房产网站源码wordpress北京seo优化排名

一、numpy是什么？

1. numpy是一个开源的python科学计算库，用于处理任意维度的数组。
2. numpy用ndarray处理多维数组。

import numpy as np
np.array创建数组

3. 机器学习数据量很大，ndarray速度快。
4. ndarray的优势：
   • 内存块风格，一体式存储，数据类型一样（存储数据地址连续，直接存取，不需要找地址）；
   • 支持并行化运算；
   • 效率高于python

二、N维数组

数组属性

.shape
.ndim 数组维数
.size 元素数量
.itemsize 元素字节大小
.dtype 元素类型

import numpy as np
a = np.array(["python","hello","i"],dtype = np.string_)
#指定类型

三、数组基本操作

1. 生成数组

（1）0，1数组，固定范围数组

import numpy as np
#生成0、1数组
ones = np.ones([4,8])
np.zeros_like(ones)
#生成现有数组
a = np.array([[1,2,3],[4,5,6]])
a1 = np.array(a)#深拷贝
a2 = np.asarray(a)#浅拷贝
a[0,0]=1000###a1不变；a2改变
#生成固定范围数组
np.linspace(0,100,10)#等差数组，指定差值
np.arange(10,50,2)#等差数组,指定步长
np.logspace(0,2,3)#10的次方

(2) 正态分布

import numpy as np
import matplotlib.pyplot as plt
#生成正太分布
x1 = np.random.normal(1.75,1,1000)
plt.figure(figsize=(20,8),dpi=100)
plt.hist(x1,100)
plt.show()

(3) 均匀分布

import numpy as np
import matplotlib.pyplot as plt
#生成正太分布
x1 = np.random.uniform(-1,1,1000)
plt.figure(figsize=(20,8),dpi=100)
plt.hist(x2,100)
plt.show()

2. 数组的索引、切片
   对象[:,:] 先行后列

3. 数组的形状修改
   （1）reshape 展成一行，重新排列
   （2）resize
   （3）T 转置

4. 数组的类型修改

ndarray.astype(type)
ndarray.tostring()

5. 数组的去重

np.unique()

四、数组的运算

1. 逻辑运算
   大于小于和赋值。
   大于号可以直接判断数组里的值，赋值在判断结果说赋值

#生成10名同学，5门功课的数据
score=np.random.randint(40,100,(10,5))
#取出最后4名同学的成绩，
用于逻辑判断
test_score = score[6:,0:5]
#逻辑判断，如果成绩大于60就标记为True否则为False
test_score > 60
array([[True,True,True,False,True],
[True,True,True,False,True],
[True,True,False,False,True],
[False,True,True,True,True]])
#B00L赋值，将满足条件的设置为指定的值-布尔索引
test_score[test_score > 60] = 1
test_score
array([1,1,1,59,1],
[1,1,1,59,1],
[1,1,44,44,1],
[59,1,1,1,1]])

2. 通用函数
   np.all, np.any

#判断前两名同学的成绩[0：2，：]是否全及格
np.all(score[0:2,:]>60)
False
#判断前两名同学的成绩[0：2，：]是否有大于90分的
np.any(scoret[0:2,:]>90)
True

3. 数组与数值运算，对数组中所有值都与数值运算；注意，对列表运算，乘积会复制粘贴
4. 数组与数组运算
   广播机制：数组在进行矢量化运算时，要求数组的形状是相等的。当形状不相等的数组执行算术运算的时候，就会出现广播机制，该机制会对数组进行扩展，使数组的shape属性值一样，这样，就可以进行矢量化运算了。下面通过一个例子进行说明：

arr1=np.array([[0],[1],[2],[3])
arr1.shape
#(4,1)
arr2 np.array([1,2,3])
arr2.shape
#（3,)
arrl+arr2
#结果是
array([[1,2,3],
[2,3,4],
[3,4,5],
[4,5,6])

广播机制实现了时两个或两个以上数组的运算，即使这些数组的shape不是完全相同的，只需要满足如下任意一个条件即可。

• 数组的某一维度等长。
• 其中一个数组的某一维度为1。

广播机制需要扩展维度小的数组，使得它与维度最大的数组的shape值相同，以便使用元素级函数或者运算符进行运算。