目录
0.导引
1.AI前导课
1.数据阶段 要使用的编译器：jupyter notebook
2.数据阶段：
AI 初级
AI体系： google alphago 深度学习阶段
商业阶段：推荐系统，人脸识别，验证码识别，BI(数据分析)(偏运维)
工业领域：智能驾驶，语义分析，情感分析，目标检测(偏重算法开发)
数学基础：高等数学，概率论，线性代数
python 基本库:numpy pandas ==> 数据分析+人工智能的基础
sklearn ==> 数据挖掘+人工智能的基础（也可以用于建模)
tensorflow ==> 深度学习的框架
可视化工具：Matplotlib seaborn Excel POWERBI Tableau SPSS
python是综合学科：python-web 爬虫 数据分析
数据分析岗 监控数据 给出一些决策建议（商业数据分析模式）
2.Jupyter
shift+tab ==> 查看帮助文档 { help(len) 获取 ? len }
shift+enter ==> 运行 { 或者：ctrl+enter }
3.Ipython
3.1 运行外部的python命令
使用下面的命令运行外部的python文件（默认是当前目录，最好加上绝对路径）：
%run *.py 注意：路径不用加双引号
运行外部的python，相当于把整个文件的资源都加载到jupyter notebook中了，所以py文件里面的所有变量。函数都可以直接使用。
如下所示：
3.2 运行计时
% 表示检测一行代码
%% 表示检测多行代码
time 代码运行一次
timeit 代码运行多次，求平均时间%time 表示检测一行代码运行一次时间
%timeit 表示检测一行代码运行的平均时间
%%time 表示多行代码运行时间
%%timeit 表示多行代码平均运行时间
短代码建议用第二种，长代码用第一种，因为第二种运行多次耗时太长。
3.3 查看当前会话中所有变量与函数
%who ==> 快速查看当前会话的所有变量与函数名称
%whos ==> 查看当前会话的所有变量与函数名称的详细信息
%who_ls ==> 返回一个字符串列表，里面元素是当前会话的所有变量与函数名称
3.4 执行Linux指令
mac Linux ==> 使用！
windows ==> 使用%
注意：%与指令之间无空格
3.5 更多魔法指令
列出所有的魔法指令：%lsmagic
查看魔法指令的文档：使用？
3.6 Ipython输入输出历史
- 可使用In/Out调用输入输出历史：
In返回一个字符串列表，里面是所有输入命令的字符串；
Out返回一个含有输出的命令的序号及其输出组成的字典；
两者皆可以通过索引获取元素。
- 使用下划线表示输出：
“_”表示上一个输出
“_2″表示Out[2]
4.numpy数组基本概念
numpy提供了一种数组类型，高维数组，提供了数据分析的运算基础(业务表一般就是二维）
c ==> 数组的概念:数据类型一致的一个连续的内存空间
python ==> list列表(C语言说:列表其实就是一个指针数组）,列表不要求数据类型一致
numpy ==> 同样是一个【有序】的，【相同数据类型】的集合numpy设计初衷是用于运算的，所以对数据类型进行统一优化。
注意︰
- numpy默认ndarray的所有元素的类型是相同的
- 如果传进来的列表中包含不同的类型，则统一为同一类型，优先级:str>float>int
5.numpy数组的构造与属性
5.1 numpy的一般构造
- array(object，dtype=None，copy=True，order=’K’, subok=False，ndmin=0)
5.2 numpy的常规函数构造
包含以下常见创建方法︰
1) np.ones(shape, dtype=None, order=’C’)
2) np.zeros(shape, dtype=float, order=’C’)
3) np.full(shape, fill_value, dtype=None, order=’C’)
4) np.eye(N, M=None,k=0, dtype=float) 对角线为1其他的位置为0
5) np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
6) np.arange([start, ]stop, [step, ]dtype=None)
7) np.random.randint(low, high=None, size=None, dtype=’)
8)正态分布函数
. np.random.randn(d0, d1，…， dn) 标准正态分布
. np.random.normal() 普通正态分布
9) np.random.random(size=None) 生成0到1的随机数，左闭右开
10)np.random.permutation(n) 生成n个无重复的整数，用于随即生成索引shape的几种情况：
shape=(m,n) m行n列 二维数组
shape=(m) m个元素的一维数组
shape(m,) m个元素的一维数组
shape(m,1) m行1列 二维数组 [[1],[3],[5]]
shape(1,m) 1行m列 二维数组 [[1,2,3]]
1) np.ones(shape, dtype=None, order=’C’)
2) np.zeros(shape, dtype=float, order=’C’)
3) np.full(shape, fill_value, dtype=None, order=’C’)
4) np.eye(N, M=None,k=0, dtype=float) 对角线为1其他的位置为0
5) np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
等差数列 关注生成多少个数据 [start,stop]
6) np.arange([start, ]stop, [step, ]dtype=None)
等差数列 关注步长 [start,stop)
7) np.random.randint(low, high=None, size=None, dtype=’)
8)正态分布函数
. np.random.randn(d0, d1，…， dn) 标准正态分布
. np.random.normal() 普通正态分布
9) np.random.random(size=None) 生成0到1的随机数，[0,1)
10)np.random.permutation(n) 生成n个无重复的整数，用于随即生成索引
5.3 numpy必记属性
4个必记参数：
- ndim:维度
- shape :形状（各维度的长度)
- size:总长度
- dtype :元素类型
6.numpy的基本操作
6.1 索引
一维与列表完全一致，多维时同理。
二维数组：
num[0] ==>第0行
num[1][2] ==>1行2列（兼容）
num[1,2] ==>1行2列（特有方式）
一维数组：
num[2]
num[[0,1,2] ==>同时访问多个
高级用法：
使用列表下标访问；
使用bool类型访问。
数据翻转：arr[::-1]
6.2 切片
一维与列表完全一致，多维时同理。
所有的切片都是左闭右开区间 [start,end)
不论多少维，每一个维度的切片范围都是用冒号表示，使用逗号分割，最后一个维度可以省略，但是被切片的维度之前的维度不能省。
6.3 变形
使用reshape函数，reshape返回的是一个新数组，原数组不变。
注意：参数是一个tuple，但不写成元组也可以；不可以将参数写成shape=(m,n)，报错。
6.4 级联
级联：就是将两个数组连接。
np.concatenate()级联需要注意的点:
1.级联的参数是列表：一定要加中括号或小括号
2.维度必须相同
3.形状相符
4.【重点】级联的方向默认是shape这个tuple的第一个值所代表的维度方向
5.可通过axis参数改变级联的方向
np.hstack与np.vstack：
水平级联与垂直级联,处理自己，进行维度的变更
6.5 切分
与级联类似，三个函数完成切分工作:
- np.split(ary, indices_or_sections, axis=0)
- np.vsplit(ary, indices_or_sections)
- np.hsplit(ary, indices_or_sections)
indices_or_sections=[n1,n2,…]可以指定切的方法, n1，n2相当于刀，切一刀。
7.numpy的聚合操作
7.1 常见的聚合操作
arr.sum() ==> 求和 arr.max() ==> 求最大
arr.min() ==> 求最小 arr.argmin() ==> 求最小值下标
arr.mean() ==> 求平均值 np.median(arr) ==> 求中位数(注意：不一样)
arr.std() ==> 求标准差 arr.var() ==>求方差
np.percentile(arr,[0.25,0.5,0.75]) ==> 求分位数
arr.all() ==> bool列表里所有值都是True 或者 all(arr)
arr.any() ==> bool列表里有值是True 或者 any(arr)
7.2 广播运算
广播运算，数组中的每一个数都和一个数字进行运算。
【重要】 nd.array广播机制的两条规则：
- 规则一︰为缺失的维度补
- 规则二︰假定缺失元素用已有值填充(填充是拿整体填充，不可以只拿一部分，比如2行2列不可以扩充到2行3列只能2行4列或其他)
8.矩阵运算
a*b ==> 对应位置相乘
a.dot(b) ==> 矩阵相乘(一行乘以一列) 或者np.dot(a,b)
9.numpy排序
9.1 快速排序
np.sort()与ndarray.sort()都可以，但有区别:
- np.sort()不改变输入
- arr.sort()本地处理，不占用空间，但改变输入
np.partition(a,k)
有的时候我们不是对全部数据感兴趣，我们可能只对最小或最大的一部分感兴趣。
- 当k为正时，我们想要得到最小的k个数
- 当k为负时，我们想要得到最大的k个数
Original: https://blog.csdn.net/m0_58086930/article/details/125643490
Author: 我行我素，向往自由
Title: Numpy全系列笔记
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/694682/
转载文章受原作者版权保护。转载请注明原作者出处！