学习目标

  • 了解Numpy运算速度上的优势
  • 知道数组的属性，形状、类型
  • 应用Numpy实现数组的基本操作
  • 应用随机数组的创建实现正态分布应用
  • 应用Numpy实现数组的逻辑运算
  • 应用Numpy实现数组的统计运算
  • 应用Numpy实现数组之间的运算

    纪要

    4.1 Numpy优势

    1.定义

    1.   开源的Python科学计算库，<br />        用于快速处理任意维度的数组<br />        Numpy中，存储对象是ndarray

    2.创建

    1.   np.array([])

    3.numpy的优势

    1.   内存块风格 -- 一体式存储<br />        支持并行化运算<br />        效率高于纯Python代码 -- 底层使用了C，内部释放了GIL

    4.2 N维数组-ndarray[**]

    1.ndarray的属性

    1.   属性名字    属性解释<br />        ndarray.shape   数组维度的元组<br />        ndarray.ndim    数组维数<br />        ndarray.size    数组中的元素数量<br />        ndarray.itemsize    一个数组元素的长度（字节）<br />        ndarray.dtype   数组元素的类型

    2.ndarray的形状

    1.   np.array()<br />            三维数组不好理解 -- excel中有多个sheet

    3.ndarray的类型

    1.   bool<br />        int<br />        float<br />        str<br />        ...<br />        注意：若不指定，整数默认int64，小数默认float64

    4.3 基本操作

    1 生成数组的方法[**]

    1.生成0和1的数组
    1.       np.ones()<br />            np.ones_like()
    2.从现有数组中生成
    1.       np.array -- 深拷贝<br />            np.asarray -- 浅拷贝
    3.生成固定范围数组
    1.       np.linspace()<br />                nun -- 生成等间隔的多少个<br />            np.arange()<br />                step -- 每间隔多少生成数据<br />            np.logspace()<br />                生成以10的N次幂的数据
    4 生成随机数组
    1.均匀分布生成
    1.           np.random.uniform()<br />                    low<br />                    high<br />                    size
    2.正态分布[**]
    1.           均值，方差<br />                均值 -- 图形的左右位置<br />                方差 -- 图像是瘦，还是胖<br />                    值越小，图形越瘦高，数据越集中<br />                    值越大，图形越矮胖，数据越分散
    3.正态分布api[*]
    1.           np.random.normal()<br />                    low<br />                    high<br />                    size

    2.数组的索引、切片[*]

    1.   直接索引<br />        先对行进行索引，再进行列索引 -- [*, #]<br />        高维数组索引，从宏观到微观

    3.形状修改[**]

    1.对象.reshape
    1.       不进行行列互换，产生新变量
    2.对象.resize
    1.       不进行行列互换,对原值进行更改
    3.对象.T
    1.       进行行列互换

    4.类型修改[*]

    1.   对象.astype()

    5.数组去重[*]

    1.   np.unique()

    4.4 ndarray运算[**]

    1.逻辑运算

    1.   大于，小于直接进行判断<br />        赋值：满足要求，直接进行赋值

    2.通用判断函数

    1.   np.all()<br />            所有满足要求，才返回True<br />        np.any()<br />            只要有一个满足要求，就返回True

    3.三元运算符

    1.   np.where()<br />            满足要求，赋值第一个值，否则赋值第二个值<br />        np.logical_and()<br />            并<br />        np.logical_or()<br />            或

    4.统计运算

    1.   min<br />        max<br />        midian<br />        mean<br />        std -- 标准差<br />        var -- 方差<br />        argmax -- 最大值下标<br />        argmin -- 最小值下标

    4.5 矩阵[*]

    1.矩阵和向量

    1.   矩阵：理解-二维数组<br />        向量：理解-一维数组

    2.加法和标量乘法

    1.   加法： 对应位置相加<br />        乘法： 标量和每个位置的元素相乘

    3.矩阵向量（矩阵）乘法[*]

    1.   [M行, N列]*[N行, L列] = [M行, L列]

    4.矩阵乘法性质

    1.   1.满足结合律，不满足交换律

    5.单位矩阵

    1.   对角线为1，其他位置为0的矩阵

    6.逆

    1.   矩阵A*矩阵B=单位矩阵I<br />        那么A和B就互为逆矩阵

    7.转置

    1.   行列互换

    4.6 数组间运算[*]

    1.数组和数字是直接可以进行运算

    2.数组和数组

    1.   需要满足广播机制<br />            维度相同<br />            shape对应位置为1

    3.矩阵乘法api

    1.   np.dot --点乘<br />        np.matmul -- 矩阵相乘<br />        注意：两者之间在进行矩阵相乘时候，没有区别<br />        但是，dot支持矩阵和数字相乘