初识人工智能(一):数据分析(二):numpy科学计算基础库(一)

1. numpy科学计算基础库
   1.1 什么是numpy
   NumPy(Numerical Python)是Python语言vb.net教程
   的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

NumPy的前身Numeric最早是由Jim Hugunin与其c#教程它协作者共同开发，2005 年，Travis Oliphant在Numeric中结合了另一个同性质的程序库Numarray的特色，并加入了其它扩展而开发了NumPy。NumPy为开放源代码并且由许多协作者共同维python基础教程护开发。

NumPy是一个运行速度非常快的数学库，主要用于数组计算，包含：

一个强大的N维数组对象 ndarray
广播功能函数
整合 C/C++/Fortran 代码的工具
线性代数、傅里叶变换、随机数生成等功能
1.2 创建数组(矩阵)

# coding=utf-8
import numpy as np
#使用numpy生成数组,得到ndarray的类型
t1 = np.array([1,2,3,])
print(t1)
print(type(t1))
t2 = np.array(range(10))
print(t2)
print(type(t2))
t3 = np.arange(4,10,2)
print(t3)
print(type(t3))
print(t3.dtype)

运行结果

1.3 数据类型
名称 描述
bool_ 布尔型数据类型（True 或者 False）
int_ 默认的整数类型（类似于 C 语言中的 long，int32 或 int64）
intc 与 C 的 int 类型一样，一般是 int32 或 int 64
intp 用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64）
int8 字节（-128 to 127）
int16 整数（-32768 to 32767）
int32 整数（-2147483648 to 2147483647）
int64 整数（-9223372036854775808 to 9223372036854775807）
uint8 无符号整数（0 to 255）
uint16 无符号整数（0 to 65535）
uint32 无符号整数（0 to 4294967295）
uint64 无符号整数（0 to 18446744073709551615）
float_ float64 类型的简写
float16 半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位
float32 单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位
float64 双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位
complex_ complex128 类型的简写，即 128 位复数
complex64 复数，表示双 32 位浮点数（实数部分和虚数部分）
complex128 复数，表示双 64 位浮点数（实数部分和虚数部分）

# coding=utf-8
import numpy as np
import random
# int8, int16, int32, int64 四种数据类型可以使用字符串 'i1', 'i2','i4','i8' 代替
t1 = np.array(range(1,4),dtype="i1")
print(t1)
print(t1.dtype)
##numpy中的bool类型
t2 = np.array([1,1,0,1,0,0],dtype=bool)
print(t2)
print(t2.dtype)
#调整数据类型
t3 = t2.astype("int8")
print(t3)
print(t3.dtype)
#numpy中的小数
t4 = np.array([random.random() for i in range(10)])
print(t4)
print(t4.dtype)
t5 = np.round(t4,2)
print(t5)
14
15
16
17
18
19
20
21

运行结果：

1.4 数组的形状

# coding=utf-8
import numpy as np
a = np.array([[3,4,5,6,7,8],[4,5,6,7,8,9]])
print(a)
#查看数组形状
print(a.shape)
#修改数组形状
print(a.reshape(3,4))
#原数组形状不变
print(a.shape)
b = a.reshape(3,4)
print(b.shape)
print(b)
#把数组转化为1维度数据
print(b.reshape(1,12))
print(b.flatten())
14
15
16

运行结果：

1.5 数组和数的计算

# coding=utf-8
import numpy as np
a = np.array([[3,4,5,6,7,8],[4,5,6,7,8,9]])
print(a)
#加法减法
print(a+5)
print(a-5)
#乘法除法
print(a*3)
print(a/3)
1
2
3
4
5
6
7
8
9
10

运行结果：

1.6 数组和数组的计算

# coding=utf-8
import numpy as np
a = np.array([[3,4,5,6,7,8],[4,5,6,7,8,9]])
b = np.array([[21,22,23,24,25,26],[27,28,29,30,31,32]])
#数组和数组的加减法
print(a+b)
print(a-b)
#数组和数组的乘除法
print(a*b)
print(a/b)
1
2
3
4
5
6
7
8
9
10

运行结果：

不同维度数组的计算：

# coding=utf-8
import numpy as np
a = np.array([[3,4,5,6,7,8],[4,5,6,7,8,9]])
c = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])
#不同维度的数组计算
print(a*c)
1
2
3
4
5
6

运行结果：

# coding=utf-8
import numpy as np
#2行6列的数组
a = np.array([[3,4,5,6,7,8],[4,5,6,7,8,9]])
#1行6列的数组
c = np.array([1,2,3,4,5,6])
print(a-c)
print(a*c)
1
2
3
4
5
6
7
8

运行结果：

# coding=utf-8
import numpy as np
#2行6列的数组
a = np.array([[3,4,5,6,7,8],[4,5,6,7,8,9]])
#1行6列的数组
c = np.array([[1],[2]])
print(a+c)
print(a*c)
print(c*a)
1
2
3
4
5
6
7
8
9

运行结果：