飞桨“PaddlePaddle”实践学习笔记
numpy是一个高性能的科学计算和数据分析基础包，在现在的数据分析领域有很多应用
跟着飞桨学习深度学习实战过程中涉及很多numpy的知识，整理学习笔记打卡记录
numpy的使用
1 多维数组
1.1 创建多维数组
常用的创建方法是使用numpy中的array方法
import numpy as np
a=np.array([1,2,3])
在这里首先进行正常的导入包，使用as重命名为np，方便调用
随后使用array方法，传入了一个列表，创建一个一维数组【1，2，3】赋值给变量a
同样的，我们可以改变参数值的列表数量创建高维数组
a=np.array([1,2,3],[4,5,6])
这里默认import语句的作用范围是全文的，所以下文不再重复引用
在这里我们传入两个列表，所以创建了一个两行三列的二维数组。赋值给a
对于全零或者全一等特殊数组，我们可以使用numpy提供的方法直接创建
np.ones([2,3]) #使用ones（维度）方法创建一个两行三列的全1数组，默认浮点数类型
np.zeros([3,4]) #使用zeros（维度）方法创建一个3行4列的全0数组
a=np.empty([2,3]) #使用empty（维度）方法创建一个2行3列的随机值数组
b=np.empty([3,4])
c=np.empty([4,5])
最后三行分别创建了三个二维数组，理论上内部是随机值，但是我们输出之后会发现一个很有趣的现象，数组a全是1.，数组b全是0，只有数组c是随机数，这里就涉及python内存调用的关系，在已经储存了满足维度要求的数组时，就不再产生随机数组，而是直接调用，比如第一行我们创建了维数【2，3】的全1.数组，再次要求创建维数【2，3】的随机数组时，就不会再创建，直接调用了第一行的结果，同样的，b赋值也是直接调用了第二行的全零数组，只有c赋值时，前文没有创建【4，5】维数的数组，才会生成随机数数组
1.2 多维数组常用属性
既然是属性，所以下面提到的这些是直接用“·”操作符获取而不用加括号的，不要和常用的方法记混。
1.2.1 ndim
返回数组维度，即二维数组返回 2，三维数组返回3
1.2.2 shape
返回数组维数，或者说是形状也行，2行3列就是（2，3）
1.2.3 size
返回数组元素个数
1.2.4 dtype
返回元素类型，默认用array创建时不声明类型就是默认浮点数，或者可以用dtype=np.int32等缺省参数声明类型
1.2.5 itemsize
返回元素字节大小计算方法是类型位数除以8，比如类型是float64，那元素字节就是64/8=8，如果是int32，那就是32/8=4
1.2.6 代码示例
a=np.array([1,2,3],[4,5,6])
print(a.ndim) #输出2
print(a.shape) #输出（2，3）
print(a.size) #输出6
print(a.dtype) #输出dtype（‘float64’）
print(a.itemsize) #输出8
a=np.ones([2,3],dtype=np.int32) # 规定数据类型为int32
print(a.dtype) # 输出dtype（‘int32’）
print(a.itemsize) # 输出4
1.2.7 数组的打印
可以通过print直接打印
1.3 多维数组基本操作
1.3.1 数组的算数运算
数组能够直接进行加减乘除运算，对应的结果是数组中对应位置元素的加减乘除结果
a=np.array([1,2,3])
b=np.array([4,5,6])
print(a+b)
print(a-b)
print(a*b)
print(a/b)
对于矩阵来说，虽然表达形式上和多维数组相似，但是意义不同，矩阵也不存在除法运算，乘法运算的机制也不一样，即点积，用dot方法实现 ，而对于数组与常数（或者称之为标量）的加减乘除运算，也是直接对应个位置元素和常数的加减乘除运算
a=np.array([1,2,3])
b=np.array([4,5,6])
c=a.dot(b)
print(c)
print(1+a)
print(a-1)
print(a*2)
print(a/2)
输出如下图
1.3.2 数组的自身运算
- min找出最小值，
- max找出最大值，
- sum求和，
三者都可以参数传入axis=0或者1指定行或者列，0的时候计算每一列，1的时候计算每一行；
- exp对元素进行指数运算，
- sqrt对元素进行平方根运算，
- square对元素进行平方运算，
三者都是np的方法，操作的数组作为参数传入，下面可以结合示例理解一下
d=np.array([[1,2,3],[4,5,6],[7,8,9]])
print(d.min())
print(d.min(axis=0))
print(d.min(axis=1))
print(d.max())
print(d.sum())
print(d.sum(axis=0))
print(np.exp(d))
print(np.sqrt(d))
print(np.square(d))
1.3.3 随机数组
这个随机数组就是真正意义的随机了，不像empty方法会重复利用内存
- seed： 随机因子，如果代码中确定了随机因子，那么随机的结果就确定了，再次执行不会改变值
- rand： 生成0，1范围内满足均匀分布的随机样本
- randn： 生成平均值为零且方差为1的正态分布随机样本
- randint：在给定范围内生成类型为整数的随机样本数
- binomial：生成指定维度满足二项分布的样本
- beta：生成指定维度满足beta分布的样本
- normal：生成指定维度满足高斯正态分布的样本
np.random.seed(42)
print(np.random.rand(2,3))
print(np.random.randn(2,3))
print(np.random.randint(1,10))
print(np.random.binomial(6,1))
print(np.random.beta(2,3))
print(np.random.normal(2,3))
1.3.4 索引，切片和迭代
对于一维数组来说，索引的相关操作和列表类似，对于高维数组来说，索引的参数个数拓展到多维，比如对一维数组a[0:4]这个操作就是输出前四个数，那么二维数组就要拓展到a[0:2,1:3]这个操作就是对于第一维（行）0：2选取前两行，对于第二维（列）1：3选取第1，2列，就相当于只选取了前两行的1，2列这四个元素
结合运行结果理解一下
对于迭代来说二维数组会有两层for循环，这时我们可以用数组的flat方法使其扁平化，
for i in d:
for ii in i:
print(ii)
#以上操作等同于扁平化在一维操作
for i in d.flat:
print(i)
注意扁平化之后是一个迭代器，而不是直接的一维数组，所以不能够直接进行数组的操作