👂 小宇（治愈版） - 刘大拿 - 单曲 - 网易云音乐
目录
一，安装
二，Numpy使用示例
（一）Numpy数组的创建和访问
1，创建和访问Numpy的一维数组和二维数组
2，Numpy数组的数据来源：Python列表
（二）Numpy的计算功能
1，Numpy数组的计算
2，创建矩阵和矩阵乘法
3，矩阵运算初步
全书400页，理论，代码各占一半，可以说，理论就是服务于代码的，实操性极强
当然，都是基础的代码，不过有一定难度，毕竟很厚，而一学期只有17周，每周4节课
如果想学有所成，单靠上课肯定不够的
老师说的是，平时作业必须有效果实现
大作业必须有较复杂的实现，可以通过准备人工智能比赛，作为大作业提交内容
边学边敲边参加比赛才是这门课的特色
一，安装
首先百度搜索anaconda清华镜像，第一个点进去，有个什么安装包，就是点第一个链接
然后下载anaconda，注意是Anaconda3-2019.10-Windows-x86_64.exe这个版本，也就是书里代码的版本
不要下最新的
下完后，点击“开始”，点击Anaconda Navigater，再点Jupyter Notebook，就开始在弹出来的浏览器敲代码了
当然，我一开始谈出的是HTML的visual studio，把里面url的网址粘贴复制到自己浏览器就好
二，Numpy使用示例
（一）Numpy数组的创建和访问
就是个简单的记录，一开始的内容非常简单，无非是python基础+import各种库
1，创建和访问Numpy的一维数组和二维数组
import numpy as np #导入numpy模块，指定别名为np
data = np.array([1,2,3,4,5,6,7,8,9]) #创建一个numpy一维数组
print('Numpy的一维数组：\n{0}'.format(data)) #数组内容
print('数据类型：%s'%data.dtype) #数组元素的数据类型
print('1维数组中各元素扩大10倍：\n{0}'.format(data*10))
print('访问第2个元素：{0}'.format(data[1])) #索引从0开始
data = np.array([[1,3,5,7,9],[2,4,6,8,10]]) #创建一个2行5列的numpy二维数组
print('Numpy的2维数组：\n{0}'.format(data))
print('访问二维数组中第1行第2列元素：\n{0}'.format(data[0,1])) #二维数组需要两个索引，逗号分隔
print('访问二维数组中第1行第2至第4列元素：\n{0}'.format(data[0,1:4])) #代表行和列
print('访问二维数组中第1行上的所有元素：\n'.format(data[0,:]))Numpy的一维数组：
[1 2 3 4 5 6 7 8 9]
数据类型：int32
1维数组中各元素扩大10倍：
[10 20 30 40 50 60 70 80 90]
访问第2个元素：2
Numpy的2维数组：
[[ 1 3 5 7 9]
[ 2 4 6 8 10]]
访问二维数组中第1行第2列元素：
3
访问二维数组中第1行第2至第4列元素：
[3 5 7]
访问二维数组中第1行上的所有元素：.dtype是Numpy数组的属性之一，用于存储数组元素的数据类型
2，Numpy数组的数据来源：Python列表
列表中元素数据类型可以不同，但Numpy数组的元素数据类型必须相同
以下代码创建列表，并将列表转化为Numpy数组
data = [[1,2,3,4,5,6,7,8,9],['A','B','C','D','E','F','G','H','I']] #创建Python二维列表
print('data是Python的列表(list)：\n{0}'.format(data))
MyArray1 = np.array(data) #列表转化为Numpy数组
print('MyArray1是Numpy的N维数组：\n%s\nMyArray1的形状：%s'%(MyArray1, MyArray1.shape)) #数组内容和形状data是Python的列表(list)：
[[1, 2, 3, 4, 5, 6, 7, 8, 9], ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I']]
MyArray1是Numpy的N维数组：
[['1' '2' '3' '4' '5' '6' '7' '8' '9']
['A' 'B' 'C' 'D' 'E' 'F' 'G' 'H' 'I']]
MyArray1的形状：(2, 9)1，(2, 9)表示2行9列
2，第3行列表转数组时，由于数组要求数据类型一致，自动将数值型 --> 字符型
3，.shape是Numpy数组对象的属性之一，用于存储数组的行数和列数
（二）Numpy的计算功能
1，统计量 2，新变量 3，矩阵计算
1，Numpy数组的计算
MyArray2 = np.arange(10) #生成0至9的一维数组
print('MyArray2：\n{0}'.format(MyArray2))
print('MyArray2的基本描述统计量：\n均值：%f，标准差%f，总和：%f，最大值：%f'%(MyArray2.mean(),MyArray2.std(),MyArray2.sum(),MyArray2.max()))
print('MyArray2的累计和：{0}'.format(MyArray2.cumsum())) #累计和
print('MyArray2开平方：{0}'.format(np.sqrt(MyArray2))) #开平方
np.random.seed(123) #指定随机数种子
MyArray3 = np.random.randn(10) #符合正态分布
print('MyArray3：\n{0}'.format(MyArray3))
print('MyArray3排序结果：\n{0}'.format(np.sort(MyArray3))) #排序
print('四舍五入到最近整数：\n{0}'.format(np.rint(MyArray3))) #四舍五入
print('各元素的正负号：\n{0}'.format(np.sign(MyArray3))) #判断正负符号
print('各元素非负显示"正"，负数显示"负"：\n{0}'.format(np.where(MyArray3>0,'正','负')))
print('MyArray2+MyArray3的结果：\n{0}'.format(MyArray2+MyArray3)) #相加MyArray2：
[0 1 2 3 4 5 6 7 8 9]
MyArray2的基本描述统计量：
均值：4.500000，标准差2.872281，总和：45.000000，最大值：9.000000
MyArray2的累计和：[ 0 1 3 6 10 15 21 28 36 45]
MyArray2开平方：[0. 1. 1.41421356 1.73205081 2. 2.23606798
2.44948974 2.64575131 2.82842712 3. ]
MyArray3：
[-1.0856306 0.99734545 0.2829785 -1.50629471 -0.57860025 1.65143654
-2.42667924 -0.42891263 1.26593626 -0.8667404 ]
MyArray3排序结果：
[-2.42667924 -1.50629471 -1.0856306 -0.8667404 -0.57860025 -0.42891263
0.2829785 0.99734545 1.26593626 1.65143654]
四舍五入到最近整数：
[-1. 1. 0. -2. -1. 2. -2. -0. 1. -1.]
各元素的正负号：
[-1. 1. 1. -1. -1. 1. -1. -1. 1. -1.]
各元素非负显示"正"，负数显示"负"：
['负' '正' '正' '负' '负' '正' '负' '负' '正' '负']
MyArray2+MyArray3的结果：
[-1.0856306 1.99734545 2.2829785 1.49370529 3.42139975 6.65143654
3.57332076 6.57108737 9.26593626 8.1332596 ]1，np.range()生成指定范围取值的一维数组
2，.mean()计算数组元素的均值
.std()标准差，.sum()总和，.max()最大值
3，数组方法.cumsum()累加和
4，Numpy函数sqrt()开平方
5，Numpy函数seed()指定随机数种子（保证随机数不同）
6，Numpy函数random.randn()生成包含n个符合正态分布元素的一维数组
7，numpy.sort()排序，numpy.rint()四舍五入，numpy.where()依次对数组元素逻辑判断
2，创建矩阵和矩阵乘法
机器学习数据建模过程中，常见的运算
np.random.seed(123)
X = np.floor(np.random.normal(5, 1, (2, 5))) #得到2行5列二维数组X（矩阵）
Y = np.eye(5) #5行5列单位矩阵Y
print('X：\n{0}'.format(X))
print('Y：\n{0}'.format(Y))
print('X和Y的点积：\n{0}'.format(np.dot(X, Y))) #矩阵乘积X：
[[3. 5. 5. 3. 4.]
[6. 2. 4. 6. 4.]]
Y：
[[1. 0. 0. 0. 0.]
[0. 1. 0. 0. 0.]
[0. 0. 1. 0. 0.]
[0. 0. 0. 1. 0.]
[0. 0. 0. 0. 1.]]
X和Y的点积：
[[3. 5. 5. 3. 4.]
[6. 2. 4. 6. 4.]]1，numpy.random.normal(5, 1, (2, 5))生成2行5列，均值5，标准差1的服从正态分布的数组元素
2，numpy.floor()得到距各元素最近的最大整数
3，numpy.eye(n)生成n行n列单位矩阵
4，numpy.dot(X, Y)计算矩阵X和Y的矩阵乘积
3，矩阵运算初步
只能说跟着敲完一遍，让自己写还是写不出来，还得背
除了矩阵的乘法，矩阵中还有其他重要的矩阵运算，
比如矩阵的逆，特征值，特征向量，奇异值分解...
from numpy.linalg import inv,svd,eig,det #导入numpy的linalg模块的函数
X = np.random.randn(5,5) #生成5行5列符合正态分布的矩阵
print(X)
mat = X.T.dot(X) #X.T是X的转置, .dot(X)转置后结果与X相乘
print(mat)
print('矩阵mat的逆：\n{0}'.format(inv(mat))) #inv矩阵的逆
print('矩阵mat的行列式值：\n{0}'.format(det(mat))) #det行列式值
print('矩阵mat的特征值和特征向量：\n{0}'.format(eig(mat))) #eig特征值和对应的特征向量
print('对矩阵mat作奇异值分解：\n{0}'.format(svd(mat))) #svd对矩阵进行奇异值分解
知识点在注释里
