引入
import numpy as np
numpy 資料結構-ndarray
numpy 使用的陣列類是 ndarray
一些重要屬性如下：
ndarray.ndim 維數
ndarray.shape 返回(n, m)，n行 m列
ndarray.dtype 型別
numpy 資料結構-mat
mat是ndarray的派生，進行矩陣運算比ndarray方便
a=np.mat(『4 3; 2 1』)
a=np.mat(np.array([[1,2],[3,4]]))
mat 的*過載為矩陣乘法
求逆a.i
numpy.inf
numpy.nan
numpy.e
numpy.pi
a = np.array([2
,3,4
])a = np.array([[
1,1]
,[1,
1]])
#指定型別
np.array([[
1,2]
,[3,
4]], dtype=
complex
)np.zeros((3
,4))
np.ones((2
,3,4
), dtype=np.int16 )
np.empty((2
,3))
#值不初始化，為記憶體亂值
#建立數字序列
np.arange(10,
30,5)
#array([10, 15, 20, 25])
np.arange(15)
.reshape(3,
5)#array([[ 0, 1, 2, 3, 4],
# [ 5, 6, 7, 8, 9],
# [10, 11, 12, 13, 14]])
全部型別
常見操作符均已過載，其中注意：*分配成了逐一乘（matlab中.*），矩陣乘法採用np.dot(a, b)
拷貝：d = a.copy()
在不同陣列型別之間的操作，結果陣列的型別趨於更普通或者更精確的一種
array的索引，切片和迭代與python同
切片
上下拼接
np.vstack((a,b))
左右拼接
np.hstack((a,b))
ufuncs.html
當向量和矩陣結構不匹配響應運算時，會啟用廣播規則處理,可認為是一種自動補全機制
axis=0，對每列操作
axis=1，對每行操作
如對
若x為(n,)
sorted_indices = np.argsort(x)#根據x產生公升序排序索引
sorted_indices = np.argsort(-x)#根據x產生降序排序索引
這樣使用sorted_indices 來排序其他array
若y為(n,m)
y=y[sorted_indices,:]
python機器學習 Numpy
numpy是python語言的乙個擴充程式庫。支援高階大量的維度陣列與矩陣運算，此外也針對陣列運算提供大量的數學函式庫。numpy內部解除了python的pil 全域性直譯器鎖 運算效率極好,是大量機器學習框架的基礎庫 arr np.array 1 2,3 4,5 arr.shape 顯示的是維數，...
機器學習入門 numpy學習
numpy的基本使用 ndarray支援並行化運算 向量化運算 numpy內建了並行運算功能，當系統有多個核心時，做某種計算時，numpy會自動做平行計算 效率遠高於純python numpy底層使用c語言編寫，內部解除了gil 全域性直譯器鎖 其對陣列的操作速度不受python直譯器的限制，所以，...
機器學習 numpy庫的學習
import numpy as np import random 處理數值型的資料 使用numpy生成陣列，型別為ndarray t1 np.array 1 2,3 print t1 print type t1 t2 np.array range 10 print t2 full填充元素 np.fu...