匹配。

初始化不同類型的數(shù)組

Numpy中有很多不同的方法來初始化數(shù)組。這里我將討論一些常用的方法：

輸入：

np.arange(10)

輸出：

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

這是初始化一系列數(shù)字的方法。注意它從0開始到9結(jié)束。始終排除上限。這里的上限是10。所以，它在9停止。

我們還可以添加一個數(shù)學(xué)運算：

輸入：

np.arange(10)**2

輸出：

array([ 0, 1, 4, 9, 16, 25, 36, 49, 64, 81], dtype=int32)

在本例中，我們要求平方，我們得到了輸出數(shù)組中0到9的平方。

我們可以用一定的間隔把一系列的數(shù)字組成一個數(shù)組。

np.arange(0, 15, 3)

輸出：

array([ 0, 3, 6, 9, 12])

這里，0是下限，15是上限，3是間隔。

還有另一種方法可以提供稍微不同的序列：

輸入：

np.linspace(0, 3, 15)

輸出：

array([0. , 0.21428571, 0.42857143, 0.64285714, 0.85714286,1.07142857, 1.28571429, 1.5 , 1.71428571, 1.92857143,2.14285714, 2.35714286, 2.57142857, 2.78571429, 3. ])

這里的元素數(shù)是0，上限是3。在本例中，Numpy自動生成15個元素，這些元素的間距從0到3相等。

還有幾種其他類型的數(shù)組：

輸入：

np.ones((3, 4))

輸出：

array([[1., 1., 1., 1.],[1., 1., 1., 1.],[1., 1., 1., 1.]])

輸入：

np.zeros((2, 3))

輸出：

array([[0., 0., 0.],[0., 0., 0.]])

你可以得到一個三維數(shù)組：

輸入：

np.ones((4,3,2), dtype='int32')

輸出：

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]]])

這里，(4,3,2)表示4個二維數(shù)組，每個數(shù)組有3行2列。

還有另一種方法叫做full，它可以替換數(shù)組的元素：

輸入：

np.full((2,2), 30)

輸出：

array([[30, 30],[30, 30]])

輸入：

ar = np.array([[2,3], [4,5]]) ar

輸出：

array([[2, 3],[4, 5]])

輸入：

np.full_like(ar, 4)

輸出：

array([[4, 4],[4, 4]])

還有另一種類型的矩陣稱為單位矩陣：

輸入：

np.identity(5)

輸出：

array([[1., 0., 0., 0., 0.],[0., 1., 0., 0., 0.],[0., 0., 1., 0., 0.],[0., 0., 0., 1., 0.],[0., 0., 0., 0., 1.]])

這是一個5x5的矩陣，只有對角元素是1，其他元素都是0。

還有一種類型叫做“eye”。它的參數(shù)是矩陣的形狀：

輸入：

np.eye(3,3)

輸出：

array([[1., 0., 0.],[0., 1., 0.],[0., 0., 1.]])

輸入：

np.eye(3,4)

輸出：

array([[1., 0., 0., 0.],[0., 1., 0., 0.],[0., 0., 1., 0.]])

對角線上的數(shù)字可以不同于1。

輸入：

a = np.array([2,4,5]) np.diag(a)

輸出：

array([[2, 0, 0],[0, 4, 0],[0, 0, 5]])

重新排列或重新組織數(shù)組

有不同的方法來重新排列或組織數(shù)組。

首先，做一個數(shù)組，

輸入：

x = np.arange(0, 45, 3) x

輸出：

array([ 0, 3, 6, 9, 12, 15, 18, 21, 24, 27, 30, 33, 36, 39, 42])

我在上一節(jié)中解釋了“arange”函數(shù)。讓我們看看如何重塑它。

輸入：

x.reshape(3, 5)

輸出：

array([[ 0, 3, 6, 9, 12],[15, 18, 21, 24, 27],[30, 33, 36, 39, 42]])

我們傳入了(3，5)。因此，它變成了一個有3行5列的二維數(shù)組。我們可以通過使用：

x.resize(3,5)

如果我們想回到原來的一維數(shù)組呢？

這是方法之一

輸入：

x.ravel()

輸出：

array([ 0, 3, 6, 9, 12, 15, 18, 21, 24, 27, 30, 33, 36, 39, 42])

看，我們找回了原來的數(shù)組！

注意另一件事。我們改變了數(shù)組的維數(shù)。數(shù)組“x”是一維數(shù)組。我們通過重塑它使它成為一個二維數(shù)組。

現(xiàn)在，制作另一個數(shù)組來更好地理解它。這是另一個例子。

輸入：

c = np.array([4,5,6]) c

輸出：

array([4, 5, 6])

這次我將使用resize。“reshape”也會這樣做。為了練習(xí)調(diào)整大小，讓我們在這里使用resize。

輸入：

c.resize(3,1)

輸出：

array([[4],[5],[6]])

我們提供了(3,1)作為調(diào)整大小的參數(shù)。所以它有3行1列。這是一個3x1矩陣。我們也可以有一個1x3矩陣。

輸入：

c.resize(1,3) c

輸出：

array([[4, 5, 6]])

原來c是一維數(shù)組?；蛘攥F(xiàn)在是二維矩陣。

不要認(rèn)為你只能重塑一個一維數(shù)組的大小。也可以在高維數(shù)組中執(zhí)行此操作。

我舉幾個例子：

輸入：

x = np.array([[1,2,3,4], [5,6,7,8]]) x

輸出：

array([[1, 2, 3, 4],[5, 6, 7, 8]])

現(xiàn)在重塑這個二維數(shù)組，

輸入：

x.reshape(4,2) x

輸出：

array([[1, 2],[3, 4],[5, 6],[7, 8]])

你可以使用我前面提到的“resize”來實現(xiàn)這一點。還有另一種方法，

輸入：

y = x.reshape(4, -1) y

輸出：

array([[1, 2],[3, 4],[5, 6],[7, 8]])

看起來很困惑？想象一下，你有一個巨大的數(shù)組或數(shù)據(jù)集。在重塑之前，你只知道一個維度。因此，在reshape方法中，給出了其他維的大小，剩下的numpy可以自己計算。

在上面的例子中，我傳遞了第一個維度4。這意味著我要讓Numpy做4行。我不知道有多少列。所以我就設(shè)置參數(shù)-1。所以，它會自動生成2列。

當(dāng)我們處理大數(shù)據(jù)集或數(shù)據(jù)幀時，這是一個非常有用的技巧，我們必須構(gòu)建機器學(xué)習(xí)算法。

在上面的所有例子中，我們看到了如何重塑和改變尺寸。

這是改變尺寸的方法。上面的數(shù)組“y”是一個4x2矩陣。讓我們再做一個2x4矩陣。

輸入：

y.T

輸出：

array([[1, 3, 5, 7],[2, 4, 6, 8]])

這種方法稱為轉(zhuǎn)置。當(dāng)你在數(shù)組或矩陣上使用轉(zhuǎn)置時，它只是改變了維數(shù)。2x3矩陣變?yōu)?x2，3x6矩陣變?yōu)?x3或1x3矩陣變?yōu)?x1。

索引或切片

索引和切片是一項非常常見的日常任務(wù)。我們來舉幾個例子：

輸入：

a = np.array([2,5,1,7,6,3,9,0,4])

輸入：

a[0]

輸出：

2

a[0]給出數(shù)組的第一個元素。同樣，我們可以繼續(xù)使用a[1]，a[2]，一直到整個數(shù)組。

輸入：

a[3]

輸出：

7

我們也可以切片，

輸入：

a[1:5]

輸出：

array([5, 1, 7, 6])

我們輸入了[1:5]。因此，切片將從索引1開始，在索引5之前結(jié)束。記住，包括下限，排除上限。

在本文中，我不再深入討論切片和索引。因為我已經(jīng)寫了另一篇文章詳細(xì)解釋過了。請檢查一下。學(xué)好它很重要。

https://towardsdatascience.com/indexing-and-slicing-of-1d-2d-and-3d-arrays-in-numpy-e731afff0bbe

添加行或列

Numpy有幾種不同的方法來添加行或列。這里有一些例子。

這次我將使用一些列表或數(shù)組。Numpy會在堆疊時自動將它們變成數(shù)組。

這里有兩個列表：

x1 = [[2, 4, 3, 7], [2, 5, 3, 1]] x2 = [1, 0, 9, 5]

現(xiàn)在垂直堆疊它們。

輸入：

np.vstack([x1, x2])

輸出：

array([[2, 4, 3, 7],[2, 5, 3, 1],[1, 0, 9, 5]])

你可以把它們疊成你想要的次數(shù)。

輸入：

np.vstack([x1, x2, x2])

輸出：

array([[2, 4, 3, 7],[2, 5, 3, 1],[1, 0, 9, 5],[1, 0, 9, 5]])

讓我們做一些水平堆疊。我們需要行數(shù)相同的數(shù)組。

“x1”有2行。用它做一個數(shù)組。

輸入：

np.array(x1)

輸出：

array([[2, 4, 3, 7],[2, 5, 3, 1]])

生成另一個數(shù)組“x3”。

輸入：

x3 = np.ones((2,3)) x3

輸出：

array([[1., 1., 1.],[1., 1., 1.]])

水平堆疊

輸入：

np.hstack([x1, x3])

輸出：

array([[2., 4., 3., 7., 1., 1., 1.],[2., 5., 3., 1., 1., 1., 1.]])

連接

另一種添加列或行的方法。但與堆疊相反，這次我們需要兩個相同維度的數(shù)組。記住，當(dāng)我們進行垂直堆疊時，我們有一個二維和一維列表。

這是我在這個例子中的兩個列表。

x1 = [[2, 4, 3, 7], [2, 5, 3, 1]] x2 = [[1, 0, 9, 5]]

concatenate操作

輸入：

np.concatenate((x1, x2), axis=0)

輸出：

array([[2, 4, 3, 7],[2, 5, 3, 1],[1, 0, 9, 5]])

現(xiàn)在，水平連接。但我們需要兩個行數(shù)相同的數(shù)組。

x3 = [[2,4], [7,5]]

連接x1和x3。

輸入：

np.concatenate((x1, x3), axis=1)

輸出：

array([[2, 4, 3, 7, 2, 4],[2, 5, 3, 1, 7, 5]])

追加、插入、刪除和排序

你可能知道這些行動的函數(shù)。

append

輸入：

np.append([2,3], [[4,5], [1, 3]])

輸出：

array([2, 3, 4, 5, 1, 3])

輸入：

np.append([2, 3, 1], [[4, 5], [1,3]])

輸出：

array([2, 3, 1, 4, 5, 1, 3]

我們在這些例子中沒有提到任何軸心。所以，默認(rèn)情況下，它們?nèi)≥S1，或者在列方向或水平方向。現(xiàn)在，在垂直方向執(zhí)行追加操作。

輸入：

np.append([[1,3,5], [4,3,6]], [[1,2,3]], axis=0)

輸出：

array([[1, 3, 5],[4, 3, 6],[1, 2, 3]])

Insert

這次我們將在某個位置插入一個元素。從一個新數(shù)組開始。

輸入：

a = np.array([[2, 2], [3, 4], [5, 6]]) a

輸出：

array([[2, 2],[3, 4],[5, 6]])

在數(shù)組的開頭插入元素5。

輸入：

np.insert(a, 0, 5)

輸出：

array([5, 2, 2, 3, 4, 5, 6])

首先，理解輸入。在(a，0，5)中，a是數(shù)組，0是要插入元素的位置，5是要插入的元素。

注意，插入是如何發(fā)生的。首先，二維數(shù)組a被展平成一維數(shù)組。然后在索引0處添加5。

我們也可以沿著軸插入。

輸入：

np.insert(a, 0, 5, axis=1)

輸出：

array([[5, 2, 2],[5, 3, 4],[5, 5, 6]])

看，一列5被添加到數(shù)組'a'中。我們也可以添加一行5。

輸入：

np.insert(a, 0, 5, axis=0)

輸出：

array([[5, 5],[2, 2],[3, 4],[5, 6]])

Delete

我會像以前一樣做一個新的數(shù)組。

輸入：

a= np.array([[1,3,2,6], [4,1,6,7], [9, 10, 6, 3]]) a

輸出：

array([[ 1, 3, 2, 6],[ 4, 1, 6, 7],[ 9, 10, 6, 3]])

輸入：

np.delete(a, [1, 2, 5])

輸出：

array([ 1, 6, 4, 6, 7, 9, 10, 6, 3])

與插入操作一樣，刪除操作也會使數(shù)組變平。在輸入[1,2,5]中是要刪除的索引列表。為了清楚地看到它，讓我們展平原始數(shù)組'a'。

輸入：

a.flatten()

輸出：

array([ 1, 3, 2, 6, 4, 1, 6, 7, 9, 10, 6, 3])

現(xiàn)在檢查一下，索引1、2和5的元素都被刪除了。

與插入類似，我們可以刪除特定的行或列。

刪除列索引1。

輸入：

np.delete(a, 1, 1)

輸出：

array([[1, 2, 6],[4, 6, 7],[9, 6, 3]])

在輸入(a，1，1)中，a是數(shù)組，1是要刪除的列的索引，最后一個1是軸。

輸入：

np.delete(a, 1, 0)

輸出：

array([[ 1, 3, 2, 6],[ 9, 10, 6, 3]])

Sort

數(shù)組“a”：

array([[ 1, 3, 2, 6],[ 4, 1, 6, 7],[ 9, 10, 6, 3]])

輸入：

np.sort(a)

輸出：

array([[ 1, 2, 3, 6],[ 1, 4, 6, 7],[ 3, 6, 9, 10]])

看，它是雙向排列的。我們可以指定軸并按特定軸排序。

輸入：

np.sort(a, axis=None)

輸出：

array([ 1, 1, 2, 3, 3, 4, 6, 6, 6, 7, 9, 10])

當(dāng)軸為“None”時，它展平數(shù)組并進行排序。現(xiàn)在，按軸0和軸1排序。

輸入：

np.sort(a, axis=0)

輸出：

array([[ 1, 1, 2, 3],[ 4, 3, 6, 6],[ 9, 10, 6, 7]])

輸入：

np.sort(a, axis=1)

輸出：

array([[ 1, 2, 3, 6],[ 1, 4, 6, 7],[ 3, 6, 9, 10]])

Flip

它確實像聽起來那樣。翻轉(zhuǎn)數(shù)組和行。

這是該數(shù)組。

arr

輸出：

array([[ 1, 2, 3, 4],[ 5, 6, 7, 8],[ 9, 10, 11, 12]])

現(xiàn)在，沿軸0和1的方向翻轉(zhuǎn)該數(shù)組。

輸入：

np.flip(arr, 0)

輸出：

array([[ 9, 10, 11, 12],[ 5, 6, 7, 8],[ 1, 2, 3, 4]])

輸入：

np.flip(arr, 1)

輸出：

array([[ 4, 3, 2, 1],[ 8, 7, 6, 5],[12, 11, 10, 9]])

隨機

Numpy有很好的隨機數(shù)生成功能。它們在機器學(xué)習(xí)、研究或統(tǒng)計方面非常有用。這里有一些例子。

輸入：

np.random.rand()

輸出：

0.541670003513435

它生成一個介于0到1之間的數(shù)字。我們可以從這樣的隨機數(shù)中得到一個數(shù)組或矩陣。

輸入：

np.random.rand(3)

輸出：

array([0.6432591 , 0.78715203, 0.81071309])

輸入：

np.random.rand(2, 3)

輸出：

array([[0.91757316, 0.74438045, 0.85259742],[0.19826903, 0.84990728, 0.48328816]])

它不一定是從0到1的數(shù)字。我們可以生成隨機整數(shù)。

輸入：

np.random.randint(25)

輸出：

20

它產(chǎn)生了一個0到25范圍內(nèi)的隨機數(shù)。我們可以指定要生成多少個數(shù)字。

輸入：

np.random.randint(1, 100, 10)

輸出：

array([96, 44, 90, 13, 47, 16, 9, 46, 49, 20])

在這里，我們要求Numpy生成10個介于1到100之間的數(shù)字。

現(xiàn)在，生成1到100范圍內(nèi)的3x3矩陣。

輸入：

np.random.randint(1, 100, (3,3))

輸出：

array([[25, 80, 42],[95, 82, 66],[64, 95, 55]])

你可以提供一個數(shù)組，并要求Numpy使用你提供的數(shù)組中的數(shù)字生成一個3x3矩陣，而不是一個范圍。

輸入：

np.random.choice([1,2,3,4,5,6,7,8,9,10], size=(3,3))

輸出：

array([[ 7, 9, 2],[ 6, 4, 6],[ 3, 10, 6]])

另一個有用的函數(shù)是“shuffle”。讓我們做一個新的數(shù)組并進行shuffle。

輸入：

a = np.array([3,6,3,1,0, 11]) np.random.shuffle(a) a

輸出：

array([ 3, 0, 6, 3, 11, 1])

聽著，我們有相同的元素，只是在shuffle后重新排列。

保存、加載和導(dǎo)入文件

我們可以將數(shù)組“arr”保存在一個文件中。

輸入：

np.save('arrfile', arr)

這里，我們正在生成一個名為“arrfile”的文件來保存數(shù)組“arr”。文件將以“.npy”擴展名保存。

我們可以加載該文件并將其帶回來繼續(xù)使用該數(shù)組，

輸入：

np.load('arrfile.npy')

輸出：

array([[ 1, 2, 3, 4],[ 5, 6, 7, 8],[ 9, 10, 11, 12]])

我們可以使用Numpy作為數(shù)組導(dǎo)入CSV文件或文本文件。我在Jupyter Notebook相同的文件夾中有一個名為'Cartwheeldata.csv“，我編寫了這些示例。現(xiàn)在，在這里導(dǎo)入該文件。

輸入：

filedata = np.genfromtxt('Cartwheeldata.csv', delimiter=',') filedata=filedata.astype('int32') filedata

輸出：

我在這里展示數(shù)組的一部分。因為文件很大。所以，這是關(guān)于那個文件的部分信息。

這些類型的數(shù)組在機器學(xué)習(xí)中非常有用。

結(jié)論

這就是我想在本文中分享的所有Numpy函數(shù)。Numpy是個大庫。它有很多可用的方法。但是這些函數(shù)應(yīng)該足夠適合日常使用。

原文鏈接：https://towardsdatascience.com/an-ultimate-cheat-sheet-for-numpy-bb1112b0488f

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎勵來咯，堅持創(chuàng)作打卡瓜分現(xiàn)金大獎

總結(jié)

以上是生活随笔為你收集整理的numpy 平方_Numpy的终极备忘录的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。