作者 | Jay Alammar
译者 | 苏南下
学 Python 尤其是机器学习,最基础的 NumPy 用法必须得熟悉。网上这方面的教程不少,但基本都前篇一律,枯燥罗列代码,而数组和矩阵本身是有些抽象的,这样难以理解。
今天给各位介绍一个由国外大神制作的 NumPy 可视化教程,直观地介绍 NumPy 的各种用法,很容易就能理解。
话不多说,一睹为快。
数组
先来介绍最基础的一维数组。
创建数组
np.array() 直接创建:

使用 np.ones()、np.zeros() 等方法:

我们在写数组的时候是横着写的,而其实数组是列向量,这样很直观。
数组运算
加减乘除



数组乘以数值

数组索引

数组聚合

上面是一维数组,下面介绍二维维数组也就是矩阵的使用技巧。
矩阵
创建矩阵
直接创建:

使用 np.ones()、np.zeros() 等方法:

这样就很容易理解括号里 (3,2) 的含义。
矩阵运算


矩阵点积
矩阵点积跟线性代数基本一样,有些抽象,借助示意图能很好理解:

进一步拆分解释:

矩阵索引

矩阵聚合
求最值

按行 / 列聚合

矩阵转置

矩阵重塑
reshape() 用法:

高维数组
Numpy 不仅可以处理上述的一维数组和二维矩阵,还可以处理任意 N 维的数组,方法也大同小异。
创建多维数组


掌握了以上基础后,我们可以做个小练习,计算均方误差 MSE:

可以看到有减法、平方、求和等运算:

分别假设相应的预测值和真实值:




END.
作者:Jay Alammar