Python 기계 학습 라이브러리 NumPy
- 不言원래의
- 2018-04-19 10:49:052089검색
기계 학습 프로그래밍에 Python 언어를 사용할 때 매우 일반적으로 사용되는 기본 라이브러리입니다. 이 글은 Python 머신러닝 라이브러리 NumPy에 대한 입문 튜토리얼입니다. 관심 있는 친구들은 함께 배울 수 있습니다.
NumPy는 과학 컴퓨팅에 매우 적합한 Python 언어 소프트웨어 패키지입니다. 이것은 기계 학습 프로그래밍을 위해 Python 언어를 사용할 때 매우 일반적으로 사용되는 기본 라이브러리입니다.
이 기사는 이에 대한 입문 튜토리얼입니다.
소개
NumPy는 과학 기술 컴퓨팅을 위한 기본 소프트웨어 패키지로 Python 언어로 구현됩니다. 포함 내용:
강력한 N차원 배열 구조
정교하고 복잡한 기능
C/C++ 및 Fortran 코드에 통합할 수 있는 도구
선형 대수학, 푸리에 변환 및 확률론적 수치 기능
과학 컴퓨팅 외에도 NumPy는 범용 데이터를 위한 효율적인 다차원 컨테이너로도 사용할 수 있습니다. 모든 유형의 데이터와 작동하기 때문에 NumPy를 다양한 유형의 데이터베이스에 원활하고 효율적으로 통합할 수 있습니다.
Get NumPy
이것은 Python 언어 소프트웨어 패키지이므로 먼저 컴퓨터에 Python 언어 환경이 있어야 합니다. 이에 관해서는 인터넷에서 구하는 방법을 검색하시기 바랍니다.
NumPy를 구하는 방법은 scipy.org 공식 웹사이트의 패키지 설치를 참조하세요. 이 기사에서는 자세히 다루지 않습니다.
저자는 pip를 사용하여 Python 패키지를 설치할 것을 권장합니다. 명령은 다음과 같습니다.
pip3 install numpy
이 문서의 코드는 다음 환경에서 확인 및 테스트되었습니다.
하드웨어: MacBook Pro 2015
OS: macOS High Sierra
언어 환경: Python 3.6.2
패키지: numpy 1.13.3
여기에서 이 문서의 모든 소스 코드를 얻을 수 있습니다: https:/ /github.com/paulQuei /numpy_tutorial
또한,
간단함을 위해 이 기사에서는 Python의 인쇄 기능을 사용하여 결과를 확인하겠습니다.
철자 편의를 위해 기본적으로 numpy를 가져옵니다. as np
기본 속성 및 배열 생성
NumPy의 기본은 동형 다차원 데이터이며 배열의 요소는 첨자로 색인화될 수 있습니다. NumPy에서는 차원을 축(복수형은 축)이라고 하고 차원의 수를 순위라고 합니다.
예:
다음은 순위 1의 배열이고 축의 길이는 3입니다.
[1, 2, 3]
다음은 순위 2의 배열이며 축의 길이도 다음과 같습니다. 3:
[[ 1, 2, 3],
[ 4, 5, 6]]
배열 함수를 통해 NumPy 배열을 만들 수 있습니다. 예:
a = np.array([1, 2, 3]) b = np.array([(1,2,3), (4,5,6)])
참고하세요 여기에 대괄호가 필요합니다. 다음 작성 방법이 잘못되었습니다.
a = np.array(1,2,3,4) # WRONG!!!
NumPy의 배열 클래스는 ndarray이고 별칭은 numpy.array이지만 이는 array.array와 동일하지 않습니다. Python 표준 라이브러리의 . 후자는 단지 1차원 배열이다. 그리고 ndarray에는 다음과 같은 속성이 있습니다:
ndarray.ndim: 배열의 차원. Python 세계에서는 차원을 Rank
ndarray.shape라고 하며 배열의 차원입니다. 이는 일련의 숫자로, 길이는 배열의 크기(ndim)에 따라 결정됩니다. 예를 들어 길이가 n인 1차원 배열의 모양은 n입니다. n개의 행과 m개의 열이 있는 행렬의 모양은 n,m
ndarray.size: 배열에 있는 모든 요소의 수
ndarray.dtype: 배열에 있는 요소의 유형(예: numpy) .int32, numpy.int16 또는 numpy.float64
ndarray.itemsize: 배열의 각 요소 크기(바이트)
ndarray.data: 배열 요소를 저장하는 버퍼. 일반적으로 버퍼에 액세스하지 않고 아래 첨자를 통해서만 요소에 액세스하면 됩니다.
코드 예제를 살펴보겠습니다.
# create_array.py
import numpy as np
a = np.array([1, 2, 3])
b = np.array([(1,2,3), (4,5,6)])
print('a=')
print(a)
print("a's ndim {}".format(a.ndim))
print("a's shape {}".format(a.shape))
print("a's size {}".format(a.size))
print("a's dtype {}".format(a.dtype))
print("a's itemsize {}".format(a.itemsize))
print('')
print('b=')
print(b)
print("b's ndim {}".format(b.ndim))
print("b's shape {}".format(b.shape))
print("b's size {}".format(b.size))
print("b's dtype {}".format(b.dtype))
print("b's itemsize {}".format(b.itemsize))다음은 이 코드의 출력입니다.
a= [1 2 3] a's ndim 1 a's shape (3,) a's size 3 a's dtype int64 a's itemsize 8 b= [[1 2 3] [4 5 6]] b's ndim 2 b's shape (2, 3) b's size 6 b's dtype int64 b's itemsize 8
배열을 생성할 때 요소 유형을 지정할 수도 있습니다. 예:
c = np.array( [ [1,2], [3,4] ], dtype=complex )
배열 함수에 대한 자세한 매개변수 설명은 여기를 참조하세요: numpy. array
참고: NumPy 자체는 다차원 배열과 다양한 유형의 요소 데이터를 지원합니다. 하지만 3차원 이상의 배열 구조는 이해하기 쉽지 않다는 점을 고려하면 머신러닝을 프로그래밍할 때 행렬 연산을 가장 많이 사용합니다. 따라서 이 문서의 다음 예제에서는 설명을 위해 주로 1차원 및 2차원 수치 배열을 사용합니다.
특정 배열 생성
실제 프로젝트 프로젝트에서는 특정 데이터가 필요한 경우가 많습니다. NumPy는 다음과 같은 보조 기능을 제공합니다.
-
zeros: 모든 요소가 0인 배열을 만드는 데 사용됩니다
-
ones: 모든 요소가 1
인 배열을 만드는 데 사용됩니다. empty：用来创建未初始化的数据，因此是内容是不确定的
arange：通过指定范围和步长来创建数组
linespace：通过指定范围和元素数量来创建数组
random：用来生成随机数
# create_specific_array.py
import numpy as np
a = np.zeros((2,3))
print('np.zeros((2,3)= \n{}\n'.format(a))
b = np.ones((2,3))
print('np.ones((2,3))= \n{}\n'.format(b))
c = np.empty((2,3))
print('np.empty((2,3))= \n{}\n'.format(c))
d = np.arange(1, 2, 0.3)
print('np.arange(1, 2, 0.3)= \n{}\n'.format(d))
e = np.linspace(1, 2, 7)
print('np.linspace(1, 2, 7)= \n{}\n'.format(e))
f = np.random.random((2,3))
print('np.random.random((2,3))= \n{}\n'.format(f))这段代码的输出如下
np.zeros((2,3)= [[ 0. 0. 0.] [ 0. 0. 0.]] np.ones((2,3))= [[ 1. 1. 1.] [ 1. 1. 1.]] np.empty((2,3))= [[ 1. 1. 1.] [ 1. 1. 1.]] np.arange(1, 2, 0.3)= [ 1. 1.3 1.6 1.9] np.linspace(1, 2, 7)= [ 1. 1.16666667 1.33333333 1.5 1.66666667 1.83333333 2. ] np.random.random((2,3))= [[ 0.5744616 0.58700653 0.59609648] [ 0.0417809 0.23810732 0.38372978]]
Shape与操作
除了生成数组之外，当我们已经持有某个数据之后，我们可能会需要根据已有数组来产生一些新的数据结构，这时候我们可以使用下面这些函数：
reshape：根据已有数组和指定的shape，生成一个新的数组
vstack：用来将多个数组在垂直（v代表vertical）方向拼接（数组的维度必须匹配）
hstack：用来将多个数组在水平（h代表horizontal）方向拼接（数组的维度必须匹配）
hsplit：用来将数组在水平方向拆分
vsplit：用来将数组在垂直方向拆分
下面我们通过一些例子来进行说明。
为了便于测试，我们先创建几个数据。这里我们创建了：
zero_line：一行包含3个0的数组
one_column：一列包含3个1的数组
a：一个2行3列的矩阵
b：[11, 20)区间的整数数组
# shape_manipulation.py
zero_line = np.zeros((1,3))
one_column = np.ones((3,1))
print("zero_line = \n{}\n".format(zero_line))
print("one_column = \n{}\n".format(one_column))
a = np.array([(1,2,3), (4,5,6)])
b = np.arange(11, 20)
print("a = \n{}\n".format(a))
print("b = \n{}\n".format(b))通过输出我们可以看到它们的结构：
zero_line = [[ 0. 0. 0.]] one_column = [[ 1.] [ 1.] [ 1.]] a = [[1 2 3] [4 5 6]] b = [11 12 13 14 15 16 17 18 19]
数组b原先是一个一维数组，现在我们通过reshape方法将其调整成为一个3行3列的矩阵：
# shape_manipulation.py
b = b.reshape(3, -1)
print("b.reshape(3, -1) = \n{}\n".format(b))这里的第二参数设为-1，表示根据实际情况自动决定。由于原先是9个元素的数组，因此调整后刚好是3X3的矩阵。这段代码输出如下：
b.reshape(3, -1) = [[11 12 13] [14 15 16] [17 18 19]]
接着，我们通过vstack函数，将三个数组在垂直方向拼接：
# shape_manipulation.py
c = np.vstack((a, b, zero_line))
print("c = np.vstack((a,b, zero_line)) = \n{}\n".format(c))这段代码输出如下，请读者仔细观察一下拼接前后的数据结构：
c = np.vstack((a,b, zero_line)) = [[ 1. 2. 3.] [ 4. 5. 6.] [ 11. 12. 13.] [ 14. 15. 16.] [ 17. 18. 19.] [ 0. 0. 0.]]
同样的，我们也可以通过hstack进行水平方向的拼接。为了可以拼接我们需要先将数组a调整一下结构：
# shape_manipulation.py
a = a.reshape(3, 2)
print("a.reshape(3, 2) = \n{}\n".format(a))
d = np.hstack((a, b, one_column))
print("d = np.hstack((a,b, one_column)) = \n{}\n".format(d))这段代码输出如下，请再次仔细观察拼接前后的数据结构：
a.reshape(3, 2) = [[1 2] [3 4] [5 6]] d = np.hstack((a,b, one_column)) = [[ 1. 2. 11. 12. 13. 1.] [ 3. 4. 14. 15. 16. 1.] [ 5. 6. 17. 18. 19. 1.]]
请注意，如果两个数组的结构是不兼容的，拼接将无法完成。例如下面这行代码，它将无法执行：
# shape_manipulation.py # np.vstack((a,b)) # ValueError: dimensions not match
这是因为数组a具有两列，而数组b具有3列，所以它们无法拼接。
接下来我们再看一下拆分。首先，我们将数组d在水平方向拆分成3个数组。然后我们将中间一个（下标是1）数组打印出来：
# shape_manipulation.py
e = np.hsplit(d, 3) # Split a into 3
print("e = np.hsplit(d, 3) = \n{}\n".format(e))
print("e[1] = \n{}\n".format(e[1]))这段代码输出如下：
e = np.hsplit(d, 3) =
[array([[ 1., 2.],
[ 3., 4.],
[ 5., 6.]]), array([[ 11., 12.],
[ 14., 15.],
[ 17., 18.]]), array([[ 13., 1.],
[ 16., 1.],
[ 19., 1.]])]
e[1] =
[[ 11. 12.]
[ 14. 15.]
[ 17. 18.]]另外，假设我们设置的拆分数量使得原先的数组无法平均拆分，则操作会失败：
# np.hsplit(d, 4) # ValueError: array split does not result in an equal pision
除了指定数量平均拆分，我们也可以指定列数进行拆分。下面是将数组d从第1列和第3列两个地方进行拆分：
# shape_manipulation.py
f = np.hsplit(d, (1, 3)) # # Split a after the 1st and the 3rd column
print("f = np.hsplit(d, (1, 3)) = \n{}\n".format(f))这段代码输出如下。数组d被拆分成了分别包含1，2，3列的三个数组：
f = np.hsplit(d, (1, 3)) =
[array([[ 1.],
[ 3.],
[ 5.]]), array([[ 2., 11.],
[ 4., 14.],
[ 6., 17.]]), array([[ 12., 13., 1.],
[ 15., 16., 1.],
[ 18., 19., 1.]])]最后我们再将数组d在垂直方向进行拆分。同样的，如果指定的拆分数无法平均拆分则会失败：
# shape_manipulation.py
g = np.vsplit(d, 3)
print("np.hsplit(d, 2) = \n{}\n".format(g))
# np.vsplit(d, 2) # ValueError: array split does not result in an equal pision
np.vsplit(d, 3)将产生三个一维数组：
np.vsplit(d, 3) =
[array([[ 1., 2., 11., 12., 13., 1.]]), array([[ 3., 4., 14., 15., 16., 1.]]), array([[ 5., 6., 17., 18., 19., 1.]])]索引
接下来我们看看如何访问NumPy数组中的数据。
同样的，为了测试方便，我们先创建一个一维数组。它的内容是 [100，200）区间的整数。
最基本的，我们可以通过array[index]的方式指定下标来访问数组的元素，这一点对于有一点编程经验的人来说应该都是很熟悉的。
# array_index.py
import numpy as np
base_data = np.arange(100, 200)
print("base_data\n={}\n".format(base_data))
print("base_data[10] = {}\n".format(base_data[10]))上面这段代码输出如下：
base_data =[100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199] base_data[10] = 110
在NumPy中，我们可以创建一个包含了若干个下标的数组来获取目标数组中的元素。如下所示：
# array_index.py
every_five = np.arange(0, 100, 5)
print("base_data[every_five] = \n{}\n".format(
base_data[every_five]))every_five是包含了我们要获取的下标的数组，它的内容大家应该很容易理解。我们可以直接通过方括号的形式来获取到所有我们指定了下标的元素，它们如下：
base_data[every_five] = [100 105 110 115 120 125 130 135 140 145 150 155 160 165 170 175 180 185 190 195]
下标数组可以是一维的，当然也可以是多维的。假设我们要获取一个2X2的矩阵，这个矩阵的内容来自于目标数组中1，2，10，20这四个下标的元素，则可以这样写：
# array_index.py
a = np.array([(1,2), (10,20)])
print("a = \n{}\n".format(a))
print("base_data[a] = \n{}\n".format(base_data[a]))这段代码输出如下：
a = [[ 1 2] [10 20]] base_data[a] = [[101 102] [110 120]]
上面我们看到的是目标数组是一维的情况，下面我们把这个数组转换成一个10X10的二维数组。
# array_index.py
base_data2 = base_data.reshape(10, -1)
print("base_data2 = np.reshape(base_data, (10, -1)) = \n{}\n".format(base_data2))reshape函数前面已经介绍过，大家应该能够想到它的结果：
base_data2 = np.reshape(base_data, (10, -1)) = [[100 101 102 103 104 105 106 107 108 109] [110 111 112 113 114 115 116 117 118 119] [120 121 122 123 124 125 126 127 128 129] [130 131 132 133 134 135 136 137 138 139] [140 141 142 143 144 145 146 147 148 149] [150 151 152 153 154 155 156 157 158 159] [160 161 162 163 164 165 166 167 168 169] [170 171 172 173 174 175 176 177 178 179] [180 181 182 183 184 185 186 187 188 189] [190 191 192 193 194 195 196 197 198 199]]
对于二维数组来说：
假设我们只指定了一个下标，则访问的结果仍然是一个数组。
假设我们指定了两个下标，则访问得到的是其中的元素
我们也可以通过”-1”来指定“最后一个”的元素
# array_index.py
print("base_data2[2] = \n{}\n".format(base_data2[2]))
print("base_data2[2, 3] = \n{}\n".format(base_data2[2, 3]))
print("base_data2[-1, -1] = \n{}\n".format(base_data2[-1, -1]))这段代码输出如下。
对于更高维的数组，原理是一样的，读者可以自行推理。
base_data2[2] = [120 121 122 123 124 125 126 127 128 129] base_data2[2, 3] = 123 base_data2[-1, -1] = 199
除此之外，我们还可以通过”:“的形式来指定范围，例如：2:5 这样。只写”:“则表示全部范围。
请看下面这段代码：
# array_index.py
print("base_data2[2, :]] = \n{}\n".format(base_data2[2, :]))
print("base_data2[:, 3]] = \n{}\n".format(base_data2[:, 3]))
print("base_data2[2:5, 2:4]] = \n{}\n".format(base_data2[2:5, 2:4]))它的含义是：
获取下标为2的行的所有元素
获取下标为3的列的所有元素
获取下标为[2,5)行，下标为[2,4)列的所有元素。请读者仔细观察一下下面的输出结果：
base_data2[2, :]] = [120 121 122 123 124 125 126 127 128 129] base_data2[:, 3]] = [103 113 123 133 143 153 163 173 183 193] base_data2[2:5, 2:4]] = [[122 123] [132 133] [142 143]]
数学运算
NumPy中自然也少不了大量的数学运算函数，下面是一些例子，更多的函数请参见这里NumPy manual contents：
# operation.py
import numpy as np
base_data = (np.random.random((5, 5)) - 0.5) * 100
print("base_data = \n{}\n".format(base_data))
print("np.amin(base_data) = {}".format(np.amin(base_data)))
print("np.amax(base_data) = {}".format(np.amax(base_data)))
print("np.average(base_data) = {}".format(np.average(base_data)))
print("np.sum(base_data) = {}".format(np.sum(base_data)))
print("np.sin(base_data) = \n{}".format(np.sin(base_data)))这段代码输出如下：
base_data = [[ -9.63895991 6.9292461 -2.35654712 -48.45969283 13.56031937] [-39.75875796 -43.21031705 -49.27708561 6.80357128 33.71975059] [ 36.32228175 30.92546582 -41.63728955 28.68799187 6.44818484] [ 7.71568596 43.24884701 -14.90716555 -9.24092252 3.69738718] [-31.90994273 34.06067289 18.47830413 -16.02495202 -44.84625246]] np.amin(base_data) = -49.277085606595726 np.amax(base_data) = 43.24884701268845 np.average(base_data) = -3.22680706079886 np.sum(base_data) = -80.6701765199715 np.sin(base_data) = [[ 0.21254814 0.60204578 -0.70685739 0.9725159 0.8381861 ] [-0.88287359 0.69755541 0.83514527 0.49721505 0.74315189] [-0.98124746 -0.47103234 0.7149727 -0.40196147 0.16425187] [ 0.99045239 -0.66943662 -0.71791164 -0.18282139 -0.5276184 ] [-0.4741657 0.47665553 -0.36278223 0.31170676 -0.76041722]]
矩阵
接下来我们看一下以矩阵的方式使用NumPy。
首先，我们创建一个5X5的随机数整数矩阵。有两种方式可以获得矩阵的转置：通过.T或者transpose函数。另外， 通过dot函数可以进行矩阵的乘法，示例代码如下：
# matrix.py
import numpy as np
base_data = np.floor((np.random.random((5, 5)) - 0.5) * 100)
print("base_data = \n{}\n".format(base_data))
print("base_data.T = \n{}\n".format(base_data.T))
print("base_data.transpose() = \n{}\n".format(base_data.transpose()))
matrix_one = np.ones((5, 5))
print("matrix_one = \n{}\n".format(matrix_one))
minus_one = np.dot(matrix_one, -1)
print("minus_one = \n{}\n".format(minus_one))
print("np.dot(base_data, minus_one) = \n{}\n".format(
np.dot(base_data, minus_one)))
这段代码输出如下：
base_data =
[[-49. -5. 11. -13. -41.]
[ -6. -33. -33. -47. -4.]
[-38. 26. 28. -18. 18.]
[ -3. -19. -15. -39. 45.]
[-43. 6. 18. -15. -21.]]
base_data.T =
[[-49. -6. -38. -3. -43.]
[ -5. -33. 26. -19. 6.]
[ 11. -33. 28. -15. 18.]
[-13. -47. -18. -39. -15.]
[-41. -4. 18. 45. -21.]]
base_data.transpose() =
[[-49. -6. -38. -3. -43.]
[ -5. -33. 26. -19. 6.]
[ 11. -33. 28. -15. 18.]
[-13. -47. -18. -39. -15.]
[-41. -4. 18. 45. -21.]]
matrix_one =
[[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]
[ 1. 1. 1. 1. 1.]]
minus_one =
[[-1. -1. -1. -1. -1.]
[-1. -1. -1. -1. -1.]
[-1. -1. -1. -1. -1.]
[-1. -1. -1. -1. -1.]
[-1. -1. -1. -1. -1.]]
np.dot(base_data, minus_one) =
[[ 97. 97. 97. 97. 97.]
[ 123. 123. 123. 123. 123.]
[ -16. -16. -16. -16. -16.]
[ 31. 31. 31. 31. 31.]
[ 55. 55. 55. 55. 55.]]随机数
本文的最后，我们来看一下随机数的使用。
随机数是我们在编程过程中非常频繁用到的一个功能。例如：生成演示数据，或者将已有的数据顺序随机打乱以便分割出建模数据和验证数据。
numpy.random 包中包含了很多中随机数的算法。下面我们列举四种最常见的用法：
# rand.py
import numpy as np
print("random: {}\n".format(np.random.random(20)));
print("rand: {}\n".format(np.random.rand(3, 4)));
print("randint: {}\n".format(np.random.randint(0, 100, 20)));
print("permutation: {}\n".format(np.random.permutation(np.arange(20))));在四种用法分别是：
生成20个随机数，它们每一个都是[0.0, 1.0)之间
根据指定的shape生成随机数
生成指定范围内（[0, 100)）的指定数量（20）的随机整数
对已有的数据（[0, 1, 2, ..., 19]）的顺序随机打乱顺序
这段代码的输出如下所示：
random: [0.62956026 0.56816277 0.30903156 0.50427765 0.92117724 0.43044905 0.54591323 0.47286235 0.93241333 0.32636472 0.14692983 0.02163887 0.85014782 0.20164791 0.76556972 0.15137427 0.14626625 0.60972522 0.2995841 0.27569573] rand: [[0.38629927 0.43779617 0.96276889 0.80018417] [0.67656892 0.97189483 0.13323458 0.90663724] [0.99440473 0.85197677 0.9420241 0.79598706]] randint: [74 65 51 34 22 69 81 36 73 35 98 26 41 84 0 93 41 6 51 55] permutation: [15 3 8 18 14 19 16 1 0 4 10 17 5 2 6 12 9 11 13 7]
相关推荐：
위 내용은 Python 기계 학습 라이브러리 NumPy의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!