日常学习中总是遇到数据需要处理等问题，这时候我们就可以借助numpy这个工具来做一些有意思的事。

1.生成随机数的几种方式


x=np.random.random(12) ###生成12个随机数，也可以写成np.random.rand(12)、  
                     np.random.random_integers、np.random.uniform、np.random.randint(np.random.randint(1,20,(3,4),dtype='int32'))、等形式

x=np.random.rand(3,4)  ###生成3行4列12个随机数

x=np.random.normal(0,1,shape=(3,4))   ###生成以0为均值，1为方差的3行4列12个随机数

x=np.arange(12)         ####生成0到11的矩阵


2、运算

（1）常规运算

对于加减就不多说，乘除多说两句，就是乘法需要注意矩阵的点乘（数学正常乘法和np.matmul(a,b.T)效果一样）和*乘（俗称数乘）。例子如下：

机器学习中的numpy库_数组

除法的话记住   a/b表示带余数除法   a//b表示整除   

（2）广播机制

广播”指的是在不同维度的数组之间进行算术运算的一种执行机制，其通过将数据矢量化进行高效的运算，而不是按照传统的对标量数据进行循环运算达到目的。

“广播”的一个工作原则是：两个数组的维度应该相同（即要对一个二维数组进行广播，那么用来广播的数组也应该是二维的），并且只能有一个维度的长度允许不一样，且那个不一样的维度在用来广播的数组里面的长度应该为1（比如，对于一个（3,4）的二维数组，那么用来广播的数组必须是（3,1）或（1,4）；比如对于一个三维的数组（3,4,5），用来广播的数组必须是（1,4,5）或（3,1,5）或（3,4,1）），这样子，我们才说两个数组是广播兼容的。广播会在沿着长度为1的那个维度进行扩散进行。（这里就知道，为什么我们需要一个长度为1的维度，其实就是广播进行扩散的维度）。例如：

机器学习中的numpy库_.net_02

补充注意：

numpy中a.shape为(m,)的数组在矩阵运算的过程中看作行向量处理，及a为1行m列。

机器学习中的numpy库_数据_03

3、切片

对于一维数组来说，python原生的list和numpy的array的切片操作都是相同的，记住一个规则​​arr_name[start: end: step]​​就可以了。同时需要注意下面几个特殊点：

  • ​​[:]​​表示复制源列表
  • 负的index表示，从后往前。-1表示最后一个元素。
  • 相对于一维数组而言，二维（多维）数组用的会更多。一般语法是​​arr_name[行操作, 列操作]​​

示例：

机器学习中的numpy库_随机数_04

4、拼接

Python中numpy数组的合并有很多方法，如np.append() 、np.concatenate() 、np.stack() 、np.hstack()（水平拼接） 、np.vstack()（垂直拼接） 、np.dstack()（按位拼接） 其中最泛用的是第一个和第二个。第一个可读性好，比较灵活，但是占内存大。第二个则没有内存占用大的问题。

机器学习中的numpy库_数据_05

 说了numpy的诸多好处，也来说下它的不足吧--不能自动求导。这时我们可以考虑ndarray,而ndarray 和 numpy 的多维数组非常类似。然而， NDArray 提供 GPU 计算和⾃动求梯度等更多功能，这些使得 NDArray 更加适合深度学习。具体学习可以参考mxnet.ndarray官网教程。