第一章 Numpy基础

基于PyTorch的python深度学习

第一章 Numpy基础

Numpy（Numerical Python）提供了两种基本的对象：ndarray（N-dimensional Array Object）和ufunc（Universal Function Object）。ndarry是存储单一数据类型的多维数组，而ufunc则是能够对数组进行处理的函数。
Numpy的主要特点：
1、ndarray，快速节省空间的多维数组，提供数组化的算术能力和高级的传播功能
2、使用标准数学函数对整个数组的数据进行快速运算，且不需要编写循环
3、读取/写入磁盘上的阵列数据和操作存储器映像文件的工具
4、线性代数、随机数生成和傅里叶变换的能力
5、集成C、C++、Fortran代码的工具

1.1 生成Numpy数组

导入numpy后可通过np.+Tab键，在终端中查看可使用的函数。

1.1.1 从已有数据中创建数组

直接对python的基础数据类型（如列表、元组等）进行转换来生成ndarray：

# 从已有数据中创建数组
list1 = [3.14, 2.17, 3.5, 0.1]
nd1 = np.array(list1)

list2 = [[1, 2, 3.4, 4.6], [3.4, 34.4, 1.23, 3.8]]  # 嵌套列表转为多维数组，
nd2 = np.array(list2)

1.1.2 利用random模块生成数组

# 生成0到 1之间的随机数，括号里填你要生成随机数的尺寸
nd3 = np.random.random([3, 3])
print(nd3)

# 生成均匀分布的随机数
nd4 = np.random.uniform(0, 1, [3, 3])
print(nd4)

# 设置随机数种子
np.random.seed(1)
# 生成标准正态分布的随机数
nd5 = np.random.randn(2, 3)
# 当再次遇到随机数种子时，随机数是相同的
np.random.seed(1)
nd6 = np.random.randn(2, 3)
print(nd6)

有时还需要把生成的数据暂时保存起来，以备后续适用，这就需要适用save函数、

# 利用savetxt保存生成的数据
nd11 = np.random.random([4, 4])
np.savetxt(X=nd11, fname="./test1.txt")

# 利用loadtxt使用保存的数据
nd12 = np.loadtxt("./test1.txt")
print(nd12)

1.1.3 创建特定形状的多维数组

参数初始化时，有时需要生成特殊矩阵，如全是0或1的数组或矩阵，这时我们就要利用下面函数来创建

# 生成全是0的3x3的数组
nd7 = np.zeros([3, 3])
print("nd7的值是：\n", nd7)
# 生成全是1的3x3的数组
nd8 = np.ones([3, 3])
print("nd8的值是：\n", nd8)

# 生成3阶的单位矩阵
nd9 = np.eye(3)
print("nd9的值是：\n", nd9)

# 生成3阶的对角矩阵
nd10 = np.diag([1, 2, 3])
print("nd10的值是：\n", nd10)

1.1.4 利用arange、linspace函数生成数组

# 当参数为一个时，参数为终止点，开始默认为0，步长默认为1
# 不包含终点
nd13 = np.arange(10)
nd14 = np.arange(1, 10)
nd15 = np.arange(1, 10, 0.5)
nd16 = np.arange(10, 0, -1)
print("nd13的值是：\n", nd13)
print("nd14的值是：\n", nd14)
print("nd15的值是：\n", nd15)

linspace 可以根据输入的指定数据范围以及等份数量，自动生成一个线性等分向量，其中endpoint（包含终点）默认为True，等分数量默认为50

# linspaace 可以根据输入的指定数据范围以及等份数量，自动生成一个线性等分向量。
# linsoace 是包含终点的
nd17 = np.linspace(0, 10, 10)
print(nd17)