机器学习（神经网络基础篇）——个人理解篇2(概念+代码)_机器学习输入的是图像还是代码-优快云博客

本文链接：https://blog.youkuaiyun.com/qq_73129659/article/details/146508527

1 Numpy数组

作为基于C语言实现，同时支持快速数学运算的存储结构化数据（数值、文本、布尔值等），多用于处理表格、矩阵、时间序列等多维数据。通过对数据清洗（去重、缺失值处理）、特征工程（归一化、标准化），可以了解到数据的一些统计指标（均值、方差、分位数、相关性等）。

1.1 生成一维数组以及多维数组

#输入：
import numpy as np
d = np.array([1.0,2.0,3.0])
print("一维numpy的数值是:",d,"\n其类型是：",type(d))

f = np.array([[1,3,4],[2,5,7],[35,75,2]])
print("二维Numpy数组：",f,"\n其维度大小是:",f.shape,"\n其数值类型是：",f.dtype)


#输出：
一维numpy的数值是: [1. 2. 3.] 
其类型是： <class 'numpy.ndarray'>
二维Numpy数组： [[ 1  3  4]
 [ 2  5  7]
 [35 75  2]] 
其维度大小是: (3, 3) 
其数值类型是： int32

1.2 numpy的算数运算:

#输入：
# 数组间的运算 (需要注意：Numpy数组进行算术运算，实质上是对先关对应位置的元素进行算术运算，因此数组元素个数需要相同)
x = np.array([1,2,3,4,5])
y = np.array([3,4,6,7,9])
a = x + y
b = x * y
c = x - y
print("两个Numpy数组相加的结果是：",a,"\n两个Numpy数组相乘的结果是：",b,"\n两个Numpy数组相减的结果是：",c)
#数组与单个数值（标量）进行运算，实质是一种广播机制
print("对X这个数组每个元素加倍后：",x/2)

#输出：
两个Numpy数组相加的结果是： [ 4  6  9 11 14] 
两个Numpy数组相乘的结果是： [ 3  8 18 28 45] 
两个Numpy数组相减的结果是： [-2 -2 -3 -3 -4]
对X这个数组每个元素加倍后： [0.5 1.  1.5 2.  2.5]

1.3 广播机制的介绍

广播（Broadcasting）是NumPy中处理不同形状数组间运算的核心机制,可以跨维度运算、自动对其维度、简化复杂操作。

具体规则如下：

维度补齐：向形状较小的数组添加长度为1的维度。
尺寸扩展：将尺寸为1的维度扩展到与较大数组对应维度相同。

#输入：
#形状不同的数组之间也可以进行运算
A = np.array([[1,2],[3,4]])
B = np.array([10,20])

print("A：",A,"\nB:",B,"\n相乘进行广播之后：",A*B)


#输出：

A： [[1 2]
 [3 4]] 
B: [10 20] 
相乘进行广播之后： [[10 40]
 [30 80]]

一维数组B被“巧妙地”变成了和维数组A相同的形状，然后再以对应元素的方式进行运算。（其实就是不同维度的数组进行算术运算时，对低纬数组进行扩充，但注意低纬数组的行或者列必须有一个为一维）

小总结：广播机制通过自动对齐数组维度，使不同形状的数组能够高效完成运算，是数据分析中实现向量化计算的关键技术，显著提升代码简洁性和执行效率。

1.4 元素访问

#输入：
G = np.random.randn(3,4)
print('G数组是：',G)
print("G数组的数据维度：",G.shape)

#访问方法一：
print("G的第一行元素是：",G[0])
print("G的第二行第一个元素：",G[1,0],end = '\n\n')

#访问方法二：(采用for循环对各个元素进行访问)
for i in G:
    print(i)
    
#访问方法三:(使用数组访问各个元素)
C = G.flatten()       # X转换为一维数组
print("\n\n使用数组访问：",C,)


#输出：
G数组是： [[-0.45132324 -0.30489257  1.70598086 -0.27545694]
 [ 0.62754857 -0.44401377  0.26855323  1.18982925]
 [ 0.78136244  0.77328339  0.70791744  1.99157336]]
G数组的数据维度： (3, 4)
G的第一行元素是： [-0.45132324 -0.30489257  1.70598086 -0.27545694]
G的第二行第一个元素： 0.6275485692733624

[-0.45132324 -0.30489257  1.70598086 -0.27545694]
[ 0.62754857 -0.44401377  0.26855323  1.18982925]
[0.78136244 0.77328339 0.70791744 1.99157336]


使用数组访问： [-0.45132324 -0.30489257  1.70598086 -0.27545694  0.62754857 -0.44401377
  0.26855323  1.18982925  0.78136244  0.77328339  0.70791744  1.99157336]

1.5 Numpy数组的不等式运算

#输入：
print(G>0.5)



#输出：
[[False False  True False]
 [ True False False  True]
 [ True  True  True  True]]
#得到的是一个布尔值的数组

2 Matplotlib相关介绍

Matplotlib 是 Python 中最流行的数据可视化库，用于创建各种静态、动态和交互式图表。它就像一把「绘图魔法棒」，能将枯燥的数据变成直观的图形，帮助用户更好地理解和分析数据。

下面是代码演示：

2.1图形显示（绘制sinx&cos图形）

# 输入：
import numpy as np
import matplotlib.pyplot as plt #导入数据格式以及绘图工具

#生成数据
x = np.arange(0,6,0.1) # 以0.1为单位，生成0到6的数据
y1 = np.sin(x)
y2 = np.cos(x)

#图形绘制
plt.plot(x,y1,label = "sin")
plt.plot(x,y2,label = "cos",linestyle = "--")
plt.xlabel("x")
plt.ylabel("y")
plt.title("sin & cos")
plt.legend()       #用来显示图例
plt.show()

图形显示：

2.2 图像显示（本地文件用Jupyter notebook显示）

#输入
import matplotlib.pyplot as plt
from matplotlib.image import imread

image = imread(r"D:\桌面\研究生\4581.jpg_wh860.jpg")

 #注意：文件路径需要的Jupyter notebook所在路径一致

plt.imshow(image)
plt.show()

输出：