学习笔记 | 机器学习基础 | numpy库使用

〇、numpy库导入

import numpy as np
### 之后使用np作为numpy的别名

一、矩阵的生成

1.array方法

x=np.array(  [  [1,2,3],[4,5,6]  ] )  
#一层括号一层维度，默认都是行向量

每一行的数字使用方括号括起，不同行逗号隔开，整个矩阵再使用方括号整体括起来，最后由于array是方法，所以要使用括号括起来

2.特殊矩阵生成

全零矩阵生成：np的zeros方法

y=np.zeros( (3,2)  )

注意是zeros,同时矩阵形状使用括号括起之后，由于zeros自身是方法，所以要使用括号再括起来，两层括号

全一矩阵生成：np的ones方法

z=np.ones( (3,3) )

注意事项同zeros

矩阵运算

1.矩阵点乘： @ | np.dot(x,y)

z=x@y
#or
z=np.dot(x,y)

2.矩阵转置 x.T

x=np.array([[1,2,3]])
y=np.ones((1,3))
z=x@y.T
#使得y的转置得到列向量可以与x行向量相乘。

3.逐元素相乘 *

CNN、textCNN中涉及
两同型矩阵逐元素相乘得到的仍然是一个同型矩阵

x=np.array([[1,2,3]])
y=np.array([[4,5,6]])
z=x*y
#z=[4,10,18]

4.求和、均值

x=np.array([[1,2,3]])
y=np.sum(x)
z=np.mean(x)
print(y) #输出将会是1+2+3=6
print(z) #输出将会是平均值2

对于非单行向量的举证而言，sum将会是所有元素之和，mean将会是所有元素平均值

5.逐元素平方 **2

6. 形状查询 x.shape

=============================================================================

对于使用np.来调用还是使用矩阵自身来调用

· 两者在统计和变形操作上 基本等价（如 x.sum() == np.sum(x)），但 np. 是万能的，而 x. 是专属的。

· x.方法()（面向对象）：通常只针对当前数组 x 自身进行操作，或者需要结合另一个数组 y 进行操作。它强调的是“这个数组要做什么”。
例如：x.sum()（求自己的和）、x.mean()（求自己的均值）、x.reshape()（改变自己的形状）。

· np.函数()（函数式）：通常是一个通用的全局工具。它可以接受一个或多个数组作为参数，甚至不需要数组也能工作。它强调的是“用这个工具去处理数据”。
例如：np.sum(x)、np.mean(x)、np.sqrt(x)（求平方根）。