机器学习笔记_1_Numpy

Posted 数据门徒

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习笔记_1_Numpy相关的知识,希望对你有一定的参考价值。

目录:

三、Numpy矩阵基础

四、Numpy常用函数

五、矩阵常用操作

六、不同复制操作对比


————————————————


三、Numpy矩阵基础

矩阵多条件判断

a = numpy.array([5101520])print((a== 10) & (a== 5)) #与判断 print((a== 10) | (a== 5)) #或判断#结果[False False False False] [ True True False False]

矩阵转换类型

a = numpy.array(["1", "2", "3"])print(a.dtype) #查看类型print(a)a= a.astype(float) #转化为浮点数类型print(a.dtype) #查看类型print(a)#结果 可以看到类型被改变了<U1['1' '2' '3']float64[1. 2. 3.]

矩阵内置属性

a = numpy.array([5, 10, 15, 20])a.sum()a.min()a.max()#结果50520

按行按列求和

a = numpy.array([ [5, 10, 15],  [20, 25, 30], [35, 40, 45] ])a.sum(axis=1# 按行求和a.sum(axis=0# 按列求和#结果array([ 30, 75, 120])array([60, 75, 90])


四、Numpy常用函数

import numpy as np#arange函数用于创建等差数组print(np.arange(15))a = np.arange(15).reshape(35) #将15个值转化为35列的矩阵print(a)#结果 [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14] #np.arange(15)[[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14]] np.arange(a,b,c) 则为从a至b(不到b),间隔为c的单维矩阵np.arange( 10305 )#结果 array([10, 15, 20, 25])  a.ndim #查看维度 a.dtypy.name #查看类型名称 a.size #一共多少个元素
 np.zeros((5,6)) #构造元素都是0的5*6矩阵 #结果 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.], [0., 0., 0., 0., 0., 0.]])
np.ones( (2,3,4), dtype=np.int32) #构建一个所有元素都为1 的 2* 3*4的3维矩阵,类型为int#结果array([[[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]],
[[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]]])


#随机模块 从-1到+1之间的取值np.random.random((2,3))#结果array([[0.73941608, 0.31957374, 0.59207097], [0.08465104, 0.12047998, 0.57432004]])


#linspace 区间均分函数np.linspace(0,10,5)  #0到10均分到5个值#结果array([ 0. , 2.5, 5. , 7.5, 10. ])


#数学运算a = np.array( [20,30,40,50] )b = np.arange( 4 )print(a) print(b)c = a-bprint(c)b**2print(b**2)print(a<35)
#结果[20 30 40 50] #a [0 1 2 3] #b [20 29 38 47] #a与b对应位置相减[0 1 4 9] #b每一个值平方[ True True False False] #判断


#矩阵乘法A = np.array( [[1,1], [0,1]] )B = np.array( [[2,0], [3,4]] )print(A)print('------')print(B)print('------')print(A*B) #对应位置相乘 点乘print('------')print(A.dot(B)) #矩阵乘法 方式一print('------')print(np.dot(A, B)) #矩阵乘法 方式二

#结果[[1 1] [0 1]] #A ------[[2 0] [3 4]] # B------[[2 0] [0 4]] # 点乘------[[5 4] [3 4]] #矩阵乘法 ------[[5 4] [3 4]] #矩阵乘法

以上是关于机器学习笔记_1_Numpy的主要内容,如果未能解决你的问题,请参考以下文章

机器学习算法_knn(福利)

Python学习笔记5 转载基本矩阵运算_20170618

《机器学习实战》笔记——逻辑回归

第十节,机器学习策略

机器学习随手笔记

机器学习随手笔记