三、机器学习基础知识：Python常用机器学习库（Numpy第一部分）

1、Numpy定义

Numpy是Numberical Python的简称，是用来进行高性能计算与分析的基础包，是Python中重要的扩充库。它支持高维度数组与矩阵运算，也针对数组运算提供了大量的数学函数库。Numpy运算效率极好，是大量机器学习框架的基础库。
使用Numpy，开发人员可以很方便地执行数组运算、逻辑运算、傅里叶变换和图形图像操作。Numpy数组地运算效率优于Python的标准List类型，而且在代码中使用Numpy可以省去很多繁琐的操作语句，代码更将简洁。
一般使用如下方式引入Numpy库：

import numpy as np

2、ndarray对象

Numpy的强大功能在于底层的ndarray结构，该结构可以生成N维数组对象。
ndarray对象是一系列同类型数据的集合，下标索引从0开始，是一个用于存放同类型元素的多维数组。ndarray中的每个元素在内存中都具有相同大小的存储区域。
ndarray可以通过对数组建立索引或切片来访问数组内容，也可以使用ndarray的方法和属性来访问和修改ndarray内容。
ndarray中的相关属性如下：

1. shape（数组形状）：表示数组各维大小的整数元组。
2. dtype（数据类型）：描述数组的类型对象。
3. data（数组数据）：一个指向内存中数据的指针。
4. strides（跨度）：表示当前维度移动到下一个位置需要跨越的字节数，即当前维度的宽。
5. order（数组顺序）：访问数组元素的主顺序，“C”为行主序，“F”为列主序。

在Numpy模块中，提供了ndarray()和array()两个函数，都可以用来建立一个ndarray。其中ndarray函数属于底层的方法，一般都是使用darray()函数进行创建，创建的语法格式如下：

numpy.array(object,dtype=None,copy=True,order=None,subox=False,ndmin=0)

参数介绍：

1. object：数组或嵌套的数列。
2. dtype：数组元素的数据类型。可选。
3. order：创建数组的样式，C为行方向，F为列方向，A为任意方向（默认）。
4. ndmin：指定所生成数组应具有的最小维度。
   数组的创建与基本操作：

import numpy as np
a = np.array([1,2,3])  #创建一维数组并输出
print(a)
print(type(a))

a = np.array([[1,2],[3,4]]) #创建二维数组并输出
print(a)
print(a.shape)

a = np.array([1,2,3,4],ndmin=2) #创建数组并设置数组的最小维度为2
print(a)

a = np.array([1,2,3,4],dtype=np.complex128) #创建数组并设置其数组数据类型为complex128
print(a)

3、Numpy数据类型

Numpy内置了24种数组标量类型，也支持Python的基本数组类型。

名称	描述
bool_	布尔型，True或False
int8	有符号字节类型，范围为-128~127
int16	有符号16位整数，范围为-32768~32767
int32	有符号32位整数
int64	有符号64位整数
unit8	无符号字节类型，范围为0~255
unit16	无符号16位整数，范围为0~65535
unit32	无符号32位整数
unit64	无符号64位整数
float_	64位浮点数，同float64
float16	16位浮点数
float32	32位浮点数
float64	64位（双精度）浮点数
complex_	128位复数，同complex128
complex64	64位复数
complex128	128位复数

对于每种数据类型，Numpy还提供了同名的类型函数，如float16()、int32()等，可以用来创建该类型的数据对象，也可以用来转换数据对象的数据类型。
类型函数的使用：

x=np.int32(2)
print('x为：',x)
print('x对象的data属性：',x.data)
print('x对象的size属性：',x.size)
print('x对象的维数：',x.ndim)
y=np.bool_(x)
print('转换为bool类型的x为：',y)
z=np.float16(y)
print('转换为folat16类型的y为：',z)

除了类型函数外，通常情况下一般建议使用Numpy种的dtype对象指定数据类型。
构建dtype对象的语法如下：

numpy.dtype(object,align,copy)

相关参数属性如下：

1. object：要转换为dtype对象的数据对象。
2. align：如果为True，则填充字段使其类似C的结构体。
3. copy：指明是否复制dtype对象，如果为False，则是对内置数据类型对象的引用。

使用dtype对象设置数据类型：

x=np.int32(1)
y=np.array(x,dtype="bool_")
print('转换为bool类型的x为：',y)
z=np.array(y,dtype="float16")
print('转换为folat16类型的y为：',z)

有些数据类型有简写，例如int8，int16，int32，int64四种数据类型可以使用字符串’i1’,‘i2’,‘i4’,'i8’简写代替。
使用i4字符串代替int32类型：

dt=np.dtype('i4')
print(dt)

在数组建立之后，也可以使用Numpy中数组附带的astype()方法修改其数据类型。语法格式如下：

array.astype(dtype,order='K'.casting='unsafe',subok=True,copy=True)

使用astype()修改数据类型：

x=np.int32(1)
y1 = x.astype("float32")
print('转换为folat32类型的x为：',y1)
y2 = x.astype(np.float32)
print('转换为folat32类型的x为：',y2)

在上述语句中x.astype(float)和x.astype(np.float)运行结果相同。常见的Python对象与Numpy对象的对应表如下，其他数据类型没有与Python等效的对应表。

Python对象	dtype对象
int	numpy.int_
bool	numpy.bool_
float	numpy.folat_
complex	numpy.complex_

4、Numpy数组类型

在Numpy数组中，常用的术语主要有两个。
(1）轴(Axis)：每个线性数组称为一个轴，轴即数组的维度(Dimensions)。例如，将二维数组看作一维数组，此一维数组中每个元素又是一个一维数组，则每个一维数组是NumPy 中的一个轴。第一个轴相当于底层数组,第二个轴是底层数组中的数组。
(2）秩(Rank）：秩描述 NumPy 数组的维数，即轴的数量。一维数组的秩为 1，二维数组的秩为 2，以此类推。
例如[0,1,2]是一维数组，只有一个轴，其秩为1，轴长度为3。[[1,2,3],[3,4,5]]是一个二维数组，数组的秩为2，具有两个轴，其中第一个轴(维度)的长度为2,第二个轴(维度)的长度为3。
在使用的时候可以声明 axis。如果axis=0，表示按第0轴方向操作，即对每列进行操作；如果 axis=1，表示按第1轴方向操作，即对每行进行操作。
使用axis参数进行轴向操作：

arr1=np.array([[1,2,3],[4,5,6]]) 
print(arr1)
print(arr1.sum(axis=0)) #进行垂直（列）方向的求和
print(arr1.sum(axis=1)) #进行行方向的求和

此外在Numpy中ndarray具有关于数组的相关基本属性，可以通过相关参数进行查看，常见属性如下：

参数	属性
ndarray.ndim	秩、轴的数量
ndarray.shape	数组的形状
ndarray.size	数组元素的总个数
ndarray.dtype	数组元素类型
ndarray.itemsize	每个元素的大小
ndarray.data	实际数组元素

上述相关参数的使用：

arr2=np.array([[1,2,3],[4,5,6]]) 
print(arr2.ndim) #显示轴的数量
print(arr2.shape) #显示形状
arr2.shape=(3,2) 
print(arr2) #调整形状
print(arr2.size) #显示元素总个数
print(arr2.dtype) #显示数组元素类型
print(arr2.itemsize) #显示每个元素大小
print(arr2.data)  #显示实际数组元素

此外还可以使用reshape函数对数组进行变形重构，调整数组形状，其语法格式如下：

numpy.reshape(arr,newshape,order='C')

使用reshape调整数组形状：

arr3 = np.array([1,2,3,4,5,6,7,8])
print(arr3.ndim) #显示秩
arr4 = arr3.reshape(2,2,2)
print(arr4)
print(arr4.ndim) #显示秩

后续内容：
三、机器学习基础知识：Python常用机器学习库（Numpy第二部分）