Numpy 机器学习中的作用

        对大数据依赖程度比较高的机器学习，开发者通过算法，提取特征，最终将训练集和测试集中分类后的模型以图像的形式展现出来， 可见算法有多么的重要，这就是算法驱动的图像为何如此生成和如此表达；

        可图像模式是如何被肉眼清晰所见和区分呢？（参考下方美人图：稀疏像素点，肉眼依旧可分辨出是美女模式）当图像平铺于整个平面，是由像素点构成的，而大量的像素点排列是以矩阵的形式。开发者操控着以数据为基础的矩阵，缩进，旋转，拉伸等让图形以算法为驱动的模式展现出来机器学习后的效果。而Nupmy是操作数据矩阵的工具包。本文将如一介绍numpy结构化数据创建，多维数组属性和对矩阵的操作。

稀疏像素点组成的图形，依旧肉眼分辨出是美女图形模式

N维数组对象(ndarray)

numpy中用ndarray来表达N维数组的对象类型

ndarray也是一个N维的矩阵表达或者一维数组对象

题目举例：创建一个随机生成3*5的二维矩阵，并输出该矩阵的数据类型

解题思路：用numpy提供的arange和reshape方法，前者是等差序列数, 后者是对矩阵设置固定维度的行列数。type（）输出变量类型，代码可见numpy构建的结构化数据是ndarray数据类型，其中n代表维度。当n=1，代表其一维数组，n>=2，为有行和列的矩阵

3*5矩阵表达式，元素从0-14，类型ndarray

ndarray的常用属性

1.  shape  2. ndim   3. dtype.name  4. size 

4个属性，代码举例：

属性值输出

ndarray常用操作方法：

1.  arange( start, end, step) 方法介绍：

start 起始位置；end 终止位置，开区间; step，步长, 默认dtype 是int类型

从2到13，步长为2，三行两列矩阵b

2. zeros( var ) 方法介绍：

构建全部为0的n维矩阵, var 参数为元组类型

三行四列0元素二维矩阵

3. ones( var ) 方法介绍：

构建元素为1的矩阵，参数为元组

元素值为1

4. np.random.random（ var ）方法介绍：

生成从-1 到 1的随机数， 参数 元组类型

-1 到1 随机数，两行三列

5. linspace （begin, end, totalNum, dtype）方法介绍

构建总数为totalNum数量的一维数组，值区间从begin到end。指定元素类型dtype

如代码所见，ndim=1 一维数组，值从1 到3.14平方，取int32。 如需要转成矩阵，结合reshape（）方法

参考下方代码注释：

linspace 举例

本章小结

1. 什么是numpy，且用其可以做什么

2. 用numpy创建一个ndarray的对象，来表达一维数组或者多维矩阵

3. ndarray的常用属性（size，shape，dtype， ndim）

4. ndarry的常用操作（arange，reshape，zeros，ones）

5. 随机生成ndarray方法中，random( ) 特点：值都是从-1 到 1；linspace 和 arange 是允许指定值区间，可以生成一维数组或者多维矩阵

Numpy 官网手册地址

https://www.numpy.org.cn/