當前位置：首頁 > 人工智能 > ChatGpt >内容正文

ChatGpt

AI基础：Numpy简易入门

發布時間：2025/3/8 ChatGpt 75 豆豆

生活随笔收集整理的這篇文章主要介紹了 AI基础：Numpy简易入门小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

本文提供最簡易的 Numpy 的入門教程，適合初學者。（黃海廣）

1.Numpy 簡易入門

NumPy（Numeric Python）提供了許多高級的數值編程工具，如：矩陣數據類型、矢量處理，以及精密的運算庫。專為進行嚴格的數字處理而產生。多為很多大型金融公司使用，以及核心的科學計算組織如：Lawrence Livermore，NASA 用其處理一些本來使用 C++，Fortran 或 Matlab 等所做的任務。

我曾經整理過兩篇關于Numpy的文章，好評如潮：

Numpy練習題100題-提高你的數據分析技能

本文總結了Numpy的常用操作，并做成練習題，練習題附答案建議讀者把練習題完成。作者認為，做完練習題，Numpy的基本操作沒有問題了，以后碰到問題也可以查這些習題。

驚為天人，NumPy手寫全部主流機器學習模型，代碼超3萬行

用 NumPy 手寫所有主流 ML 模型，普林斯頓博士后 David Bourgin 最近開源了一個非常剽悍的項目。超過 3 萬行代碼、30 多個模型。

怎么學：

先完整運行本文的代碼，預計用一天時間就夠了，再嘗試完成Numpy練習題100題，鞏固下，接著呢？可以看看上面那篇文章的大神手寫的主流機器學習模型代碼，看懂就行。

備注：本文代碼可以在github下載

https://github.com/fengdu78/Data-Science-Notes/tree/master/2.numpy

1.1 認識 NumPy 數組對象

Numpy 是一個用 python 實現的科學計算的擴展程序庫，包括：

1、一個強大的 N 維數組對象 Array；
2、比較成熟的（廣播）函數庫；
3、用于整合 C/C++和 Fortran 代碼的工具包；
4、實用的線性代數、傅里葉變換和隨機數生成函數。numpy 和稀疏矩陣運算包 scipy 配合使用更加方便。

import numpy as np # 導入NumPy工具包 data = np.arange(12).reshape(3, 4) # 創建一個3行4列的數組 data array([[ 0, 1, 2, 3],[ 4, 5, 6, 7],[ 8, 9, 10, 11]]) type(data) numpy.ndarray data.ndim # 數組維度的個數，輸出結果2，表示二維數組 2 data.shape # 數組的維度，輸出結果（3，4），表示3行4列 (3, 4) data.size # 數組元素的個數，輸出結果12，表示總共有12個元素 12 data.dtype # 數組元素的類型，輸出結果dtype('int64'),表示元素類型都是int64 dtype('int32')

1.2 創建 NumPy 數組

import numpy as np data1 = np.array([1, 2, 3]) # 創建一個一維數組 data1 array([1, 2, 3]) data2 = np.array([[1, 2, 3], [4, 5, 6]]) # 創建一個二維數組 data2 array([[1, 2, 3],[4, 5, 6]]) np.zeros((3, 4))#創建一個全0數組 array([[0., 0., 0., 0.],[0., 0., 0., 0.],[0., 0., 0., 0.]]) np.ones((3, 4))#創建全一數組 array([[1., 1., 1., 1.],[1., 1., 1., 1.],[1., 1., 1., 1.]]) np.empty((5, 2))# 創建全空數組，其實每個值都是接近于零的數 array([[ 6.95312756e-310, 2.12199579e-314],[ 2.12199579e-314, 4.94065646e-324],[ 0.00000000e+000, -7.06252554e-311],[ 0.00000000e+000, -8.12021073e-313],[ 1.29923372e-311, 2.07507571e-322]]) np.arange(1, 20, 5) array([ 1, 6, 11, 16]) np.array([1, 2, 3, 4], float) array([1., 2., 3., 4.]) np.ones((2, 3), dtype='float64') array([[1., 1., 1.],[1., 1., 1.]])

1.3 ndarry 對象的數據類型

1.3.1 查看數據類型

data_one = np.array([[1, 2, 3], [4, 5, 6]]) data_one.dtype.name 'int32'

1.3.2 轉換數據類型

data = np.array([[1, 2, 3], [4, 5, 6]]) data.dtype dtype('int32') float_data = data.astype(np.float64) # 數據類型轉換為float64 float_data.dtype dtype('float64') float_data = np.array([1.2, 2.3, 3.5]) float_data array([1.2, 2.3, 3.5]) int_data = float_data.astype(np.int64) # 數據類型轉換為int64 int_data array([1, 2, 3], dtype=int64) str_data = np.array(['1', '2', '3']) int_data = str_data.astype(np.int64) int_data array([1, 2, 3], dtype=int64)

1.4 數組運算

1.4.1 向量化運算

import numpy as np data1 = np.array([[1, 2, 3], [4, 5, 6]]) data2 = np.array([[1, 2, 3], [4, 5, 6]]) data1 + data2 # 數組相加 array([[ 2, 4, 6],[ 8, 10, 12]]) data1 * data2 # 數組相乘 array([[ 1, 4, 9],[16, 25, 36]]) data1 - data2 # 數組相減 array([[0, 0, 0],[0, 0, 0]]) data1 / data2 # 數組相除 array([[1., 1., 1.],[1., 1., 1.]])

1.4.2 數組廣播

numpy 數組間的基礎運算是一對一，也就是a.shape==b.shape，但是當兩者不一樣的時候，就會自動觸發廣播機制，如下例子：

import numpy as np arr1 = np.array([[0], [1], [2], [3]]) arr1.shape (4, 1) arr2 = np.array([1, 2, 3]) arr2.shape (3,) arr1 + arr2 array([[1, 2, 3],[2, 3, 4],[3, 4, 5],[4, 5, 6]])

到這里，我們來給出一張圖：

也可以看這張圖：

1.4.3 數組與標量間的運算

import numpy as np data1 = np.array([[1, 2, 3], [4, 5, 6]]) data2 = 10 data1 + data2 # 數組相加 array([[11, 12, 13],[14, 15, 16]]) data1 * data2 # 數組相乘 array([[10, 20, 30],[40, 50, 60]]) data1 - data2 # 數組相減 array([[-9, -8, -7],[-6, -5, -4]]) data1 / data2 # 數組相除 array([[0.1, 0.2, 0.3],[0.4, 0.5, 0.6]])

1.5 ndarray 的索引和切片

1.5.1 整數索引和切片的基本使用

我們一起來來總結一下，看下面切片取值方式（對應顏色是取出來的結果）：

import numpy as np arr = np.arange(8) # 創建一個一維數組 arr array([0, 1, 2, 3, 4, 5, 6, 7]) arr[5] # 獲取索引為5的元素 5 arr[3:5] # 獲取索引為3~5的元素，但不包括5 array([3, 4]) arr[1:6:2] # 獲取索引為1~6的元素，步長為2 array([1, 3, 5]) import numpy as np arr2d = np.array([[1, 2, 3],[4, 5, 6],[7, 8, 9]]) # 創建二維數組 arr2d array([[1, 2, 3],[4, 5, 6],[7, 8, 9]]) arr2d[1] # 獲取索引為1的元素 array([4, 5, 6]) arr2d[0, 1] # 獲取位于第0行第1列的元素 2 arr2d[:2] array([[1, 2, 3],[4, 5, 6]]) arr2d[0:2, 0:2] array([[1, 2],[4, 5]]) arr2d[1, :2] array([4, 5])

1.5.2 花式（數組）索引的基本使用

import numpy as np demo_arr = np.empty((4, 4)) # 創建一個空數組 for i in range(4):demo_arr[i] = np.arange(i, i + 4) # 動態地為數組添加元素 demo_arr array([[0., 1., 2., 3.],[1., 2., 3., 4.],[2., 3., 4., 5.],[3., 4., 5., 6.]]) demo_arr[[0, 2]] # 獲取索引為[0,2]的元素 array([[0., 1., 2., 3.],[2., 3., 4., 5.]]) demo_arr[[1, 3], [1, 2]] # 獲取索引為(1,1)和(3,2)的元素 array([2., 5.])

1.5.3 布爾型

# 存儲學生姓名的數組 student_name = np.array(['Tom', 'Lily', 'Jack', 'Rose']) student_name array(['Tom', 'Lily', 'Jack', 'Rose'], dtype='<U4') # 存儲學生成績的數組 student_score = np.array([[79, 88, 80], [89, 90, 92], [83, 78, 85], [78, 76, 80]]) student_score array([[79, 88, 80],[89, 90, 92],[83, 78, 85],[78, 76, 80]]) # 對student_name和字符串“Jack”通過運算符產生一個布爾型數組 student_name == 'Jack' array([False, False, True, False]) # 將布爾數組作為索引應用于存儲成績的數組student_score， # 返回的數據是True值對應的行 student_score[student_name=='Jack'] array([[83, 78, 85]]) student_score[student_name=='Jack', :1] array([[83]])

1.6 數組的轉置和軸對稱

arr = np.arange(12).reshape(3, 4) arr array([[ 0, 1, 2, 3],[ 4, 5, 6, 7],[ 8, 9, 10, 11]]) arr.T # 使用T屬性對數組進行轉置 array([[ 0, 4, 8],[ 1, 5, 9],[ 2, 6, 10],[ 3, 7, 11]]) arr = np.arange(16).reshape((2, 2, 4)) arr array([[[ 0, 1, 2, 3],[ 4, 5, 6, 7]],[[ 8, 9, 10, 11],[12, 13, 14, 15]]]) arr.transpose(1, 2, 0) # 使用transpose()方法對數組進行轉置 array([[[ 0, 8],[ 1, 9],[ 2, 10],[ 3, 11]],[[ 4, 12],[ 5, 13],[ 6, 14],[ 7, 15]]]) arr array([[[ 0, 1, 2, 3],[ 4, 5, 6, 7]],[[ 8, 9, 10, 11],[12, 13, 14, 15]]]) arr.swapaxes(1, 0) # 使用swapaxes方法對數組進行轉置 array([[[ 0, 1, 2, 3],[ 8, 9, 10, 11]],[[ 4, 5, 6, 7],[12, 13, 14, 15]]])

1.7 NumPy 通用函數

arr = np.array([4, 9, 16]) np.sqrt(arr)#開方 array([2., 3., 4.]) np.abs(arr)#求絕對值 array([ 4, 9, 16]) np.square(arr)#求平方 array([ 16, 81, 256], dtype=int32) x = np.array([12, 9, 13, 15]) y = np.array([11, 10, 4, 8]) np.add(x, y) # 計算兩個數組的和 array([23, 19, 17, 23]) np.multiply(x, y) # 計算兩個數組的乘積 array([132, 90, 52, 120]) np.maximum(x, y) # 兩個數組元素級最大值的比較 array([12, 10, 13, 15]) np.greater(x, y) # 執行元素級的比較操作 array([ True, False, True, True])

1.8 利用 NumPy 數組進行數據處理

1.8.1 將條件邏輯轉為數組運算

arr_x = np.array([1, 5, 7]) arr_y = np.array([2, 6, 8]) arr_con = np.array([True, False, True]) result = np.where(arr_con, arr_x, arr_y) result array([1, 6, 7])

1.8.2 數組統計運算

arr = np.arange(10) arr.sum() # 求和 45 arr.mean() # 求平均值 4.5 arr.min() # 求最小值 0 arr.max() # 求最大值 9 arr.argmin() # 求最小值的索引 0 arr.argmax() # 求最大值的索引 9 arr.cumsum() # 計算元素的累計和 array([ 0, 1, 3, 6, 10, 15, 21, 28, 36, 45], dtype=int32) arr.cumprod() # 計算元素的累計積 array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0], dtype=int32) x = np.arange(1 , 16).reshape((3 , 5)) print(x) [[ 1 2 3 4 5][ 6 7 8 9 10][11 12 13 14 15]] np.diff(x,axis=1) #默認axis=1 array([[1, 1, 1, 1],[1, 1, 1, 1],[1, 1, 1, 1]]) np.diff(x,axis=0) array([[5, 5, 5, 5, 5],[5, 5, 5, 5, 5]]) np.floor([-0.6,-1.4,-0.1,-1.8,0,1.4,1.7]) array([-1., -2., -1., -2., 0., 1., 1.])

看到沒，負數取整，跟上述的 around 一樣，是向左！

np.ceil([1.2,1.5,1.8,2.1,2.0,-0.5,-0.6,-0.3]) array([ 2., 2., 2., 3., 2., -0., -0., -0.])

取上限！找這個小數的最大整數即可！

查找，利用 np.where 實現小于 0 的值用 0 填充嗎，大于 0 的數不變！

x = np.array([[1, 0],[2, -2],[-2, 1]]) print(x) [[ 1 0][ 2 -2][-2 1]] np.where(x>0,x,0) array([[1, 0],[2, 0],[0, 1]])

1.8.3 數組排序

arr = np.array([[6, 2, 7], [3, 6, 2], [4, 3, 2]]) arr array([[6, 2, 7],[3, 6, 2],[4, 3, 2]]) arr.sort() arr array([[2, 6, 7],[2, 3, 6],[2, 3, 4]]) arr = np.array([[6, 2, 7], [3, 6, 2], [4, 3, 2]]) arr array([[6, 2, 7],[3, 6, 2],[4, 3, 2]]) arr.sort(0) # 沿著編號為0的軸對元素排序 arr array([[3, 2, 2],[4, 3, 2],[6, 6, 7]])

1.8.4 檢索數組元素

arr = np.array([[1, -2, -7], [-3, 6, 2], [-4, 3, 2]]) arr array([[ 1, -2, -7],[-3, 6, 2],[-4, 3, 2]]) np.any(arr > 0) # arr的所有元素是否有一個大于0 True np.all(arr > 0) # arr的所有元素是否都大于0 False

1.8.5 唯一化及其他集合邏輯

arr = np.array([12, 11, 34, 23, 12, 8, 11]) np.unique(arr) array([ 8, 11, 12, 23, 34]) np.in1d(arr, [11, 12]) array([ True, True, False, False, True, False, True])

1.9 線性代數模塊

arr_x = np.array([[1, 2, 3], [4, 5, 6]]) arr_y = np.array([[1, 2], [3, 4], [5, 6]]) arr_x.dot(arr_y) # 等價于np.dot(arr_x, arr_y) array([[22, 28],[49, 64]])

1.10 隨機數模塊

import numpy as np np.random.rand(3, 3) # 隨機生成一個二維數組 array([[0.90422833, 0.57874299, 0.36084718],[0.46674697, 0.59189161, 0.88876503],[0.51836003, 0.30765097, 0.79668824]]) np.random.rand(2, 3, 3) # 隨機生成一個三維數組 array([[[0.21438832, 0.58877977, 0.86120009],[0.15222229, 0.53060997, 0.0562486 ],[0.88035435, 0.32505223, 0.9045713 ]],[[0.32907094, 0.88987195, 0.34523123],[0.90645746, 0.61257549, 0.83944649],[0.2015535 , 0.84522463, 0.87759584]]]) import numpy as np np.random.seed(0) # 生成隨機數的種子 np.random.rand(5) # 隨機生成包含5個元素的浮點數組 array([0.5488135 , 0.71518937, 0.60276338, 0.54488318, 0.4236548 ]) np.random.seed(0) np.random.rand(5) array([0.5488135 , 0.71518937, 0.60276338, 0.54488318, 0.4236548 ]) np.random.seed() np.random.rand(5) array([0.19299506, 0.41434116, 0.90011257, 0.37469705, 0.69775797])

備注：本文代碼可以在github下載