Python机器学习——numpy

Python机器学习——numpy

---

---

前言

在机器学习中，我们要面临大量的数学公式，掌握好的工具可以使我们更好的将理论用于实战。接下来我们粗略的了解什么是Numpy。

---

一、numpy是什么？

NumPy（Numerical Python）是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix）），支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。菜鸟教程链接: link.

二、使用步骤

1.引入库

代码如下：

import numpy as np

2.NumPy Ndarray 对象

创建一个 ndarray 只需调用 NumPy 的 array 函数即可：

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

名称	描述
object	数组或嵌套的数列
dtype	数组元素的数据类型，可选
copy	对象是否需要复制，可选
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）
subok	默认返回一个与基类类型一致的数组
ndmin	指定生成数组的最小维度

例如：

import numpy as np
a = np.array([1,2,3]) #一维array
b = np.array([[1,2],[3,4]]) #二维array

2.NumPy 矩阵对象

创建一个 ndarray 只需调用 NumPy 的 mat 函数即可,例如：

import numpy as np
a = np.mat([[1,2],[3,4]])
b = np.mat([[1,2,3,4]])
c = np.mat([[1],[2],[3],[4]])

对应于：

$$a=\left[\begin{array}{cc}1& 2\\ 3& 4\end{array}\right],b=\left[\begin{array}{cccc}1& 2& 3& 4\end{array}\right],c=\left[\begin{array}{c}1\\ 2\\ 3\\ 4\end{array}\right]$$
numpy已经为我们实现了对矩阵的各种操作，常见的有：

2.1 矩阵转置（T）

import numpy as np
a = np.mat([[1,2],[3,4]])
a_t = a.T

$$a\_t=\left[\begin{array}{cc}1& 3\\ 2& 4\end{array}\right]$$

2.2 矩阵求逆（I）

import numpy as np
a = np.mat([[1,2],[3,4]])
a_i = a.I

$$a\_i=\left[\begin{array}{cc}-2& 1\\ 1.5& -0.5\end{array}\right]$$

2.3 矩阵乘法（dot）

import numpy as np
a = np.mat([[1,2],[3,4]])
b = np.mat([[2,3],[4,5]])
c = a.dot(b)

$$c=\left[\begin{array}{cc}10& 13\\ 22& 29\end{array}\right]$$

2.4 访问矩阵

2.4.1 访问第i行第j列的值（i,j从0开始）

import numpy as np
a = np.mat([[1,2],[3,4]])
print(a[0,1])
print(type(a[0,1]))

输出：

2
<class 'numpy.int32'>

2.4.2 遍历第i行

import numpy as np
a = np.mat([[1,2],[3,4]])
print(a[0,:])
print(type(a[0,:]))

输出：

[[1 2]]
<class 'numpy.matrix'>

2.4.3 遍历第j列

import numpy as np
a = np.mat([[1,2],[3,4]])
print(a[:,0])
print(type(a[:,0]))

输出：

[[1]
 [3]]
<class 'numpy.matrix'>

---

总结

Numpy是python中一个强大的数值计算库，熟悉Numpy的操作可以大大简化我们的代码，使其更加整洁高效。Numpy的常见用法可以参考菜鸟教程。菜鸟教程链接: [link](https://www.runoob.com/numpy/numpy-tutorial.html).