# python_note **Repository Path**: reborn-lai/python_note ## Basic Information - **Project Name**: python_note - **Description**: python笔记 - **Primary Language**: Python - **License**: Not specified - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2018-07-19 - **Last Updated**: 2020-12-19 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README 1.矩阵生成 # 生成一个3行5列值为566的矩阵 print(np.full((3,5),566)) 2.随机种子的使用 # 随机种子的使用：使用随机种子，然后随机创造数据，之后再次调用随机种子，再次随机的数据会和之前一次相同 np.random.seed(666) print(np.random.randint(0,10,size = 10)) np.random.seed(666) print(np.random.randint(0,10,size = 10)) 3.随机数 # 符合正太分布的随机数：符合均值为0，方差为1的随机数 print(np.random.normal()) # np.random.normal(loc,scale,size) loc:均值 scale:方差 size:大小 # 生成一个均值为10，方差为100的随机数 print(np.random.normal(10,100,(3,5))) 4.矩阵的基本属性 x = np.arange(15).reshape(3,5) 4.1 维度 ndim 查看x的维度 x.ndim 4.2 shape 返回元组 x.shape 4.3 元素个数 size x.size 5.切片 x = np.arange(10) X = np.arange(15).reshape(3,5) [In]: x [Out]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) [In]: X [Out]: array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]]) 5.1 x[-1] 取x中最后一个元素 [Out]: 9 5.2 X[-1][-1] 或者 X[-1,-1] 取X中最后一行最后一列的元素 [Out]: 14 5.3 X[0:3] 取前3行的元素 [Out]: array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]]) 5.4 x[::2] 取x的元素，间距为2 [Out]: array([0, 2, 4, 6, 8]) 5.5 x[::-1] 倒序x中的元素顺序 [Out]: array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0]) 5.6 X[:2,:3] 取X中前2行前3列的元素 ⚠️千万注意： X[:2,:3] != X[:2][:3] [Out]: array([[0, 1, 2], [5, 6, 7]]) 5.7 X[:2,::2] 取前两行，每行元素间隔为2的元素 [Out]: array([[0, 2, 4], [5, 7, 9]]) 5.8 X[::-1,::-1] 矩阵的反转 [Out]: array([[14, 13, 12, 11, 10], [ 9, 8, 7, 6, 5], [ 4, 3, 2, 1, 0]]) 5.9 X[0] 或者 X[0,:] 矩阵降维 [Out]: array([0, 1, 2, 3, 4]) 5.10 ⚠️numpy中对自矩阵进行操作，会影响父矩阵的数据 [In]: subX = X[:2,:3] [In]: subX[0,0] = 10 [In]: subX [Out]: array([[10, 1, 2], [ 5, 6, 7]]) [In]: X [Out] array([[10, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]]) 5.11 创建一个与父矩阵无关联的自矩阵,这样创建的子矩阵不会影响父矩阵 [In]: subX = X[:2,:3].copy() [In]: subX[0,0] = 10 [In]: subX [Out]: array([[10, 1, 2], [ 5, 6, 7]]) [In]: X [Out] array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], 5.12 reshape 重塑元素的维度(⚠️此操作不改变原素组的数据) [In]: x.shape [Out]: (10,) [In]: x.reshape(2,5) [Out]: array([[0, 1, 2, 3, 4], [5, 6, 7, 8, 9]]) ⚠️ 只规定元素的行数，不指定元素个数 [In]: x.reshape(10,-1) [Out]: array([[0], [1], [2], [3], [4], [5], [6], [7], [8], [9]]) [In]: x.reshape(-1,10) [Out]: array([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]]) 6 数据的合并与分割 x = np.array([1,2,3]) y = np.array([3,2,1]) z = np.array([0,0,0]) a = np.array([[1,2,3],[4,5,6]]) b = np.full((2,2),100) 6.1 将x和y合并(concatenate只能处理维度相同的数据) [In]: np.concatenate([x,y]) [Out]: array([1, 2, 3, 3, 2, 1]) [In]: np.concatenate([x,y,z]) [Out]: array([1, 2, 3, 3, 2, 1, 0, 0, 0]) ⚠️ np.concatenate([a,a], axis=) axis是轴，默认为0，沿着第0个维度进行拼接 [In]: np.concatenate([a,a]) [Out]: array([[1, 2, 3], [4, 5, 6], [1, 2, 3], [4, 5, 6]]) [In]: np.concatenate([a,a], axis=1) [Out]: array([[1, 2, 3, 1, 2, 3], [4, 5, 6, 4, 5, 6]]) 6.2 将a和x进行垂直方向的合并（vstack可以在垂直方法进行叠加，即使两个数组维度不同） [In]: np.vstack([a,z]) [Out]: array([[1, 2, 3], [4, 5, 6], [0, 0, 0]]) [In]: np.hstack([a,b]) [Out]: array([[ 1, 2, 3, 100, 100], [ 4, 5, 6, 100, 100]]) 6.3 分割操作(split) [In]: x = np.arange(10) [In]: x [Out]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) np.split(x,[3,7]) ⚠️第一个参数：要分个的数组 第二个参数：分割点（数组）第三个参数：axis 默认为0，沿着第0个维度吧进行分割 [In]: x1, x2, x3 = np.split(x,[3,7]) [In]: x1 [Out]: array([0, 1, 2]) [In]: x2 [Out]: array([3, 4, 5, 6]) [In]: x3 [Out]: array([7, 8, 9]) 同样适用于多维数组 6.4 vsplit和hsplit 纵向切割和横向切割 [In]: data = np.arange(16).reshape(4,4) [In]: date [Out]: array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11], [12, 13, 14, 15]]) [In]: x, y = np.hsplit(data, [-1]) [In]: x [Out]: array([[ 0, 1, 2], [ 4, 5, 6], [ 8, 9, 10], [12, 13, 14]]) [In]: y [Out]: array([[ 3], [ 7], [11], [15]]) 7.矩阵的运算 A = np.arange(4).reshape(2,2) B = np.full((2,2),10) v = np.array([1,2]) 7.1 矩阵乘法(dot) [In]: A.dot(B) [Out]: array([[10, 10], [50, 50]]) 7.2 矩阵的转置 [In]: A.T [Out]: array([[0, 2], [1, 3]]) 7.3 矩阵和向量的运算 [In]: v+A [Out]: array([[1, 3], [3, 5]]) 将向量v变成和A矩阵一样维度的矩阵，在和A矩阵进行运算 [In]: np.tile(v, (2,1)) #将向量v 行方向堆叠2次，列方向堆叠1次 [Out]: array([[1, 2], [1, 2]]) [In]: np.tile(v, (2,1)) + A [Out]: array([[1, 3], [3, 5]]) 7.4 矩阵的逆 7.4.1 方阵的逆 [In]: np.linalg.inv(A） [Out]: aarray([[-1.5, 0.5], [ 1. , 0. ]]) 7.4.2 矩阵的伪逆 [In]: x = np.arange(16).reshape(2,8) [In]: x [Out]: array([[ 0, 1, 2, 3, 4, 5, 6, 7], [ 8, 9, 10, 11, 12, 13, 14, 15]]) [In]: np.linalg.pinv(x) [Out]: array([[-1.35416667e-01, 5.20833333e-02], [-1.01190476e-01, 4.16666667e-02], [-6.69642857e-02, 3.12500000e-02], [-3.27380952e-02, 2.08333333e-02], [ 1.48809524e-03, 1.04166667e-02], [ 3.57142857e-02, -1.04083409e-17], [ 6.99404762e-02, -1.04166667e-02], [ 1.04166667e-01, -2.08333333e-02]]) 8.聚合操作 L = np.random.random(100) 8.1 求和 L.sum() 8.2 求最大值 L.max() 8.3 求最小值 L.min() 8.4 求矩阵行或者列的和 X = np.arange(16).reshape(4,-1) X： array([ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9,10,11], [12,13,14,15]) 按照列方向求和：把每列加起来 np.sum(X,axis=0)就相当于是 array([ 0 + 4 + 8 + 12, 1 + 5 + 9 + 13, 2 + 6 + 10 + 14, 3 + 7 + 11 + 15]) 就是： array([24, 28, 32, 36]) 按照行方向求和：把每行加起来 np.sum(X,axis=1)就相当于是 array([0 + 1 + 2 +3, 4 + 5 + 6 + 7, 8 + 9 + 10 + 11, 12 + 13 + 14 + 15]) 就是： array([ 6, 22, 38, 54]) 8.5 求矩阵中各个元素的乘积 np.prod(L) 8.6 求平均值 np.mean(L) 8.7 求中位数 np.median(X) 8.8 求百分位 [In]: np.percentile(L, q = 50) [Out]: 0.4472645432100124 表示在L中，有50%的数都小于0.4472645432100124 在分析一个样本数据的时候，大体了解数据分布是，只需要看5个点即可 for percent in [0, 25, 50, 75, 100] : print(np.percentile(L, q = percent)) 输出结果就会显示初这批样本的大致分布情况 8.9 求方差 np.var(L) 8.10 求标准差 np.std(L)