机器学习（一）：numpy
一、numpy的介绍
1.ndarray的介绍
ndarray是一个n维数组类型，用ndarray进行存储数据
2.ndarray的使用
导入numpy包： import numpy as np
创建ndarray数组： 数组名 = np.array([[数组]，[数组]，[数组]])
ndarray对比python的优势： 运行与计算速度比python快，底层是用c语言写的，不受python解释器限制
3.ndarray的属性
4.ndarray的形状
有一维数组，二维数组，三维数组等类型，他们都有不同的形状
主要是看np.darray的中括号数量可以判断是几维数组
5.ndarray的类型
当你需要指定数组的类型的时候，可以在数组后面跟上dtype= np. int/float/bool/string
二、创建数组
1.创建0,1数组与固定范围数组
创建数组： 数组名 = np.ones（[数组行列]） / 数组名 = np.zeros（[数组行列]）
创建相同类型的数组： 数组名 = np.ones_like(其他数组名) / 数组名 = np.zeros_like(其他数组名)
2.从现有数组中生成
深拷贝： np.array(已经生成的数组a)
将数组重新拷贝到一块代码中去
浅拷贝： np.asarray(已经生成的数组a)
将数组指针直到已经生成的数组中去，相当于指向了一个索引
3.生成固定范围的数组（等差数组与等比数组）
创建指定数量的等差数组： np.linspace(初始值，结束值，生成的个数 （默认50） )
创建指定步长的等差数组： np.arange(起始值，终止值，步长 (默认为1))
创建指定数量的等比数组： np.logspace(起始值，终止值，生成的个数) 指10的几次方
4.生成随机数组
4.1 正态分布
μ 代表分布的左右（正数为右，负数往左） 平均值
σ 代表走线的高低（越小峰值越高，越大峰值越低）方差
标准正态分布： μ = 0，σ = 1时为标准正态分布
4.2 生成正态分布数组
创建正态分布数组： 数组名 = np.random.normal(均值（μ），标准差（σ），生成的个数) 生成的个数也可以设置为几行几列
4.3 均匀分布
创建均匀分布数组： np.random.uniform(下限，上限, 生成的个数）
三、数组的索引和切片
1.数组的索引
举例：
二维数组的索引，score[0,[0:3]] 在score数组中选取第0行的第0到第2个数据（数据遵循前开后闭原则）
三维数组的索引，score[0,1,2] 在score数组中选取第0个数组块，第2个数组单元里面的第三个数据
2.数组形状的修改
①数组名.reshape([几行几列]) 其中行列可以写-1代表目前还不知道写几行或者几列，交给计算机处理
②数组名.resize([几行几列]) 这是直接修改数组的代码，用完之后直接改变数组
③数组名.T 数组进行转置
3.数组类型的修改
数组名.astype(想修改的数组类型)
4.数组的去重
np.unique（数组名）
四、ndarray的运算
1.逻辑运算
例如：score > 60 可以直接做bool类型的判断
赋值运算：score[score > 60]= 1,将所有大于60的数变为1
2.通用判断函数
np.all()： 要求必须要全部满足才可以
np.any()： 只需要有一个满足条件就可以
3.三元运算符
①np.where（判断条件，就怎么样，否则怎么样）
②np.logical_and() 逻辑且运算
③np.logical_or() 逻辑或运算
注：①可以与②③连起来使用，例如np.where(np.logical_and(t>1),1,0)
4.统计运算
求最大值： np.max(数组名，axis= 0 按行看最大值 )
求最小值： np.min(数组名， axis= 1 按列求最大值 )
求平均值： np.mean(数组名)
求最大值是第几个数字： np.argmax(数组名，axis=)
求最小值是第几个数字： np.argmin(数组名，axis=)
5.矩阵运算
矩阵相乘：
np.dot(矩阵1，矩阵2)
np.matmul(矩阵1，矩阵2) matmul不支持矩阵与标量的乘积