numpy -- Python Matrix Compputing Library

• https://github.com/yishuixing/numpy-tutorial

  • 视频教程

• np.arange

  • start, stop, step

• np.linspace

  • start, stop, count

• np.logspace

  • start, stop, count
  • 基数 base 默认为 10

把 数组（二维或多维）展开成一维

numpy.linalg.lstsq(A, b)

• np.stack 特别消耗时间

• 参考：

  • 稀疏矩阵在Python中的表示方法 - Jamest - 博客园

  • 英文资料：

    • A Gentle Introduction to Sparse Matrices for Machine Learning
    • scipy 官方： scipy.sparse.csr_matrix — SciPy v1.7.1 Manual

• 视频教程

  • 原理介绍：王树森 稠密矩阵和稀疏矩阵

• 方法

  • csr_matrix 类

    1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

    import numpy as np from scipy.sparse import csr_matrix In [86]: a = np.array([[1, 0,0], [2, 0,0], [0, 0, 3]]) In [87]: a Out[87]: array([[1, 0, 0], [2, 0, 0], [0, 0, 3]]) In [88]: x = sparse.csr_matrix(a); x Out[88]: <3x3 sparse matrix of type '<class 'numpy.intc'>' with 3 stored elements in Compressed Sparse Row format>

    • 操作和属性

      • 创建

        • csr_matrix(np.ndarray)

      • 相加

        • csr_arr_1 + csr_arr_2

      • 转换成 np.ndarray

        • csr_arr.todense() –> np.matrix
        • csr_arr.toarray() –> np.array

      • 元素数量

        • csr_arr.nnz
        • nnz: number of non zero 非零数字数量

    • 特征

      • csr_matrix 相加速度超级慢
      • 占用空间小

• arr.byteswap()
• 数据表示法，大端 vs 小端 转换

• 大端

  • 通常概念

    • 低位字节存高位数据
    • 高位字节存低位数据
    • 类似正常的数字书写习惯

• 小端

  • 与大端相反

• 注意

  • 大端小端针对的是字节之间的顺序
  • 字节内部还是通常的存储顺序

• 可以直接修改 shape 属性

  • eg:

    1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

    In [236]: a.shape Out[236]: (4,) In [237]: a.shape = (2,3) --------------------------------------------------------------------------- ValueError Traceback (most recent call last) <ipython-input-237-0f2a8a8d403e> in <module> ----> 1 a.shape = (2,3) ValueError: cannot reshape array of size 4 into shape (2,3) In [238]: a.shape = (2,2) In [239]: a Out[239]: array([[0, 1], [2, 3]]) In [240]: a.shape Out[240]: (2, 2)

• arr.reshape(*shape)

• arr.view()

• 向量

  • 对应元素相乘，再加和

• 二维矩阵

  • 即矩阵的乘法
  • 等价于 np.matmul(A, B)

• arr.itemsize

  • 即单个元素所占字节数

• numpy 对象，打印简略信息
• 非 numpy 对象，类似 help(obj)

• astype() 方法

  • arr.astype(np.uint8)

• 参考：np.memmap作用_youhuakongzhi 的博客-CSDN博客

• np.all(arrA == arrB)

• np.where(x_want == X_array)

• 返回 index

  • eg:

    • X_array[np.where(x_want == X_arrary)]

• np.unique(arr)

参考： np.ascontiguousarray()详解 - 回忆瞬间 - 博客园

功能：让 arr 在内存中连续

为什么有这个功能： 因为各种操作，导致 arr 的存储状态变得不连续

• arr 默认行连续，列不连续
• 转置 transpose 导致连续性改变
• 切片 slice 导致连续性改变

因此，需要 np.ascontiguousarray 恢复 arr 的内存连续性

参考：numpy.unique — NumPy v1.21 Manual 用途：去重 默认返回值

特殊参数：

• return_index=False

  • 对应 unique 元素的位置

• return_counts=False

  • 对应 unique 元素的重复次数

• return_inverse=False

  • 用于重建 arr

1. array.T

2. 向 transpose 转置赋值

   • 赋值的结果会作用于原有的对象
   • eg: arr.T[2, 3] = 2, 向原有数据的 3 行 2 列赋值

方法：

• array.flattern() 和 array.ravel() 是相同的函数

属性

• array.flat 是一个展平的数据迭代器

• 如果是标量，转换成向量
• 如果原来就是向量，保持不变

修改逻辑：

1. 原有的数据变形

   • -> [*第一行数据， *第二行数据]
   • 即原有数据先按行展开成一维，第一行的不同列，第二行的不同列

2. 数据按新的 newshape 构建新的结构

   • -> [先排布第一行，再排布第二行, …]

参数：

• newshape

  • 单个整数：vector
  • tuple: –> (row, column)
  • 特殊值 -1: 表示根据实际大小自动推断

例子：

1
2
3
4
5

In [75]: np.array([[1,2,3], [4,5,6]]).reshape(3,2)
Out[75]:
array([[1, 2],
       [3, 4],
       [5, 6]])

shape -1 的例子：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

>>> a = np.array([[1,2,3], [4,5,6]])
>>> np.reshape(a, 6)
array([1, 2, 3, 4, 5, 6])
>>> np.reshape(a, 6, order='F')
array([1, 4, 2, 5, 3, 6])

>>> np.reshape(a, (3,-1))       # the unspecified value is inferred to be 2
array([[1, 2],
       [3, 4],
       [5, 6]])