numpy随机生成01矩阵_人生苦短，自学python——numpy模块

秒速五厘米 2023-01-03 12:57 185阅读 0赞

numpy、pandas、matplotlib、sklearn是python机器学习领域，最核心的几个模块，玩转了这几个模块也就玩转了机器学习，其中，numpy又是这几个模块中最基础的模块。

**内置数据结构——ndarray**

**一、创建ndarray：**

**1、基于list或tuple**

![bbfa47d45ba89542d2812237ea900a87.png][]

**2、基于np.arange：**

![2db76c0536ffd81b6097e7e8ed050634.png][]

**3、基于np.arange和reshape构建多维数组：**

![30d92a28f6eae585adcb7650273fd066.png][]

**4、基于random构建随机数组：**

(1)numpy.random.rand(d0,d1,…,dn)

*  rand 函数根据给定维度生成 \[0,1) 之间的数据，包含 0，不包含 1
 *  dn 表格每个维度
 *  返回值为指定维度的 array

![cc48dc82d991264c0e0891b2e49feb59.png][]

(2)numpy.random.randn(d0,d1,…,dn)  
• randn 函数返回一个或一组样本，具有标准正态分布。  
• dn 表格每个维度  
• 返回值为指定维度的 array

![f6b19fde888dd78fcd09c65a907ebc51.png][]

(3)numpy.random.randint(low, high=None, size=None, dtype=“l”)

• 返回随机整数，范围区间为 \[low,high)，包含 low，不包含 high  
• 参数：low 为最小值， high 为最大值， size 为数组维度大小， dtype 为数据类型，默认的数据类型是 np.int  
• high 没有填写时，默认生成随机数的范围是 \[0， low)

![0c975d9492871d07409cfeb2920ac984.png][]

(4)生成 \[0,1) 之间的浮点数

• numpy.random.random\_sample(size=None)  
• numpy.random.random(size=None)  
• numpy.random.ranf(size=None)  
• numpy.random.sample(size=None)

(5)numpy.random.choice(a, size=None, replace=True, p=None)

• 从给定的一维数组中生成随机数  
• 参数：a 为一维数组类似数据或整数；size 为数组维度；p 为数组中的数据出现的概率  
• a 为整数时，对应的一维数组为 np.arange(a)

![98a69bfa34b2080e610ee287a8e24be1.png][]

(6)numpy.random.seed()

• np.random.seed() 的作用：使得随机数据可预测。  
• 当我们设置相同的 seed，每次生成的随机数相同。如果不设置 seed，则每次会生成不同的随机数

![01fd5eda1ee34c90e229c78cf9b3bfa3.png][]

**其他方法：**

![08d876ab4b1c2634c223445f427d628e.png][]

**二、ndarray的属性：**

1、dtype 属性， ndarray 数组的数据类型，数据类型的种类

![e3677e29c19588a06d217399df12576d.png][]

2、ndim 属性，数组维度的数量

![0fcdef3cd4aa5ab4109eb14c59a671a1.png][]

3、shape 属性，数组对象的尺度，对于矩阵，即 n 行 m 列,shape 是一个元组(tuple)

![20bad698d307d96083956342555f9e02.png][]

4、size 属性用来保存元素的数量，相当于 shape 中 n\*m 的值

![2140232fa5f8a41aab40b55d319111a1.png][]

5、itemsize 属性返回数组中各个元素所占用的字节数大小

![727505f0d63213447f9a4a7ce1916b06.png][]

6、nbytes 属性，数组所需的字节数量，其值等于数组的 size 属性值乘以itemsize 属性值

![516e623c619ffe03609ed1bda5023aab.png][]

7、T 属性，数组转置

![9cf74a3faba504daf18366f086dbde59.png][]

![7a8cebd2ee9603f49d5320d75062e79d.png][]

8、数的实部和虚部属性， real 和 imag 属性

![e2136767f0fff2a55adf2ab58c3a2a09.png][]

![fa2b9b36ab298def970809858fd2bcac.png][]

9、flat 属性，返回一个 numpy.flatiter 对象，即可迭代的对象

![57520b42cf85c9a6c98946256d00c511.png][]

**三、ndarray的数值类型**

*  **数据类型**
    
    ![581c92ee738ad74c43e3f03662192935.png][]
 *  **类型转换**
    
    **1、创建时指定类型**
    
    ![1b6a48013c85fc5dfa00295cab59b7f4.png][]
    
    **2、使用astype强制转换类型**
    
    ![fe8efdb0c6c7e929cc47581ff91ef43f.png][]
    
    **四、ndarray的形状变化：**
    
    **1、数组形状转换**
    
    **• reshape() 和 resize()**
    
    ![89a53c1409ce300d537f72a236cb89cf.png][]
    
    函数 resize()的作用跟 reshape()类似，但是会改变所作用的数组，相当于有 inplace=True 的效果**• ravel() 和 flatten()，将多维数组转换成一维数组**
    
    ![9c411a5a1f2bd76ce8e82c400d3d2020.png][]

两者的区别在于返回拷贝(copy)还是返回视图(view) ， flatten() 返回一份拷贝，需要分配新的内存空间，对拷贝所做的修改不会影响原始矩阵，而 ravel() 返回的是视图(view)，会影响原始矩阵

![d0d708681f1ae5da75061ec61e45115f.png][]

**• 用 tuple 指定数组的形状**

![9ef515a9b86a72a6546805eddd5d9432.png][]

**• 转置**  
前面描述了数组转置的属性(T)，也可以通过 transpose() 函数来实现

![c257104635778b47a9910e780531b63d.png][]

**2、数组堆叠**

![71f7691451633492ac251af88fd8ad02.png][]

**• 水平叠加 ：hstack()\\column\_stack()**

![b4509a9a16bddb8daaad4c0e0ab1cd94.png][]

**• 垂直叠加 :vstack()\\row\_stack()**

![5cc5d988e241be4c50d0dec44515d8cb.png][]

**• concatenate() 方法，**通过设置 axis 的值来设置叠加方向  
axis=1 时，沿水平方向叠加  
axis=0 时，沿垂直方向叠加

![76c506f1c3cae11fbf0f4d7669ce5234.png][]

**3、数组拆分**

跟数组的叠加类似，数组的拆分可以分为横向拆分、纵向拆分以及深度拆分。涉及的函数为 hsplit ()、 vsplit ()、以及 split ()

![fd304111a2a3cd32278cff3c8043fc7d.png][]

**• 沿横向轴拆分(axis=1)**

![9e4cd3e646485df7e5a150aa988514b6.png][]

**• 沿纵向轴拆分(axis=0)**

![bb510344e2a1713227375a1cff0cb342.png][]

**五、数组切片与索引**

• 一维数组切片与索引与列表类似

• 二维数组的切片和索引

![fade7e31477aafc1f3d9273b267e59a7.png][]

**• 高维数组的切片和索引 **递归读取各个索引位置

![8aac08758db81773c11caef5b2aa667f.png][]

**利用数组进行数据分析**

一、**通用函数：**快速的元素级数组函数

![a938b181bf4078bc1892d31a55eb4874.png][]

![cc54b6fb536216405ec30de065b8fc00.png][]

**二、常用统计函数**

常用的函数如下, 请注意函数在使用时需要指定 axis 轴的方向，若不指定，默认统计整个数组。 **• np.sum()，返回求和  
• np.mean()，返回均值  
• np.max()，返回最大值  
• np.min()，返回最小值  
• np.ptp()，数组沿指定轴返回最大值减去最小值，即(max-min)  
• np.std()，返回标准偏差(standard deviation)  
• np.var()，返回方差(variance)  
• np.cumsum()，返回累加值  
• np.cumprod()，返回累乘积值**

**三、利用数据进行数据分析**

**• 数组的广播，数组直接参与数据运算**

当数组跟一个标量进行数学运算时，标量需要根据数组的形状进行扩展，然后执行运算。这个扩展的过程称为“广播(broadcasting)”

![6b2d2868f277e18e740cf3232f9fb493.png][]

**• 将条件逻辑表述为数组运算**

numpy.where是三元表达式x if condition else y的矢量化

![9428ef44acd00863b8b844d74fffde20.png][]

**• 用于布尔型数组的方法**

arr.any():数组中存在一个或多个true,返回true

arr.all()：只有数组元素全部是true才返回true

![6c6ad123a8dc094195ff6f9a3b223c57.png][]

**•数组排序**

**np.sort()**

![46d2fbe1587090ff0bcbb2ee632c3037.png][]

**•唯一化以及其他的集合逻辑**

![ed7f2a10f2070e8fdfa97f6751ac9bec.png][]

**•文件输入输出**

![74d9c8d30f0254832143ebcc33f99617.png][]

**•线性代数**

**numpy.linalg 如：矩阵乘法、矩阵分解、行列式及其他方阵等**

![5581a598bef8f2c74c7adf6b5f7eded3.png][]

[bbfa47d45ba89542d2812237ea900a87.png]: /images/20221119/e9268dbe94fb425eac7287d2fd7b58d1.png
[2db76c0536ffd81b6097e7e8ed050634.png]: /images/20221119/7daa014c0fd44178be2f7a3da7fa4b7a.png
[30d92a28f6eae585adcb7650273fd066.png]: /images/20221119/578e5ce5e28b4e609f8f8283bcdf29bb.png
[cc48dc82d991264c0e0891b2e49feb59.png]: /images/20221119/4058d2b21d614e3a88646281ef42472f.png
[f6b19fde888dd78fcd09c65a907ebc51.png]: /images/20221119/ffcbf196d6634f84952143bbe2b1c1de.png
[0c975d9492871d07409cfeb2920ac984.png]: /images/20221119/850f6eafe2c943bb99e222efe01e9f56.png
[98a69bfa34b2080e610ee287a8e24be1.png]: /images/20221119/84cfa672842641199231a0f6aab2460a.png
[01fd5eda1ee34c90e229c78cf9b3bfa3.png]: /images/20221119/5390f253360f4e40ad6980833e43b642.png
[08d876ab4b1c2634c223445f427d628e.png]: /images/20221119/1a8e8749b7d04a779f0396c3c746d4fa.png
[e3677e29c19588a06d217399df12576d.png]: /images/20221119/2b07037f8989436d8e7719c475e0e900.png
[0fcdef3cd4aa5ab4109eb14c59a671a1.png]: /images/20221119/9e535d07ad704df2b9c2ac4e786d0974.png
[20bad698d307d96083956342555f9e02.png]: /images/20221119/eb50b7f9bad0427db403468ada57fdb1.png
[2140232fa5f8a41aab40b55d319111a1.png]: /images/20221119/f326a532ceb4474595b21e0f2b546136.png
[727505f0d63213447f9a4a7ce1916b06.png]: /images/20221119/69c6358603ba48aa9d63dfca86c733da.png
[516e623c619ffe03609ed1bda5023aab.png]: /images/20221119/0db86177396a418a9c7c70f48483dca1.png
[9cf74a3faba504daf18366f086dbde59.png]: /images/20221119/d5d474f644b24f498c2e07a9139808c4.png
[7a8cebd2ee9603f49d5320d75062e79d.png]: /images/20221119/fb33f863e82f4d9cbd78c0d72ca3f98a.png
[e2136767f0fff2a55adf2ab58c3a2a09.png]: /images/20221119/da1b99e1107f46cf86b2fc61d3087986.png
[fa2b9b36ab298def970809858fd2bcac.png]: /images/20221119/ccc0b9a03ff748feb53734c18fbb5182.png
[57520b42cf85c9a6c98946256d00c511.png]: /images/20221119/d54ce693729f4854b15098163dcac7ff.png
[581c92ee738ad74c43e3f03662192935.png]: /images/20221119/408b0aac89f741f198ee87f4269c11e0.png
[1b6a48013c85fc5dfa00295cab59b7f4.png]: /images/20221119/e5caecb7c9514a63b157ddd4843d97eb.png
[fe8efdb0c6c7e929cc47581ff91ef43f.png]: /images/20221119/212e528884bd442fafecd6158dd7339a.png
[89a53c1409ce300d537f72a236cb89cf.png]: /images/20221119/77764f25150a49ddbf2431c59d4759fa.png
[9c411a5a1f2bd76ce8e82c400d3d2020.png]: /images/20221119/9b150f96ed204f3181cb5eadf3bdfbc3.png
[d0d708681f1ae5da75061ec61e45115f.png]: /images/20221119/c1e4e3d4b3be49debec851408dbb6dd4.png
[9ef515a9b86a72a6546805eddd5d9432.png]: /images/20221119/a0b1f62ad5b14c9a934cbe100b67e8fd.png
[c257104635778b47a9910e780531b63d.png]: /images/20221119/07004afce9074b81b2e85e626a17b847.png
[71f7691451633492ac251af88fd8ad02.png]: /images/20221119/7dab43167ab3424f9e26a68669c2f34d.png
[b4509a9a16bddb8daaad4c0e0ab1cd94.png]: /images/20221119/6ccaff73ba4e451494d4ed17712e9ce8.png
[5cc5d988e241be4c50d0dec44515d8cb.png]: /images/20221119/6632f50587b94005ab59d63d054a9f0a.png
[76c506f1c3cae11fbf0f4d7669ce5234.png]: /images/20221119/e42c15bea4414c0bb9fc113ef4e2a4d8.png
[fd304111a2a3cd32278cff3c8043fc7d.png]: /images/20221119/88fa32cbb34641a68e100813fddf9cf9.png
[9e4cd3e646485df7e5a150aa988514b6.png]: /images/20221119/ba693b037e5243909e5e29a7212fc27f.png
[bb510344e2a1713227375a1cff0cb342.png]: /images/20221119/5e52e248417d46b28a2056a082c2e874.png
[fade7e31477aafc1f3d9273b267e59a7.png]: /images/20221119/694010e89c2a4e3c809cdd3435db7de0.png
[8aac08758db81773c11caef5b2aa667f.png]: /images/20221119/b538edc11e4e409283f6aeb0c285d8e7.png
[a938b181bf4078bc1892d31a55eb4874.png]: /images/20221119/2aa9eedf669c496c80e5e43774daa5ca.png
[cc54b6fb536216405ec30de065b8fc00.png]: /images/20221119/716700c521b3431c9bcc1c9fbd7e71ad.png
[6b2d2868f277e18e740cf3232f9fb493.png]: /images/20221119/c51d17de965549e1ab08e24a44d726cc.png
[9428ef44acd00863b8b844d74fffde20.png]: /images/20221119/f2ac1c794a7b499fbfc6c30a629df5b1.png
[6c6ad123a8dc094195ff6f9a3b223c57.png]: /images/20221119/ada13b8da751441b92d5ecca1fea8e1c.png
[46d2fbe1587090ff0bcbb2ee632c3037.png]: /images/20221119/4c0ef55917454f99adcace892604666d.png
[ed7f2a10f2070e8fdfa97f6751ac9bec.png]: /images/20221119/c1a6193ccd13404db780b5e90ca3edc5.png
[74d9c8d30f0254832143ebcc33f99617.png]: /images/20221119/fad68634cc454c57b26591a3afd4e63f.png
[5581a598bef8f2c74c7adf6b5f7eded3.png]: /images/20221119/53197866a59648a48f92a0ecc1113fc6.png