本文主要是介绍机器学习 | 深入探索Numpy的高性能计算能力，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
目录
初识numpy
numpy基本操作
数组的基本操作
ndarray运算
数组间运算
矩阵
初识numpy
Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。
Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。它描述了相同类型的“item”的集合。ndarray 对象是在连续的内存块中分配的，因此访问和处理元素的速度比 Python 的原生列表更快，以下是ndarray与原生python在效率上的对比：
import random
import time
import numpy as npa = []
for i in range(100000000):a.append(random.random())
# 通过%time魔法方法，查看当前行的代码运行一次所花费的时间
%time suml = sum(a)
b = np.array(a)
%time sum2 = np.sum(b)
机器学习最大的特点就是大量的数据运算，那么没有一个快速的解决方案的话，那可能现在的py也在机器学习领域达不到好的效果。 Numpy专门针对ndarray的操作和运算进行了设计，所以数组的存储效率和输入输出性能远优于Python中的嵌套列表，数组越大，Numpy的优势就越明显。
从下图我们可以看出：ndarray在存储数据的时候，数据与地址都是连续的，这样就使得批量操作数据元素时速度更快，而python原生list就只能通过寻址方式找到下一个元素。
以下是ndarray的常用属性介绍：
| 属性名字 | 属性解释 |
|---|---|
| ndarray.shape | 数组维度的元组 |
| ndarray.ndim | 数组维度 |
| ndarray.size | 数组中的元素数量 |
| ndarray.itemsize | 一个数组元素的长度(字节) |
| ndarray.dtype | 数组元素的类型 |
以下根据表格的情况，进行下面的测试来验证常用属性的使用
numpy基本操作
以下解释使用numpy的一些基本操作：
生成0,1数组：我们也可以通过numpy生成特殊的0,1数组操作：
生成现有数组：通过下面的方式将现有的数组生成ndarray形式：
a = np.array([[1,2,3], [4,5,6]])
# 从现有的数组中创建
a1 = np.array(a)
# 相当于索引的形式，并没有真正的创建一个新的
a2 = np.asarray(a)array和asarray的不同在于，array是深拷贝而asarray是浅拷贝，如下：
生成固定范围数组：通过numpy的函数生成一个固定范围的数组
生成随机数组：生成随机数组采用正态分布的方式进行，生成正态分布的方式有以下三种：
# 返回一组均匀分布的数
np.random.randn(d0, d1,..., dn)# loc:此概率分布的均值（对应着整个分布的中心centre）
# scale:此概率分布的标准差（对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高）
# size:输出的shape，默认为None，只输出一个值
np.random.normal(loc=0.0,scale=1.0,size=None)# 一个均匀分布[low,high)中随机采样，注意定义域是左闭右开，即包含low，不包含high.
# low:采样下界; high:采样上界; size:输出样本数目 返回值：ndarray类型
np.random.uniform(low=0.0,high=1.0,size=None)# 返回指定形状的标准正态分布的数组。
np.random.standard_normal(size=None)# 从一个均匀分布中随机采样，生成一个整数或N维整数数组。
# 取数范围：若high不为None时，取[low,high)之间随机整数，否则取值[0,low)之间随机整数。
np.random.randint(low,high=None,size=None,dtype='/")在正态分布当中，我们采用如下的例子：
在均匀分布当中，我们采用如下的例子：
我们也可以模拟一组均值为0，方差为1的在某个正态分布内的数据：
数组的基本操作
当我们使用numpy生成ndarray数组后，如何对数组进行相应的操作呢？如下开始讲解：
数组的索引切片：直接对某维数组进行索引和切片，然后返回我们想要的数据：
形状修改： 修改数组的形状可以采用如下的三种方式：
# 返回一个具有相同数据域，但shape不一样的视图,行、列不进行互换
ndarray.reshape(shape,order)
# 修改数组本身的形状（需要保持元素个数前后相同）,行、列不进行互换
ndarray.resize(new_shape)
# 数组的转置,将数组的行、列进行互换
ndarray.T
类型修改：通过如下的方式修改数组的类型
数组去重：如果想数组去重的话可以采用如下的方式进行
ndarray运算
通过ndarray运算，我们可以筛选符合某一条件的数据，以下是使用的一些常用方法：
逻辑运算：逻辑运算可以采用如下的方式进行筛选数组
将大于60的值赋值为1：
通用判断函数：通用判断函数可以采用如下的方式进行筛选数组
三目运算符：三目运算符可以采用如下的方式进行筛选数组
统计运算：统计运算可以采用如下的方式进行筛选数组
数组间运算
我们也可以通过numpy实现数组与数、数组与数组以及数组间运算的广播机制等操作。
数组与数运算：可以看如下操作
数组与数组运算：数组在进行矢量化运算时，要求数组的形状是相等的。当形状不相等的数组执行算术运算的时候，就会出现广播机制，该机制会对数组进行扩展，使数组的shape属性值一样，这样，就可以进行矢量化运算了。下面通过一个例子进行说明：
广播机制实现了时两个或两个以上数组的运算，即使这些数组的shape不是完全相同的，只需要满足如下任意一个条件即可。
1）数组的某一维度等长。
2）其中一个数组的某一维度为1。
矩阵
在numpy中进行矩阵相乘的api是：
np.matmul、np.dot
np.matmul和np.dot的区别：
二者都是矩阵乘法。np.matmul中禁止矩阵与标量的乘法。在矢量乘矢量的内积运算中，np.matmul与np.dot没有区别。
这篇关于机器学习 | 深入探索Numpy的高性能计算能力的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
