本文主要向大家介绍了机器学习入门之Python大数据与机器学习之NumPy初体验，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

通过本文系列文章您将能够学到的知识如下：



应用Python进行大数据与机器学习


应用Spark进行大数据分析


实现机器学习算法


学习使用NumPy库处理数值数据


学习使用Pandas库进行数据分析


学习使用Matplotlib库进行Python绘图


学习使用Seaborn库进行统计绘图


使用Plotly库进行动态可视化


使用SciKit-learn处理机器学习任务


K-Means聚类


逻辑回归


线性回归


随机森林与决策树


自然语言处理与垃圾邮件过滤


神经网络


支持向量机



另外小编也会拥抱变化，根据评论中的需求情况增加其它有意义的内容。例如增加一些相关面试题等等。
什么是NumPy
NumPy是非常重要的Python数值计算扩展库，基本整个Python大数据生态都依赖它，并且由于绑定了C语言库，因此速度非常快。可以说我们要学好Python大数据，必须要学的就是NumPy库了。
安装NumPy
如果你根据之前的文章安装了anaconda，那么你已经默认安装了NumPy库了。如想单独安装请继续往下看。
使用conda安装的命令：
conda install numpy
使用pip安装的命令：
pip install numpy
NumPy array
本系列文章主要用到的是numpy的array（数组）；
numpy array有两种基本形式：vector（向量）和matrics（矩阵）
vector是一维的，而matrics是二维的。
打开Jupyter，输入如下内容：

import numpy as np
my_list = [1,2,3]
arr = np.array(my_list)
arr

运行得到如下结果：

以上就是vector的一般形式
继续输入如下内容：

my_mat = [[1,2,3],[4,5,6],[7,8,9]]
np.array(my_mat)

运行得到如下结果：

以上就是二维matrics矩阵。
numpy有自己的range函数
np.arange(0,10)
运行结果如下：

还可以指定步长np.arange(0,10,2)
运行结果如下：

生成所有元素为0的向量np.zeros(3)
运行结果如下：

生成所有元素为0的矩阵np.zeros((5,5))
运行结果如下：

同样生成所有元素为1的向量和矩阵分表为np.ones(4),np.ones((2,3))
运行结果如下：

np.linspace(0,5,20)
第一个参数是起始点，第二个参数是结束点，第三个参数是从起点到终点距离分成多少份。
运行结果如下：

np.eye(4)生成4*4的主对角线为1的矩阵
运行结果如下：

np.random.rand(5)生成随机向量
运行结果如下：

np.random.rand(5,5)生成5*5的随机向量
运行结果如下：

np.random.randn(2)生成标准正态分布曲线。
运行结果如下：

np.random.randn(4,4)二维的标准正态分布曲线
运行结果如下：

提示：
在Jupyter输入框中按tab键可以提示联想菜单，按shift+tab可以提示函数用法
按tab键

按shift+tab键

np.random.randint(1,100)生成1个1到100之间的随机整数，不包含100
运行结果如下：

np.random.randint(1,100,10)生成10个1到100之间的随机整数，不包含100
运行结果如下：

array类型支持的一些函数：
reshape函数可以修改array的维数。例如：

arr = np.arange(25)
arr.reshape(5,5)

运行结果如下：

max函数：最大值
min函数：最小值
argmax函数：返回最大值的索引
argmin函数：返回最小值的索引
ranarr = np.random.randint(1,100,10)
ranarr.max()
ranarr.min()
ranarr.argmax()
ranarr.argmin()
运行结果如下：

shape函数，返回array的大小
dtype，返回数据类型

调用简化：

from numpy.random import randint

我们就可以直接使用randint了

randint(2,10)

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！