numpy是Python科學(xué)計(jì)算生態(tài)系統(tǒng)下的一個(gè)重要的包, 其它的類(lèi)似于pandas和scikit-lean都是基于numpy開(kāi)發(fā)而來(lái).

簡(jiǎn)單來(lái)說(shuō), numpy的主要對(duì)象是一個(gè)齊次多維數(shù)組. 掌握這個(gè)無(wú)非也就是如何索引(index), 如何切片(slice), 如何構(gòu)建等等

np.array([1,2,3,4,5])   #將普通list轉(zhuǎn)化為np.array

np.zeros(10, dtype=int) #構(gòu)建元素為零的np.array對(duì)象, 一維, 數(shù)目為10

np.ones(shape=(3,5), dtype=float) #構(gòu)建元素為1的二維np.array對(duì)象

np.arange(start = 0, stop =10, step=2) #創(chuàng)建線性序列數(shù)組

np.linspace(-0.5, 0.6, 12)  #根據(jù)一個(gè)下限值,上限值,以及二者間均勻間隔的數(shù)值的數(shù)量, 創(chuàng)造一個(gè)均勻分布的數(shù)組

np.sin(x); np.log(x+1) #向量化操作 

#演示數(shù)組的維度變形
one_dim = np.linspace(-0.5, 0.6, 12)
one_dim.reshape(4,3)
two_dim = one_dim.reshape(4,3)
two_dim.flatten()

稍微新一點(diǎn)的知識(shí)點(diǎn)是np.random.randint 以及涉及到軸axis的操作.

例如我們來(lái)進(jìn)行一個(gè)模擬, 拋硬幣, 用0代表正面, 1代表反面.

拋硬幣實(shí)驗(yàn)

學(xué)習(xí)的時(shí)候, 應(yīng)該大開(kāi)大合, 不要裝牛角尖, 掌握好要點(diǎn)之后, 那些低頻使用到的技能可以到了需要用的的時(shí)候再學(xué), 這樣學(xué)習(xí)的效率是最高的.

未完待續(xù), 不斷補(bǔ)充.