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.full((2,3)，10)' \
'在2行3列中所有元素都為10'
########numpy生成陣列,4到10取步長為2的陣列
t3=np.arange(4,
10,2)
print
(t3)
#########使用numpy檢視陣列中的資料型別
print
(t3.dtype)
##########numpy中的資料型別,dtype設定資料型別
t4=np.array(
range(1
,4),dtype=
float
)print
(t4)
t5=np.array([1
,2,3
,0],dtype=
bool
)print
(t5)
##########numpy中的調整資料型別
t6=t5.astype(
"int32"
)print
(t6)
##########numpy中的小數
t7=np.array(
[random.random(
)for i in
range(10
)])print
(t7)
##########將t7中的數字取兩位小數
t8=np.
round
(t7,2)
print
(t8)
print
("************************************"
)#####numpy陣列的形狀
##########重新定義乙個陣列的形狀
a1=np.arange(12)
a2=a1.reshape(3,
4)'a2=a1.reshape((3,4),order='f')' \
'按照'
print
(a2)
a3=a1.reshape(2,
3,2)
'塊數，每一塊中的3行數，列數每一行的個數'
print
(a3)
#原地操作 ，輸出結果為null
a4=a3.reshape(2,
3,2)
#((24,1))24行
#（（1，24））24列
print
(a3.shape)
'a3.shape(2,3)' \
'是指對a3陣列進行原地的操作'
#行數*列數
a6=a3.reshape(a3.shape[0]
*a3.shape[1]
*a3.shape[2]
)print
(a6)
#############將陣列中的所有元素轉換為一行
a5=a3.flatten(
)print
(a5)
print
("**************numpy中的陣列計算***********"
)#廣播，對陣列進行計算，其中每乙個元素都會計算
b1=a3
print
(a3+2)
#0/0為nan,不是乙個數值
b2=np.arange(
100,
112)
.reshape((2
,3,2
))print
(b2)
print
(b1+b2)
#當陣列的形狀一樣的時候，對應數字相互計算
#當維度不一樣的時候，進行行列對比，有相同維度的進行計算，沒有相同的就報錯
#廣播原則
#[3,3,3]和[3,2]不能計算
#[3,3,2]和[3,2]可以計算
#####上課補充：
#檢視每一行的長度
a1.strides
十二 機器學習之路 numpy庫
寫在前面 這篇部落格內容介紹的比較簡單的基本知識，適合python和機器學習零基礎的人看，如果讀者對numpy比較了解的話，可以pass。numpy numpy是python的乙個科學計算的庫，提供了矩陣運算的功能，之前提到的梯度下降法每次迭代都需要遍歷所有的資料，大大降低的程式的運算速度，如果換成...
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，...
機器學習預備 numpy
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...