python基础学习2【numpy生成数组+random随机数生成+索引+拼接+切割【jupyter学习】】

接上一期jupyter结尾的一小部分：

这四个用好了，排版得好你的代码看起来就像一篇文章一样~

导出功能：

NumPy数值计算基础

NumPy数组对象ndarray（存储单一数据类型的多维数组）:

属性	说明
ndim	返回int，表示数组的维数。
shape	返回tuple，表示数字的尺寸。
size	返回int，表示数组的元素总和。
dtype	返回data-type。
itemsize	返回int。

数组创建：numpy.array()

例如，多维数组的创建：

numpy生成数组的方式：

①np.linspace()【等差】（生成的是浮点数，若需要整型，需要手动指定数据类型-->  'dtype = int'）

np.linspace(0,10,10,endpoint=False)

②np.logspace()【等比】

np.logspace(0,10,10,endpoint=False,base=2)

np.linspace()与np.logspace()之间的关系：（放两张图品味一下）

10**np.linspace(0,10,10,endpoint=False)

③np.zeros()【生成全是0的数组，只有一个参数shape】

np.zeros(2)

跟她用法差不多的还有np.ones:【直接看图，一看就懂】

④np.eye()对角矩阵

np.eye(9,k=-3)

跟它类似的还有np.diag():

数组数据类型转化:

生成随机数的常用四种方式

①random.random(),无约束条件下生成0~1的随机数：

np.random.random(size=(2,3))

②random.rant(),生成服从均匀分布的随机数：

np.random.rand(2,3,2)

在深度学习的Dropout正则化方法中，可以用于生成dropout随机向量（dl），例如（keep_prob表示保留神经元的比例）：dl = np.random.rand(al.shape[0],al.shape[1]) < keep_prob

③random.randn(),生成服从正态分布的随机数：

np.random.randn(2,3,2)

④np.random.randint(),生成指定范围内的随机数：

np.random.randint(0,10,size=(2,3))

数组的索引：

一维数组

二维数组：

变换数组形态：

矩阵合并：【horizontal水、vertical垂】