做數(shù)據(jù)分析，我們難免會使用到Numpy對數(shù)據(jù)做處理。所以我們很有必要對他有所了解。這里配圖詳細(xì)介紹該庫的具體用法。
在開始之前，我們需要導(dǎo)入所需包
import numpy as np
1.一維數(shù)組
創(chuàng)建數(shù)組
np.array([1, 2, 3])
初始化數(shù)組
在對數(shù)組初始化時，Numpy提供了幾種初始化方法，
ones(): 初始元素為1的數(shù)組
zeros():初始元素為0的數(shù)組
random.random():初始元素為隨機(jī)數(shù)的數(shù)組
大家看圖就更加的詳細(xì)。
數(shù)組運(yùn)算
在開始對數(shù)組運(yùn)算之前，我們需要創(chuàng)建兩個示例數(shù)組。
下面開始對數(shù)組做運(yùn)算
# 按位置對元素做相加
data + one
[2, 3]
除了加法外，數(shù)組與數(shù)組之間，我們還可以做其他運(yùn)算。加減乘除。
不僅如此，在對數(shù)組和某個值做運(yùn)算時，也是可以的.
數(shù)組索引
我們可以像對list()列表切片那樣處理Numpy數(shù)組。具體請看下圖。
很強(qiáng)大有木有?。。榱俗龈脤Ρ?，可以看下列表的切片。
data = [1, 2, 3]
data[0]# 輸出1
data[1] # 輸出2
data[0,2] # 輸出[1, 2]
data[1:] # 輸出[2, 3]
數(shù)組聚合
這里就簡單介紹了max(), min(), sum()，當(dāng)然了還有其他的聚合方法，如平均，方差等等。
2.二維數(shù)組(矩陣)
像一維簡單數(shù)組那樣，我們還是先學(xué)會創(chuàng)建簡單二維數(shù)組。
創(chuàng)建矩陣
np.array([[1,2],[3,4]])
初始化矩陣
同理，我們
ones(): 初始元素為1的數(shù)組
zeros():初始元素為0的數(shù)組
random.random():初始元素為隨機(jī)數(shù)的數(shù)組
同樣也是適用于矩陣。
配上圖解，增加可讀性。
矩陣運(yùn)算
同樣也是支持簡單的四則運(yùn)算，這里就以加法為例。其他運(yùn)算也是同理，按位置做運(yùn)算。
當(dāng)不同維度數(shù)組運(yùn)算時，
點積運(yùn)算。
當(dāng)我們需要做點積運(yùn)算時，總會有很多迷茫之處，不要緊這里給更加詳細(xì)的圖解。
矩陣索引
大家可以驗證一下。
# 創(chuàng)建一個三行二列矩陣
np.array([[1,2],[3,4],[5,6]])
矩陣聚合
基本與一維數(shù)組算法是一致的。
我們還可以通過參數(shù)axis實現(xiàn)按行或列聚合。axis=0：按行，axis=1：按列。
以上圖為例，axis=0按行取max，獲取每行的最大值，每行有兩個參數(shù)。axis=1按列取max，獲取每列的最大值，每列有三個參數(shù)。
反轉(zhuǎn)矩陣
矩陣重構(gòu)
通過reshape()函數(shù)，我們可以塑造出我們所需的數(shù)組維度。
3.最后
也適用于多維度數(shù)組與數(shù)學(xué)公式的運(yùn)用。
數(shù)學(xué)運(yùn)用：采用Numpy計算均方誤差(MSE)
更多請參考原文
