在机器学习和深度学习中，图像、声音、文本等输入数据最终都要转换为数组或矩阵。如何有效地进行数组合矩阵的运算？这就需要充分利用Numpy。Numpy是数据科学的通用语言，而且与pytorch关系密切，它是科学计算、深度学习的基石。Pytorch中的Tensor与Numpy非常相似，他们之间可以非常方便的进行转换。
为什么是Numpy？实际上Python本身含有列表（list）和数组（array），但对于大数据来说，这些结构是由很多不足的。由于列表的元素可以是任何对象，因此列表中所保存的是对象的指针。例如为了保存一个简短的[1,2,3]都需要有3个指针和3个整数对象。对于数值运算来说，这种结构显然比较浪费内存和CPU等宝贵资源。至于array对象，他可以直接保存数值，和C语言的一维数组比较类似。但是它不支持多维，在上面的函数也不多，因此不适合做数值运算。
Numpy（Numpy Python的简称）的诞生弥补了这些补助。Numpy提供了两种基本对象：ndarray和ufunc。ndarray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，快速结束呢个空间的多维数组，提供署驻华的算术运算和高级的广播功能。
（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、随机生成和傅里叶变换的能力。
（5）继承C、C++、Fortran代码的工具。
1.1生成Numpy数组
Numpy是Python的外部库，不在标准库中。因此，若要使用它，需要先导入Numpy。
import numpy as np
导入Numpy后，可通过np.+Tab键，查看可食用的函数，若果对其中一些函数的使用补水很清楚，还可以再对应函数+？，再运行，就可以很方便的看到如何使用函数的帮助信息。
Numpy不但强大，而且还非常友好。下面将介绍Numpy的一些常用方法，尤其是鱼机器学习、深度学习相关的一些内容
Numpy封装了一个新的数据类型ndarray，它是一个多维数组对象。该对象封装了血多常用的数学运算函数，方便我们做数据处理、数据分析等。那么如何生成ndarray呢？这里介绍生成ndarray的集中方式，如从已有数据中创建，利用random创建，创建特定形状的多维数组，利用arrange、linespace函数生成等。
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。
（1）将列表转换成ndarray
（2）嵌套列表可以转换成多维ndarray；
如果把上面实例中的列表换成元组也同样适用。
1.1.2利用random模块生成数组
在深度学习中，我们经常对一些参数进行初始化，因此为了更有效地训练模型，提高模型的性能，有些初始化还需要满足一定的条件，如满足正态分布或均匀分布等。这里姐好啊了几种常用的方法。
np.random模块常用函数
函数描述np.random.random生成0到1之间的随机数np.random.uniform生成均匀分布的随机数np.random.randn生成标准正态的随机数np.random.randint生成随机的整数np.random.normal生成正态分布np.random.shuffle随机打乱顺序np.random.seed设置随机的种子random_sample生成随机的浮点数
下面来看一些函数的具体使用：
import numpy as np
nd3=np.random.random([3,3])
print(nd3)
print("nd3的形状为：",nd3.shape)
为了每次生成同一份数据，可以指定一个随机种子，使用shuffle函数打乱生成的随机数。
import numpy as np
np.random.seed(123)
nd4=np.random.randn(2,3)
print(nd4)
np.random.shuffle(nd4)
print("随机打乱后的数据：")
print(nd4)
print(type(nd4))
1.1.3创建特定形状的多维数组
参与初始化时，有时需要生成一些特殊矩阵，如全是0或1的数组或矩阵，这时我们可以利用np.zeros、np.ones、np.diag来实现。
Numpy数组创建函数
函数描述np.zeros((3,4))创建34的元素全为0的数组np.ones((3,4))创建34全为1的数组np.empty((2,3))创建23的空数组，空数据中的值并不为0，而是未初始化的垃圾值np.zeros_like(ndarr)以ndarr相同维度创建元素全为0的数组np.ones_like(ndarr)以ndarr相同维度创建元素全为1的数组np.empty_like(ndarr)以ndarr相同维度创建空数组np.eye(5)该函数用于创建一个55的矩阵，对角线为1，其余为0np.full((3,5),666)创建3*5的元素全为666的数组，666为指定值
有时还可能把生成的数据暂时保存起来，以备后续使用。
1.1.4利用arange、linespace函数生成数组
arange是numpy模块中的函数，其格式为：
arange ([start,]stop[,step,],dtype=None)
其中start与stop用来指定范围，step用来设定步长。在生成一个ndarray时，start默认为0，步长step可为小数。Python有个内置函数range，其功能与此类似。
import numpy as np
print(np.arange(10))
print(np.arange(0,10))
print(np.arange(0,4,0.5))
linspace也是numpy模块中常用的函数，其格式为：
np.linspace(start,stop,num=50,endpoint=True,retstep=False,dtype=None)
linspace可以根据输入的制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num默认为50.如果将retstep设置为True，这会返回一个呆不长的ndarray。
import numpy as np
print(np.linspace(0,1,10))
指的一提的是，这里并没有像我们预期的那样，生成0.1,0.2…1.0这样步长为0.1的ndarray，这是因为linspace必定会包含数据起点和终点，那么步长则为（1-0）/9=0.11111111.如果需要产生0.1,0.2…1.0这样的数据，只需要将数据的起点修改为0.1即可。
除了上面介绍到的arange和linspace，Numpy还提供了logspace，该函数的使用方法与linspace的使用方法一样。
1.2获取元素
下面将介绍几种常用的获取数据的方法。
import numpy as np
np.random.seed(2022)
nd11=np.random.random(([10]))
#获取指定位置的数据，获取第4个元素
print("--------1-----------")
print(nd11[3])
#截取一段数据
print("--------2-----------")
print(nd11[3:6])
#按固定间隔截取
print("--------3-----------")
print(nd11[1:6:2])
#倒序取数
print("--------4-----------")
print(nd11[::-2])
#截取一个多维数组的一个区域内数据
nd12=np.arange(25).reshape([5,5])
print("--------5-----------")
print(nd12)
print(nd12[1:3,1:3])
#截取多维数组中，数值在一个值域之内的数据
print("--------6-----------")
print(nd12[(nd12>3)&(nd12
Original: https://blog.csdn.net/mez_Blog/article/details/122574433
Author: mez_Blog
Title: Numpy基础（1.0）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/763286/
转载文章受原作者版权保护。转载请注明原作者出处！