NumPy是机器学习中最常用的计算科学库，今天就来看看吧

NumPy简单介绍

• NumPy的简单介绍：
  1. NumPy是机器学习中一个数据分析的核心基础库；
  2. NumPy中最核心的数据类型就是NumPy数组（类似于MatLab中的矩阵），要求这个数组中的数据的数据类型必须保持一致；
  3. 底层使用C、C++，Forturn语言实现，所以运算的效率是非常高的；
• NumPy的主要内容：
  1. NumPy数组的初始化；
  2. 花式索引，即高阶数组索引；
  3. 随机数组的生成

NumPy数组的使用：

1. NumPy数组的初始化：同一个NumPy数组中数据的数据类型最好保持一致：

   • 1维数组：

     import numpy as np
     arr1 = np.array([1, 2, 3, 4, 5]) # type(arr1)=numpy.ndarray(n dimension array)
     arr2 = np.array((1, 2, 3, 4, 5))
     

     • 即使使用元组的方式创建一个数组，那么最终会自动转化成列表的形式
   • 2维数组：

     import numpy as np
     arr1 = np.array(<list>) 
     arr2 = np.array(<list>)
     

   • 初始化的时候给定数据类型

     arr = np.array(<list>, dtype=int) 
     

     • 其中dtype可以是：bool，int，float，str，np.float32，np.float64，np.int32，np.int64···
     • 生成一个新的数组返回
   • 使用已经存在的NumPy数组初始化一个新的NumPy数组

     arr = np.asarray(<nd-array>[, dtype=<data-type>]) 
     

     • 如果<nd-array>和dtype都是一样的，就不会生成一个新的NumPy数组
   • 使用astype生成新的NumPy数组

     arr = <nd-array>.astype(<type>) 
     

   • 生成全0/1的NumPy数组

     arr = <nd-array>.zeros/ones(<shape>) 
     

     • 这里的<shape>本质上就是一个n维元组，而且这个元组的括号必须带上
   • 按照区间与步长结合生成NumPy数组

     arr = np.arange([<start>, ]<end>[, <step>]) 
     

     • 需要知道的是这个arange方法支持浮点数的生成
     • arange生成也是前闭后开的
   • 按照区间与生成个数结合生成NumPy数组

     arr = np.linespace([<start>, ]<end>[, <shape>]) 
     

     • linespace生成也是前闭后也是闭的
     • <shape>默认是50
   • 随机生成数组

     arr = np.random.rand(<shape>) # 均匀分布
     arr = np.random.randn(<shape>) # 高斯分布
     

2. NumPy数组的运算：

   • 给ndarray的每个元素加一个数字a

     arr = <nd-array> + a
     

     • 列表是不支持这个列表+数字操作的；
   • 两个维度一样的ndarray相加：

     arr = <nd-array1> + <nd-array2>
     

     • 列表支持列表+列表的操作，其结果就是把两个列表的一级元素重新组合成一个新的列表；而两个维度一样的ndarray相加的结果就是这两个数组对应位置的数字相加形成新的数组，维度与其父母保持一致；
   • 给ndarray的每个元素乘以一个数字a：

     arr = <nd-array> * a
     

     • 列表是支持这个列表*数字操作,其结果就是a个列表相加的结果，而NumPy数组与一个数字相乘的结果是这个NumPy数组的每个元素乘以这个数字得到的结果；
   • 两个维度一样的ndarray相乘：

     arr = <nd-array1> + <nd-array2>
     

     • 列表不支持支持列表*列表的操作；而两个维度一样的ndarray相乘的结果就是这两个数组对应位置的数字相乘形成新的数组，维度与其父母保持一致；

3. NumPy数组的常用属性、方法：

   • 获取NumPy数组的行列数：

     <nd-array>.shape
     np.shape(<list>/<scalar>)
     

   • 获取NumPy数组的维数：

     <nd-array>.ndim
     

     • 当参数为<scalar>的时候，返回的结果是一个空元组；
   • 获取NumPy数组中数据的数据类型：

     <nd-array>.dtype
     

   • 获取NumPy数组中每个元素个数 ？？？高维？？？：

     <nd-array>.size
     np.size(<list>)
     

   • 获取NumPy数组中每个元素所占字节数：

     <nd-array>.itemsize
     

   • 获取NumPy数组所占字节数：

     <nd-array>.nbytes
     

   • 替换NumPy中的元素为一个新值：

     <nd-array>.fill(<new-value>)
     

   • 如果NumPy数组中的元素为一个虚数，获取其实部和虚部：

     <nd-array>.imag
     <nd-array>.real
     

   • 特殊值：无穷大和不是一个数字：

     np.inf # 无穷大
     np.nan # 不是一个数字
     

   • 特殊值：无穷大和不是一个数字：

     np.inf # 无穷大
     np.nan # 不是一个数字
     

   • NumPy数组求和：
     1. 全部的和

        <nd-array>.sum()
        

     2. 所有列的和

        <nd-array>.sum(axis=0)
        

     3. 所有行的和

        <nd-array>.sum(axis=1)
        

   • NumPy数组求积：

     <nd-array>.prod([axis=<num>])
     

   • NumPy数组最小值：

     <nd-array>.min([axis=<num>])
     

   • NumPy数组求最大值：

     <nd-array>.max([axis=<num>])
     

   • NumPy数组求每行(1)/列(0)最大值的位置：

     <nd-array>.argmax([axis=<num>])
     

   • NumPy数组求每行(1)/列(0)最小值的位置：

     <nd-array>.argmax([axis=<num>])
     

   • NumPy数组求平均值：

     <nd-array>.mean([axis=<num>])
     

   • NumPy数组的转置：

     <nd-array>.T
     

4. 索引和切片

   • 索引和切片的方式和列表用法一样，也有不一样的地方：
     1. 使用列表的方式访问多维数组

        <nd-array>[<dimension1>, <dimension2>, ...]
        

     2. 获取二维数组的第n列数据

        <nd-array>[:, n]
        

     3. 给已有的二维数组<nd-array>添加维度：

        <nd-array>[:, :, None]
        

     4. 花式索引(Fancy Indexing)：一次性从nd-array中根据索引获取多个值

        // TODO
        

5. NumPy数组的遍历：

   • 普通的遍历

     for ele in <nd-array>:
         <for-body>
     

   • n维NumPy数组全元素遍历：

     for idx, ele in np.ndenumerate<nd-array>:
         <for-body>
     

6. 两个NumPy数组的拼接：

   • 使用concatenate行(axis=0)/(axis=0)列拼接：

     np.concatenate(<nd-array1>, <nd-array2>, [axis=<axis-value>])
     

     • 注意，两个数组进行拼接的时候需要注意：若进行拼接，则列数必须相等，列拼接行数则必须相等；
   • 使用vstack(行：垂直拼接)/hstack(列：水平拼接)拼接：

     np.vstack(<nd-array1>, <nd-array2>) # 类似SQL中的 union
     np.hstack(<nd-array1>, <nd-array2>) # 类似SQL中的join
     np.dstack(<nd-array1>, <nd-array2>) # 结果是一个三维的变化结果，后面有时间讲解
     

7. NumPy数组的数学运算：

   • NumPy数组的普通运算：

     <nd-array1> +/-/*/／/**/% <num>
     

   • NumPy数组作为矩阵的乘法：

     <nd-array1>.dot(<num>/<nd-array2>)
     <nd-array1> @ (<num>/<nd-array2>) # 与.dot的结果一样，Python3以后支持
     

   • NumPy数组的一些数学函数：

     np.cos(<nd-array>)
     np.cos(<nd-array>)
     np.aqrt(<nd-array>)
     ...
     

     • 注意， math模块的函数是无法直接作用于NumPy数组的

8. NumPy数组的逻辑运算：

   • NumPy数组的普通逻辑运算：

     <nd-array1> >/>=/</<= <num>
     

     • 注意，逻辑运算的结果是一个数组，不能直接结合if使用，但是可以通过一些函数如：if np.all/any/allclose(<nd-array-logic-expression>)这种方式使用；

9. NumPy数组的广播机制：

   • 目前还不是很明白，研究明白之后补吧

     // TODO