8.1、numpy

本质是多维数组对象

list 类型转为 numpy 数组 更有利科学计算

8.1.1、为什么用 numpy？

1.虽然Python数组结构中的列表list实际上就是数组，但是列表list保存的是对象的指针，list中的元素在系统内存中是分散存储的，例如[0,1,2]需要3个指针和3个整数对象，浪费内存和计算时间。

2.NumPy数组存储在一个均匀连续的内存块中，访问更快；NumPy中的矩阵计算可以采用多线程的方式，计算更快。

结论：numpy 可提供高性能的矩阵运算，作为数组 numpy 提供了许多方便统计计算的功能，数组结构为ndarray。

numpy 和 list 有什么区别？

从存储数据来看，numpy 存储的是矩阵，list 存储的是序列

下面举个例子

li = [1,2,3,4]

Out: [1, 2, 3, 4]

arr = np.array(li)

Out: [1 2 3 4]

8.1.2、numpy 数据类型推理

numpy 会对数据类型进行推理，规则：转为适用性更强的数据类型。

下面举个例子：

为什么会进行数据类型推理？

numpy 适合处理统一的数值数组数据，数据类型推理就是为了保证数值类型统一。

8.1.3、numpy 指定长度数组快速创建

”零矩阵“

np.zeros()
np.zeros((3,4))
np.zeros((1,3,4))
np.zeros((1,1,3,4))

超出二维后的形式，以np.zeros((1,3,4))为例，嵌套1层，层内3行4列；

array([[[0., 0., 0., 0.],
     [0., 0., 0., 0.],
     [0., 0., 0., 0.]]])

(1,1,3,4)相比(1,3,4)，增加一维，多嵌套一层：

array([[[0., 0., 0., 0.],
     [0., 0., 0., 0.],
     [0., 0., 0., 0.]]])

(2,1,3,4)相比(1,1,3,4)，数值增加，平行矩阵增加：

array([[[[0., 0., 0., 0.],
      [0., 0., 0., 0.],
      [0., 0., 0., 0.]]],


    [[[0., 0., 0., 0.],
      [0., 0., 0., 0.],
      [0., 0., 0., 0.]]]])

补充：

”1矩阵“

np.ones((row,col))

8.1.4、numpy 哪个是行、列？

最后两组数为行和列。

倒是第一组为列，倒数第二组为行（若存在）

8.1.5、numpy 如何进行数据类型转换？

arr = np.array([1.1,1.2,-1,-3.3])

以 arr 为例，将 arr 内的数据类型转为 int32：

arr.astype(np.int32)

8.1.6、numpy 有几种乘法？

四种。

1）星乘（*）

数组的对应元素相乘

arr1 * arr2

2）点乘（np.dot）

就是矩阵乘法

a = np.array([...])
b = np.array([...])
np.dot(a,b)

3）叉乘（np.cross）、外乘（np.outer）

细说NumPy数组的四种乘法的使用

8.1.7、numpy 索引和切片操作

举个例子：

补充：

花式索引

通过整型数组进行索引

花式索引为什么有两层中括号？

以数组对象 arr 为例，向arr[]中传入数组作为参数，所以才有了两个中括号

在机器学习中常通过使用花式索引来打乱数据集的样本顺序，避免机器学习模型学习到样本的位置噪声，对于监督学习的数据集如果打乱了样本还需要打乱相对应的标签值，样本与标签都是一一对应的关系，使用花式索引能够轻松的解决。

注意，这里有一个问题：

arr = np.arange(12).reshape((3,4))
print(arr[[0,2]])

Out：

[[ 0  1  2  3]
[ 8  9 10 11]]

换一个写法，将 reshape 拆开，无法得到想要的结果（尚不知具体原因）：

8.1.8、numpy 比较运算

names = np.array(['名字1','名字2','名字3'])
sex = np.array(['M','F'])

这里举几个 and、or 的例子：

(names == '名字4') & (sex == 'M')

Out：array([False, False, False])

(names == '名字1') | (names == '名字5')

Out：array([ True, False, False])

8.1.9、numpy 如何指定行列？

arr = np.arange(16)

以 arr 为例，整成 4行4列：

arr.reshape(4,4)

Out：

array([[ 0,  1,  2,  3],
 [ 4,  5,  6,  7],
 [ 8,  9, 10, 11],
 [12, 13, 14, 15]])

8.1.10、numpy 如何转置？

比 list 强大之处，举个例子：

arr = np.arange(24).reshape((3,8))

arr.T#转置

Out：

array([[ 0,  8, 16],
 [ 1,  9, 17],
 [ 2, 10, 18],
    [ 3, 11, 19],
    [ 4, 12, 20],
    [ 5, 13, 21],
    [ 6, 14, 22],
    [ 7, 15, 23]])

补充：

轴转置

arr 为三维矩阵，初始时刻存在的三个轴下标分别0、1、2，基于下标完成轴转置，如下图：

8.1.11、numpy where 函数

res = [x if c else y for x,y,c in zip(x_arr,y_arr,conditon)]#list对象
res = np.array(res)#numpy对象

等价表示

res = np.where(condition,x_arr,y_arr) #返回numpy对象

若条件 condition 成立，取 x_arr，否则取 y_arr 。

8.1.12、 numpy 如何值替换？

arr = np.random.randn(4,4)# 4*4随机矩阵

利用8.1.11提到的where函数，实现值替换，举个例子，将正数替换为5，负数为-5：

arr = np.where(arr>0,5,-5)

8.1.13、numpy 数学运算

1）生成随机矩阵

例如生成一个4*4随机矩阵：

arr = np.random.randn(4,4)

2）平均值、求和

以 arr 对象为例：

arr.mean()#对所有元素
arr.mean(axis = 0)#对各行
arr.mean(axis = 1)#对各列

arr.sum()

3）排序

以 arr 对象为例：

arr.sort()：返回的是原数组的“视图”，而不是copy

np.sort(arr)：返回的是原数组的copy， 而不是“视图”，当有保留原 arr 需求时用这个