机器学习python基础(二)numpy(一)

文章目录

  • numpy.arrary
    • python 自带list
    • python自带array
    • numpy的array
  • 创建numpy.array
    • 普通创建numpy.array方法
    • zeros
    • ones
    • full
    • arange
    • linspace
    • randint
    • seed
    • random
    • normal

这篇为numpy第一篇,讲解创建。
导入numpy并查看版本:
机器学习python基础(二)numpy(一)_第1张图片

numpy.arrary

此处讲解为什么要用numpy的array。

python 自带list

python自带的list可以存不同的类型,灵活度高:
机器学习python基础(二)numpy(一)_第2张图片
python自带list可以存储不同的数据类型,这样虽然灵活,但是会影响效率。下面介绍另外一个。

python自带array

python也是带有array数组的,可以指定数据类型,解决了list的效率问题。下面就是指定类型为整型:
机器学习python基础(二)numpy(一)_第3张图片
可以看到,只能修改数据为整型,为浮点型都会报错:
机器学习python基础(二)numpy(一)_第4张图片
但是array也有一个缺点,它没有将数据当做向量或者矩阵,不支持基本运算,机器学习里面需要大量的这种计算。于是我们介绍numpy的array:

numpy的array

机器学习python基础(二)numpy(一)_第5张图片
可以看到,numpy的array也是有指定类型的。
查看数组里面数据的类型用dtype:
在这里插入图片描述
numpy的array如果把float类型的数据赋值给int,虽然不会报错,但是float的精度体现不到,还是精确到int个位数,类型依然是int。
机器学习python基础(二)numpy(一)_第6张图片
如果实在定义numpy array数组的时候,有float类型的,那就按照精度最高的作为类型,如下图:
在这里插入图片描述

创建numpy.array

普通创建numpy.array方法

在这里插入图片描述

zeros

创建初始化为0的数据,默认浮点数。
创建10个数据初始化为0的数据:
机器学习python基础(二)numpy(一)_第7张图片
创建3行5列的数据
机器学习python基础(二)numpy(一)_第8张图片

ones

创建初始化为1的数据,默认为浮点数
机器学习python基础(二)numpy(一)_第9张图片

full

我们直接看API吧:
机器学习python基础(二)numpy(一)_第10张图片
其实就是填充特定值的数据:
机器学习python基础(二)numpy(一)_第11张图片

arange

机器学习python基础(二)numpy(一)_第12张图片
简单的来说,就是根据间隔,左闭右开地生成array,例如:
在这里插入图片描述
并且不推荐非整型的间隔:
机器学习python基础(二)numpy(一)_第13张图片
但是在0和1之间的就可以:
在这里插入图片描述
不指定步长的情况下,步长默认为1,不指定开头,开口默认为0:
机器学习python基础(二)numpy(一)_第14张图片

linspace

这是一个左闭右闭区间产生array的方法:
机器学习python基础(二)numpy(一)_第15张图片
例子如下:
机器学习python基础(二)numpy(一)_第16张图片
在这里,后面的数字不是步长,而是分成的段数。

randint

产生0,10之间的随机数:
在这里插入图片描述
产生10个0,10之间的随机数:
在这里插入图片描述
产生特定维度的随机数:
机器学习python基础(二)numpy(一)_第17张图片

seed

通过随机种子,我们可以保证每次产生的随机数是一样的。

机器学习python基础(二)numpy(一)_第18张图片

random

返回0-1之间左闭右开区间的随机值
机器学习python基础(二)numpy(一)_第19张图片
例子如下:
机器学习python基础(二)numpy(一)_第20张图片

normal

产生正态分布的随机数
机器学习python基础(二)numpy(一)_第21张图片
例子如下:
机器学习python基础(二)numpy(一)_第22张图片
解锁更多np.random的方法,在jupyter里面输入np.random.+键即可。

你可能感兴趣的:(python,机器学习)