numpy机器学习深度学习 常用函数

函数"/>

numpy机器学习深度学习 常用函数

Python numpy(np)创建空的字符串数组、矩阵。解决数组中每个元素仅保留单个字符，无法完整填入字符串。

matrix1=np.zeros(shape=(31,22)).astype(np.str_)
matrix1[matrix1 == '0.0'] = ''

1.reshape()方法

作用是将数据按照指定的维度重新组织并返回。也就是reshape（行，列）可以根据指定的数值将数据转换为特定的行数和列数，就是转换。
例：
reshape(1,-1) 也就是转换为1行，列数不指定，让系统自动计算
reshape(-1,1) 也就是转换为1列，行数不指定，让系统自动计算

2.np.linalg.norm()用于求范数

linalg本意为linear(线性) + algebra(代数)，norm则表示范数。

np.linalg.norm(x, ord=None, axis=None, keepdims=False)

1.x: 表示矩阵(一维数据也是可以的~)
2.ord: 表示范数类型

1. ord=1：表示求列和的最大值

2. ord=2：|λE-ATA|=0，求特征值，然后求最大特征值得算术平方根 ord=∞：表示求行和的最大值

3. ord=None：表示求整体的矩阵元素平方和，再开根号

3.axis
参数 含义

0 表示按列向量来进行处理，求多个列向量的范数

1 表示按行向量来进行处理，求多个行向量的范数

None 表示整个矩阵的范数
4.keepdims：表示是否保持矩阵的二位特性，True表示保持，False表示不保持，默认为False

3. .shape的使用方法

shape[0]读取矩阵第一维度的长度，即数组的行数
shape[1]读取矩阵第二维度的长度，即数组的列数
对于二维张量，shape[0]代表行数，shape[1]代表列数，同理三维张量还有shape[2]
一般来说，-1代表最后一个，所以shape[-1]代表最后一个维度，如在二维张量里，shape[-1]表示列数

import numpy as np
k = np.matrix([[1, 2, 3, 4],[5, 6, 7, 8],[9, 10, 11, 12]])
print(np.shape(k))       # 输出（3，4）表示矩阵为3行4列
print(k.shape[0])        # shape[0]输出3，为矩阵的行数
print(k.shape[1])        # 同理shape[1]输出列数