暑期Python实战营——7月31日学习笔记

一、本次学习内容本学习笔记综合了第九章所有的内容NumPy 数值计算基础1、安装、导入与ndarraypip install numpyndarrayn-dimensional arrayn 维数组是 NumPy 的核心对象。和列表的区别之处1、元素类型必须统一 2、是逐个元素加*是逐个元素乘 3、运算速度快是c语言作为底层 4、支持n维2、数组创建等差序列np.arange(0, 10, 2)np.linspace(0, 1, 5)arange给步长linspace 给个数np.zeros(5) # [0,0,0,0,0]np.ones((2, 3)) # 2x3 全 1np.full((2, 2), 7) # 2x2 全 7np.eye(3) # 3x3 单位矩阵 机器学习常用3、shape与dtypeshape形状dtype元素类型常见 dtypeint8/16/32/64、float16/32/64、bool、strastype类型转换reshape修改形状reshape 前后元素总数必须一致2*3 6。可用 -1自动推断注意拿到一个数组先 print(arr.shape, arr.dtype)。查看形状和元素类型4、索引与切片索引一维和列表一样二维用[ ]b np.array([[1, 2, 3],[4, 5, 6]])b[0, 0] # 1第一行第一列b[1, 2] # 6第二行第三列切片是视图不是副本修改切片的内容原数组的内容也回跟着修改5、向量化运算数组之间的 加减乘除都是逐元素不用写循环。什么时候用循环每次运算依赖上一次结果递推。-逻辑太复杂、向量化反而难读。-数据量很小几十个循环开销可忽略。注意默认向量化。只有「递推依赖」或「向量化后难读」才退回循环。能向量化就别循环。6、广播机制形状不同的数组运算时NumPy 自动「补齐」形状让逐元素运算能进行维度对齐每个数组都有shape二维数组 shape(2,3) 2行3列1 1 11 1 1一维数组 shape(3,) 长度为3的一维数组1 1 1对齐就是把两个数组的shape维度一一配对比较向右对齐广播黄金规则2 , 33a np.array([[1,2,3],[4,5,6]])#shape (2,3)b np.array([10,20,30])#shape(3,)2 , 33[1,2,3],[4,5,6]a.shape (2,3)b np.array([10,20])#shape (2,)a: 2,3b: 2#右对齐 3不等于2 不能广播bb.reshape(2,1)a:2,3b:2,1#右对齐 2相同 3那一列 b是1 就能广播#Yibo翊博#yibohere#Yibo Python#Datawhale