首页 > 数据库> 文章详细

机器学习科学数据库 Day3

2022-01-29 22:35:13 阅读：293 来源： 互联网

标签：10 机器 data 数据库 nan Day3 print np numpy

Day3

第二部分 numpy学习

1.什么是numpy

2.numpy基础

3.numpy常用方法

4.numpy常用统计方法

为什么要学习numpy

1.快速

2.方便

3.科学计算的基础库

什么是numpy

一个在Python中做科学计算的基础库，重在数值计算，也是大部分PYTHON科学计算库的基础库，多用于在大型、多维数组（各种列表形式，例如列表嵌套）上执行数值运算

numpy创建数组(矩阵)

【示例】

#coding=utf-8
import numpy as np
#使用numpy生成数组，得到ndarray的数据类型
t1=np.array([1,2,3,])
print(t1)
print(type(t1))
#数据属性
print(t1.dtype)

t2=np.array(range(10))
print(t2)
print(type(t2))
#npy.arange(start,stopm,step)
t3 = np.arange(4,10,2)
print(t3)
print(type(t3))

结果：

[1 2 3]

int32

[0 1 2 3 4 5 6 7 8 9]

[4 6 8]

numpy中常见的更多数据类型

数据类型的操作

【示例】

#numpy中的数据类型
t4 = np.array(range(1,4),dtype='float32')
print(t4)
print(t4.dtype)

#numpy中的布尔类型
t5 = np.array([1,1,0,1,0,0],dtype=bool)
print(t5)
print(t5.dtype)

#修改数据类型.astype
t6 = t5.astype('int8')
print(t6)
print(t6.dtype)

#numpy中的小数
t7 = numpy.array([random.random() for i in range(10)])
print(t7)
print(t7.dtype)

结果：

[1. 2. 3.]

float32

[ True True False True False False]

bool

[1 1 0 1 0 0]

int8

[0.77605271 0.83797713 0.21914121 0.00532719 0.40877846 0.46288983

0.92196868 0.60972947 0.88912385 0.60868958]

float64

那么问题来了,python中如何保留固定位数的小数?

使用round（）

【操作】

#numpy中的小数
t7 = numpy.array([random.random() for i in range(10)])
print(t7)
print(t7.dtype)

#round取小数
t8 = np.round(t7,2)
print(t8)

结果：

[0.77605271 0.83797713 0.21914121 0.00532719 0.40877846 0.46288983

0.92196868 0.60972947 0.88912385 0.60868958]

float64

[0.78 0.84 0.22 0.01 0.41 0.46 0.92 0.61 0.89 0.61]

数组的形状（几行几列的数组）

——————————————————————————————————————————

—————————————————————————————————————————

【示例】

#coding=utf-8
import numpy as np
t=np.array(range(24))
#查看数组形状
print(t.shape)
#改变数组形状(reshape自带return函数，所以t本身不会发生变化)
print(t.reshape((4,6)))
#把数组转化为一维数组①
print(t.reshape((1,24)))
#②
print(t.flatten())

结果：

(24,)

[[ 0 1 2 3 4 5]

[ 6 7 8 9 10 11]

[12 13 14 15 16 17]

[18 19 20 21 22 23]]

[[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]]

[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]

数组和数的计算（会应用于数组中的每一个数字）

这是一个numpy的广播机制造成的，在运算过程中，加减乘除的值1被广播到所有的元素上面

【示例】数组和数组的运算（对应位置上的数进行计算）

#coding=utf-8
import numpy as np

t1=np.array([[1,2,3],[4,5,6]])
t2=np.array([[3,2,1],[6,5,4]])
print(t1)
print(t2)
print('*******')
print('t1+t2\n',t1+t2)
print('t1*t2\n',t1*t2)

结果：
[[1 2 3]

[4 5 6]]

[[3 2 1]

[6 5 4]]

*******

t1+t2

[[ 4 4 4]

[10 10 10]]

t1*t2

[[ 3 4 3]

[24 25 24]]

【示例】除以0

t=np.array(range(24))

print(t/0)

结果：
[nan inf inf inf inf inf inf inf inf inf inf inf inf inf inf inf inf inf

inf inf inf inf inf inf]

结果：（行和列两个维度都不相同不能进行计算）

ValueError: cannot reshape array of size 13 into shape (3,4)

——————————————————————————

【示例】不同维度数组计算

#coding=utf-8
import numpy as np

t5=np.array(range(24)).reshape((4,6))
print(t5)
t8=np.array(range(4)).reshape((4,1))
print(t8)

print('t5-t8\n',t5-t8)

结果：（t5的每一列减去t8的一列）

[[ 0 1 2 3 4 5]

[ 6 7 8 9 10 11]

[12 13 14 15 16 17]

[18 19 20 21 22 23]]

[[0]

[1]

[2]

[3]]

t5-t8

[[ 0 1 2 3 4 5]

[ 5 6 7 8 9 10]

[10 11 12 13 14 15]

[15 16 17 18 19 20]]

注意：

但若两个数组的行和列都不相等，则无法进行计算。必须某一维度上一样才能进行计算

广播原则

怎么理解呢?

可以把维度指的是shape所对应的数字个数

那么问题来了:

shape为(3,3,3)的数组能够和(3,2)的数组进行计算么?

答：不能

shape为(3,3,2)的数组能够和(3,2)的数组进行计算么?

答：可以计算

【示例】

#coding=utf-8
import numpy as np

c=np.array(range(18)).reshape((3,3,2))
print(c)
a=np.array(range(6)).reshape((3,2))
print(a)
print(a+c)

结果：
[[[ 0 1]

[ 2 3]

[ 4 5]]

[[ 6 7]

[ 8 9]

[10 11]]

[[12 13]

[14 15]

[16 17]]]

[[0 1]

[2 3]

[4 5]]

[[[ 0 2]

[ 4 6]

[ 8 10]]

[[ 6 8]

[10 12]

[14 16]]

[[12 14]

[16 18]

[20 22]]]

注：2维数组只要有一个形状方向（行或列）一样，就可以计算

轴(axis)

在numpy中可以理解为方向,使用0,1,2...数字表示

对于一个一维数组,只有一个0轴,对于2维数组(shape(2,2)),有0轴和1轴,对于三维数组(shape(2,2, 3)),有0,1,2轴

有了轴的概念之后,我们计算会更加方便,比如计算一个2维数组的平均值,必须指定是计算哪个方向（行还是列）上面的数字的平均值

那么问题来了:

在前面的知识,轴在哪里?

回顾np.arange(0,10).reshape((2,5)),reshpe中2表示0轴长度(包含数据的条数)为2,1轴长度为5,2X5一共10个数据

二维数组的轴

三维数组的轴

明白了轴的概念之后,对于shape返回的结果和reshape的结果能够更加清楚

numpy读取数据

（numpy读取数据一般用的较少）

CSV:Comma-Separated Value,逗号分隔值文件

显示：表格状态

源文件：换行和逗号分隔行列的格式化文本,每一行的数据表示一条记录

由于csv便于展示,读取和写入,所以很多地方也是用csv的格式存储和传输中小型的数据,为了方便教学,我们会经常操作csv格式的文件,但是操作数据库中的数据也是很容易的实现的

np.loadtxt(frame,dtype=np.float,delimiter=None,skiprows=0,usecols=None,unpack=False)

现在这里有一个英国和美国各自youtube1000多个视频的点击,喜欢,不喜欢,评论数量(["views","likes","dislikes","comment_total"])的csv,运用刚刚所学习的只是,我们尝试来对其进行操作

【示例】读取csv数据

#coding=utf-8
import numpy as np

us_file_path = "./youtube_video_data/US_video_data_numbers.csv"
uk_file_path = "./youtube_video_data/GB_video_data_numbers.csv"

#np.loadtxt(
#frame,dtype=np.float,delimiter=None,skiprows=0,
#usecols=None,unpack=False)
#frame:文件、字符串或产生器；dtype：数据类型；delimiter：分隔字符串
#skiprows：跳过前x行；usecols：读取指定的列
#unpack：True则将读入属性写入不同数组变量，（默认）False则只写入一个变量
t1 = np.loadtxt(us_file_path,delimiter=',',dtype="int",unpack=True)
t2 = np.loadtxt(us_file_path,delimiter=',',dtype="int")

print(t1)
print('****')
print(t2)

结果：
[[4394029 7860119 5845909 ... 142463 2162240 515000]

[ 320053 185853 576597 ... 4231 41032 34727]

[ 5931 26679 39774 ... 148 1384 195]

[ 46245 0 170708 ... 279 4737 4722]]

****

[[4394029 320053 5931 46245]

[7860119 185853 26679 0]

[5845909 576597 39774 170708]

...

[ 142463 4231 148 279]

[2162240 41032 1384 4737]

[ 515000 34727 195 4722]]

unpack：实现转置

numpy中的转置

（对unpack的拓展，转置：行和列互换）

转置是一种变换,对于numpy中的数组来说,就是在对角线方向交换数据,目的也是为了更方便的去处理数据

①.transpose()

②.swapaxes(1,0)

③.T

以上的三种方法都可以实现二维数组的转置的效果,大家能够看出来,转置和交换轴的效果一样

numpy读取和存储数据

那么,结合之前的所学的matplotlib把英国和美国的数据呈现出来?

看到这个问题,我们应该考虑什么?

我们想要反映出什么样的结果,解决什么问题?

选择什么样的呈现方式?

数据还需要做什么样的处理?

写代码

#coding=utf-8
from math import nan

import numpy as np

us_file_path = "./youtube_video_data/US_video_data_numbers.csv"
uk_file_path = "./youtube_video_data/GB_video_data_numbers.csv"

#np.loadtxt(
#frame,dtype=np.float,delimiter=None,skiprows=0,
#usecols=None,unpack=False)
#frame:文件、字符串或产生器；dtype：数据类型；delimiter：分隔字符串
#skiprows：跳过前x行；usecols：读取指定的列
#unpack：True则将读入属性写入不同数组变量，（默认）False则只写入一个变量
#视频的点击,喜欢,不喜欢,评论数量(["views","likes","dislikes","comment_total"])
#t1 = np.loadtxt(us_file_path,delimiter=',',dtype="int",unpack=True)
t2 = np.loadtxt(us_file_path,delimiter=',',dtype="int")

#print(t1)

print(t2)

结果：

[[4394029 320053 5931 46245]

[7860119 185853 26679 0]

[5845909 576597 39774 170708]

...

[ 142463 4231 148 279]

[2162240 41032 1384 4737]

[ 515000 34727 195 4722]]

numpy索引和切片

对于刚刚加载出来的数据,我如果只想选择其中的某一列(行)我们应该怎么做呢?

其实操作很简单,和python中列表的操作一样

是不是还可以加上步长呢？

【示例】

#取第3行(索引从0开始）
print(t2[2])
#取连续的多行（从第3行开始）
print(t2[2:])
#取不连续的多行（取第3,9,11行）
print(t2[[2,8,10]])
#取第一列(‘：’表示每行都要)
print(t2[:,0])
#取连续的多列（从第三列开始取）
print(t2[:,2:])
#取不连续的多列（第一列和第三列）
print(t2[:,[0,2]])
#取多行和多列，取第三行，第四列的值
a = t2[2,3]
print(a) --->170708
print(type(a)) ---><class 'numpy.int32'>
#取第3行到第5行，第2列到第4列
#取的是行和列交叉点的位置
b = t2[2:5,1:4]
print(b)
#取多个不相邻的点（0，0)，（2,1），（2,3）
c = t2[[0,2,2],[0,1,3]]
print(c)

numpy中数值的修改

修改行列的值，我们能够很容易的实现，但是如果条件更复杂呢？

比如我们想要把t中小于10的数字替换为3

numpy中布尔索引

t[t<10]=0

那么问题来了：

如果我们想把t中小于10的数字替换为0，把大于10的替换为10，应该怎么做？？

numpy中三元运算符

np.where(t<10,0,18)

把t中小于10的数字替换为0，把大于10的替换为10

那么问题来了：

如果我们想把t中小于10的数字替换为0，把大于20的替换为20，应该怎么做？？

numpy中的clip(裁剪)

t.clip(10,18)

把t中小于10的数字替换为10，把大于18的替换为18

观察操作：

小于10的替换为10，大于18的替换为了18，但是nan没有被替换，那么nan是什么？

numpy中的nan和inf

nan(NAN,Nan):not a number表示不是一个数字

什么时候numpy中会出现nan：

①当我们读取本地的文件为float的时候，如果有缺失，就会出现nan ②当做了一个不合适的计算的时候(比如无穷大(inf)减去无穷大)

inf(-inf,inf):infinity,inf表示正无穷，-inf表示负无穷

什么时候回出现inf包括（-inf，+inf）

比如一个数字除以0，（python中直接会报错，numpy中是一个inf或者-inf）

那么如何指定一个nan或者inf呢？

注意他们的type类型

numpy中的nan的注意点

np.count_nonzero(t!=t) 判断nan是因为np.nan!=np.nan 所以t!=t可以判断nan的个数

【示例】

#coding=utf-8
import numpy as np
from math import nan

t=np.array([1.,2., nan, 20.])

print(np.nan==np.nan)
print(np.nan!=np.nan)
#判断数组中nan个数
print(np.count_nonzero(t!=t))
#为nan则返回True
print(np.isnan(t))
#把nan替换为0
t[np.isnan(t)]=0
print(t)

结果：

False

True

[False False True False]

[ 1. 2. 0. 20.]

【示例】关于nan的计算

#coding=utf-8
import numpy as np
from math import nan

t=np.array([[0.,1., nan, 2.],[3.,4.,5.,6.],[7.,8.,9.,10.]])
print(t)

#sum求和
#nan和任何数字进行计算都为nan
print(np.sum(t))
print(np.sum(t,axis=0))
print(np.sum(t,axis=1))

结果：

[[ 0. 1. nan 2.]

[ 3. 4. 5. 6.]

[ 7. 8. 9. 10.]]

nan

[10. 13. nan 18.]

[nan 18. 34.]

numpy中的nan的注意点

那么问题来了，在一组数据中单纯的把nan替换为0，合适么？会带来什么样的影响？

比如，全部替换为0后，替换之前的平均值如果大于0，替换之后的均值肯定会变小，所以更一般的方式是把缺失的数值替换为均值（中值（中位数））或者是直接删除有缺失值的一行

那么问题来了：

如何计算一组数据的中值或者是均值

如何删除有缺失数据的那一行（列）[在pandas中介绍]

numpy中常用统计函数

求和：t.sum(axis=None)

均值：t.mean(a,axis=None) 受离群点的影响较大

中值：np.median(t,axis=None)

最大值：t.max(axis=None)

最小值：t.min(axis=None)

极值：np.ptp(t,axis=None) 即最大值和最小值只差

标准差：t.std(axis=None)

注1：

标准差是一组数据平均值分散程度的一种度量。一个较大的标准差，代表大部分数值和其平均值之间差异较大；一个较小的标准差，代表这些数值较接近平均值，反映出数据的波动稳定情况，越大表示波动越大，约不稳定

注2.

默认返回多维数组的全部的统计结果,如果指定axis则返回一个当前轴上的结果

【示例】nan统计函数

#coding=utf-8
import numpy as np

t=np.array([[0.,1., 0., 2.],
[3.,4.,5.,6.],
[7.,8.,9.,10.]])
print(t)

#sum求和
print(t.sum(axis=0))
#.mean求均值
print(t.mean(axis=0))
#.median求中值
print(np.median(t,axis=0))
#max最大值，min最小值
print(t.max(axis=0))
print(t.min(axis=0))
#.ptp极值，即最大最小值之差
print(np.ptp(t,axis=0))
#.std求标准差
print(t.std(axis=0))

结果：
[[ 0. 1. 0. 2.]

[ 3. 4. 5. 6.]

[ 7. 8. 9. 10.]]

[10. 13. 14. 18.]

[3.33333333 4.33333333 4.66666667 6. ]

[3. 4. 5. 6.]

[ 7. 8. 9. 10.]

[0. 1. 0. 2.]

[7. 7. 9. 8.]

[2.86744176 2.86744176 3.68178701 3.26598632]

ndarry缺失值填充均值

t中存在nan值，如何操作把其中的nan填充为每一列的均值

t = array([[ 0., 1., 2., 3., 4., 5.],

[ 6., 7., nan, 9., 10., 11.],

[ 12., 13., 14., nan, 16., 17.],

[ 18., 19., 20., 21., 22., 23.]])

【示例】

#coding=utf-8
import numpy
from math import nan

import numpy as np

def fill_ndarray(t1):
#遍历列,shape[0]表示行，shape[1]表示列
    for i in range(t1.shape[1]):
        temp_col = t1[:,i] #当前的一列
        nan_num = np.count_nonzero(temp_col!=temp_col) #统计nan个数
        if nan_num !=0: #不为0，说明当前这一列中有nan
            # 只有不为nan，temp_col==temp_col，当前一列不为nan的array
            temp_not_nan_col = temp_col[temp_col==temp_col]
            #选中当前为nan的值，把值赋值为不为nan的均值
            temp_col[np.isnan(temp_col)]= temp_not_nan_col.mean()
    return t1

if __name__=='__main__':
    t1 = np.arange(12).reshape((3, 4)).astype("float")
    # 把第2行，从第3列开始变为nan
    t1[1, 2:] = np.nan
    print(t1)
    print('---------------------')
    t1 = fill_ndarray(t1)
    print(t1)

结果：

[[ 0. 1. 2. 3.]

[ 4. 5. nan nan]

[ 8. 9. 10. 11.]]

---------------------

[[ 0. 1. 2. 3.]

[ 4. 5. 6. 7.]

[ 8. 9. 10. 11.]]

麻烦么？学完pandas我们有更容易的方法处理缺失值

小结

1.如何选择一行或者多行的数据（列）？

切片（选一部分）和索引（选一个值）——

选择行t[2]、t[3:,:]/选择列t[:,4:]

/选择行列，连续的多行t[2:,:3];不连续的多行 t[[1,3],[2,4]]：选择的是（1,2），（3,4）两个位置的值

索引：t[2,3]：第3行第4列的值

2.如何给选取的行或者列赋值？

赋值：t[2:,3]=3 把从第3行开始，第4列赋值为3

3.如何大于把大于10的值替换为10？

布尔索引 t[t>10]=10

4.np.where如何使用？

三元运算符 t=np.where(t>10,20,0) 把t中大于10的替换为20，其他的替换为0

5.np.clip如何使用？

裁剪 t=t.clip(10,20) 把t中小于10的替换为10，大于20的替换为20

6.如何转置（交换轴）？

转置 ①t.T ②t.transpose() ③t.swapaxes()

7.读取和保存数据为csv

dtype：数据类型 delimiter:字符分割符

读取本地文件 np.loadtxt(file_path,delimiter,dtype)

8.np.nan和np.inf是什么

nan：不是一个数字

_number_nan = np.count_nonzero(t!=t) #统计t中nan的个数

nan的性质：np.nan!=np.nan

np.isnan(t) #统计t中哪些为nan，返回布尔值，效果和np.nan!=np.nan相同

t[np.isnan(t)]=1 #把t中为nan的替换为1

inf表示无穷

9.常用的统计函数你记得几个？

求和：t.sum（axis=0） #axis计算每列的值，每行第一个数的和，每行第二个数的和...所以为求列的和

求均值：t.mean（axis=0）

求中位数:np.median(t,axis=0)

最值:t.max(),t.min()

计算极差（最大-最小）:np.ptp（t,axis=0）

计算标准差：t.std

10.标准差反映出数据的什么信息

反映数据的离散程度，稳定程度

练习：

①英国和美国各自youtube1000的数据结合之前的matplotlib绘制出各自的评论数量的直方图

②希望了解英国的youtube中视频的评论数和喜欢数的关系，应该如何绘制改图（散点图）

【操作】：

#coding=utf-8
#英国和美国各自youtube1000的数据结合之前的
#matplotlib绘制出各自的评论数量的直方图
import numpy as np
from matplotlib import pyplot as plt
us_file_path = "./youtube_video_data/US_video_data_numbers.csv"
uk_file_path = "./youtube_video_data/GB_video_data_numbers.csv"

#视频的点击,喜欢,不喜欢,评论数量(["views","likes","dislikes","comment_total"])
t_uk = np.loadtxt(uk_file_path,delimiter=',',dtype="int")
t_us = np.loadtxt(us_file_path,delimiter=',',dtype="int")

#取评论的数据
t_us_comments = t_us[:,-1] #行都要，-1表示取最后一列

#先看最大值，最小值为多少
print(t_us_comments.max(),t_us_comments.min())
#选取比5000小的数据(因为大于5000的数据较少）,考虑较为集中的数据
t_us_comments = t_us_comments[t_us_comments<=5000]

#组距最大50多W，最小0，假设50组的话，组距10000
d = 50
#组数（极差/组距）
bin_nums = (t_us_comments.max()-t_us_comments.min())//d
#绘图
plt.figure(figsize=(20,8),dpi=80)
#plt.hist(a，bin_nums)
plt.hist(t_us_comments,bin_nums)
plt.grid()
plt.show()

结果：

【操作】

#coding=utf-8
#希望了解英国的youtube中视频的评论数和喜欢数的关系
#应该如何绘制改图（散点图）
import numpy as np
from matplotlib import pyplot as plt
from matplotlib import font_manager
#设置字体
my_font = font_manager.FontProperties(fname='C:/Windows/Fonts/simhei.ttf')

uk_file_path = "./youtube_video_data/GB_video_data_numbers.csv"

#视频的点击,喜欢,不喜欢,评论数量(["views","likes","dislikes","comment_total"])
t_uk = np.loadtxt(uk_file_path,delimiter=',',dtype="int")
#选择t_uk中喜欢数小于50W的数据，数据更集中
t_uk = t_uk[t_uk[:,1]<=500000]

#评论数
t_uk_comment = t_uk[:,-1]
#喜欢
t_uk_like = t_uk[:,1]

#绘图
plt.figure(figsize=(20,8),dpi=80)
#绘制散点图scatter()
plt.scatter(t_uk_like,t_uk_comment)
#添加描述信息
plt.xlabel('喜欢数',fontproperties=my_font)
plt.ylabel('评论数',fontproperties=my_font)
plt.title('喜欢和评论的关系',fontproperties=my_font)

plt.show()

结果：

数组的拼接

现在我希望把之前案例中两个国家的数据方法一起来研究分析，那么应该怎么做？

np.vstack((t1,t2)) 竖直拼接 np.hstack((t1,t2)) 水平拼接

（竖直分割和水平分割与拼接为互逆）

数组的行列交换

数组水平或者竖直拼接很简单，但是拼接之前应该注意什么？

竖直拼接的时候：每一列代表的意义相同！！！否则牛头不对马嘴

如果每一列的意义不同，这个时候应该交换某一组的数的列，让其和另外一类相同

那么问题来了？

如何交换某个数组的行或者列呢？

练习：现在希望把之前案例中两个国家的数据方法一起来研究分析，同时保留国家的信息（每条数据的国家来源），应该怎么办

【操作】

#coding=utf-8
#数组的拼接：现在希望把之前案例中两个国家的数据方法一起来研究分析
#同时保留国家的信息（每条数据的国家来源），应该怎么办
import numpy as np

us_data = "./youtube_video_data/US_video_data_numbers.csv"
uk_data = "./youtube_video_data/GB_video_data_numbers.csv"

#视频的点击,喜欢,不喜欢,评论数量(["views","likes","dislikes","comment_total"])
#加载国家信息
us_data = np.loadtxt(us_data,delimiter=',',dtype="int")
uk_data = np.loadtxt(uk_data,delimiter=',',dtype="int")

#添加国家信息美国为0，英国为1
#构造全为0的数据np.zeros((行，列))
zeros_data = np.zeros((us_data.shape[0],1)).astype(int)
ones_data = np.ones((uk_data.shape[0],1)).astype(int)
#水平拼接np.hstack((t1,t2))（分别添加一列全为0，1的数据）
us_data = np.hstack((us_data,zeros_data))
uk_data = np.hstack((uk_data,ones_data))

#拼接两组数据（np.vstack((t1,t2))竖直拼接）
final_data = np.vstack((us_data,uk_data))
print(final_data)

结果：
[[4394029 320053 5931 46245 0]

[7860119 185853 26679 0 0]

[5845909 576597 39774 170708 0]

...

[ 109222 4840 35 212 1]

[ 626223 22962 532 1559 1]

[ 99228 1699 23 135 1]]

numpy更多好用的方法

1.获取最大值最小值的位置

np.argmax(t,axis=0)

np.argmin(t,axis=1)

【示例】

#coding=utf-8
import numpy as np
t = np.eye(4)
print(t)
print(np.argmax(t,axis=0))
t[t==1]=-1
print(t)
print(np.argmin(t,axis=1))

结果：
[[1. 0. 0. 0.]

[0. 1. 0. 0.]

[0. 0. 1. 0.]

[0. 0. 0. 1.]]

[0 1 2 3] ——>最大值的位置

[[-1. 0. 0. 0.]

[ 0. -1. 0. 0.]

[ 0. 0. -1. 0.]

[ 0. 0. 0. -1.]]

[0 1 2 3] ——>最小值的位置

2.创建一个全0的数组: np.zeros((3,4))

3.创建一个全1的数组:np.ones((3,4))

4.创建一个对角线为1的正方形数组(方阵)：np.eye(3)

【示例】

#coding=utf-8
import numpy as np
print(np.ones((2,3)))
print('-------')
print(np.zeros((2,3)))
print('-------')
print(np.eye(3))

结果：

[[1. 1. 1.]

[1. 1. 1.]]

-------

[[0. 0. 0.]

[0. 0. 0.]]

-------

[[1. 0. 0.]

[0. 1. 0.]

[0. 0. 1.]]

numpy生成随机数

【示例】np.random.rand()

#coding=utf-8
import numpy as np

t = np.random.rand()
t1 = np.random.rand(1)
t2 = np.random.rand(2,2)

print(t)
print(t1)
print(t2)

结果：

0.18760242455098486

[0.65982013]

[[0.52775828 0.84049786]

[0.89130358 0.71245619]]

【示例】randint,uniform

#coding=utf-8
import numpy as np

t1 = np.random.randint(0,20,(3,4))
t2 = np.random.uniform(0,10,5)

print(t1)
print(t2)

结果：

[[15 13 19 0]

[ 6 10 2 17]

[ 3 4 18 19]]

[4.59312834 9.60812837 2.73907317 9.21329994 5.75528342]

【示例】seed():使得每次生成的随机数都一样

#coding=utf-8
import numpy as np

np.random.seed(10)
t1 = np.random.randint(0,20,(3,4))

print(t1)

结果：

[[ 9 4 15 0]

[17 16 17 8]

[ 9 0 10 8]]

分布的补充

均匀分布：在相同的大小范围内的出现概率是等可能的

正态分布：呈钟型，两头低，中间高，左右对称（平均数为0）

标签：10,机器,data,数据库,nan,Day3,print,np,numpy
来源： https://blog.csdn.net/birdooo/article/details/122748318

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

机器学习 科学数据库 Day3

机器学习科学数据库 Day3