从头开始学人工智能day03

从头开始学人工智能

第三天，加深numpy学习

之所以这里是第三天，是因为昨天比赛去了，然后成绩嘛！咳咳咳，不是很理想，昨天总结反思了一下，调整一下学习方式和方向，争取后面的比赛赛出成绩！在哪里跌倒就不能在同一个地方跌倒两次！毕竟咋是程序猿，啥问题没碰见过！好吧，我们接着学习这玩意！

接着上次的继续！现在是array合并操作了

array纵向合并

arrA = np.array([1,2,3])
arrB = np.array([4,5,6])

nums = np.vstack([arrA,arrB])
print(nums)

这里的vstack函数就是将两个数组上下合并，不过注意的是，这里合成出来是矩阵，所以两个数组要等长！然后参数的话是一个复合型的数据类型，也就是说数据不一定一致，而且合并的个数也可以不定下来！

arrA = np.array([1,2,3,4])
arrB = np.array(['hapi',5,6,5])
arrC = np.array([7,8,9,10])

# nums = np.vstack([arrA,arrB])
nums = np.vstack([arrA,arrC,arrB])
print(nums)

合并顺序也是按照序列来合并的！

array横向合并

arrA = np.array([1,2,3])
# arrB = np.array(["hello",4,5])
arrN = np.array([11,21,31])
arrC = np.array([4,5,6,7])

nums = np.hstack((arrA,arrN,arrC))
print(nums)

这里简单说一下就好，长度不用等长，原因也很明显，这都横向合并了，长度本来就在改变，还在乎一个长度不等长吗？其他都差不多，之所以有一个arrB在这，大家可以想想，和上面数据有什么不同！

array转置为矩阵

changeNum1 = nums[np.newaxis,:]
changeNum2 = nums[:,np.newaxis]
print(changeNum1)
print(nums.shape)
print(changeNum1.shape)

print("---------------------------------")
print(changeNum2)
print(nums.shape)
print(changeNum2.shape)

这里的nums就是上面的数组

可以对比一下，这里的转置有什么不同，对于np.newaxis,:是横向转置，也就是一个横向的矩阵（1*10），而另一个就是:,np.newaxis是纵向的，生成的是一个（10*1）的矩阵!

矩阵横向合并

arr1 =np.array([1,2,3])
arr2 = np.array([4,5,6])

nums1 = arr1[np.newaxis,:]
nums2 = arr2[np.newaxis,:]

print(nums1)
print(nums2)
result = np.concatenate([nums1,nums2],axis=1)
print(result)

横向合并嘛，意思很明确，就是加列，这里注意的是两个转置矩阵的行数得是相同的，可想而知，加列嘛，肯定每一列的数字是一样多的吧！

矩阵纵向合并

result = np.concatenate([nums1,nums2],axis=0)

这里注意的就是，原来的矩阵列数是相同的！

矩阵等量切分

nums = np.arange(1,17,1).reshape(4,4)
print(nums)

print(np.split(nums,2,axis=0))
print(np.split(nums,4,axis=1))

先上结果

参数是values,切的对象是谁？几等分？在什么方向上？

这就很容易理解了！切完还是矩阵！注意的是，等分就是等分，别来小数，简单数学！

这有点麻烦！

print(np.vsplit(nums,2))
print(np.hsplit(nums,4))

上面提到合并，这里就可以拆分！和np.split一致

矩阵不等量分割

print(np.array_split(nums, 5, axis=1))

这里不能在细分了，直接用空的来凑数，多了的话先前面的合并一起显示出来！后面的轮不到！

这里一个小小的底层问题

copy和=的区别

在=的基础上，多少个对象都是会有关联的！

而copy才会是生成一个新的数据出来

nums = np.arange(1, 17, 1).reshape(4, 4)
print(nums)

temp = nums

temp[0][1] = 0
print(nums)

这类似啥！引用数据对象吧！也就是硬链接！

nums = np.arange(1, 17, 1).reshape(4, 4)
print(nums)

temp = np.copy(nums)
temp[0][1] = 0
print(temp)
print(nums)

这就是一个新的对象，与之前的数据是一个软连接！

广播机制

a = np.array([[0, 0, 0],
           [10, 10, 10],
           [20, 20, 20],
           [30, 30, 30]])
b = np.array([0, 1, 2])
print(a + b)

不难发现，这里的每一行都加上了b数组的值！也就是两个数组的横方向上的维度是一致的话，就会向列维度高的维度去广播运算！

常用函数总结

数字出现次数

arr = np.array([1,2,0,2,3,9,6,5,8])
print(np.bincount(arr))

0出现一次，所以第一个数就是1，以此类推！

好吧！这里我就是小白！等我啃啃底层继续学习！

总结

基本的numpy就要到这里结束了！但这才是人工智能的第一步，也将是成就自己的第一步，多多巩固，这不是网文，而是名著，需要细细品味，反复琢磨！接下来还有一场比赛，日程的话我也要做调整了，不在同一地方摔两次！这地方就是比赛！之前计划一个项目在刚刚结束比赛后也要上了！不过，时间就是用来规划的！一起努力！！！

记录于 2022 04 10