### Numpy 高级数组操作使用指南 #### 1. 线性代数相关功能 Numpy 提供了一个子包 `linalg`，专门用于线性代数计算。这些功能对于深度学习（DL）和机器学习（ML）算法至关重要[^1]。以下是几个常用的线性代数操作及其应用场景： - **矩阵乘法** 可以通过 `np.dot()` 或者 `@` 运算符实现两个矩阵的点积运算。这是神经网络前向传播的核心部分之一。 ```python A = np.array([[1, 2], [3, 4]]) B = np.array([[5, 6], [7, 8]]) C = np.dot(A, B) # 或者 C = A @ B ``` - **特征值分解** 特征值分解广泛应用于主成分分析（PCA）、奇异值分解（SVD）等领域。可以通过 `np.linalg.eig()` 实现。 ```python eigenvalues, eigenvectors = np.linalg.eig(C) ``` - **求解线性方程组** 对于形如 \(Ax = b\) 的线性方程组，可以直接调用 `np.linalg.solve()` 来快速得到解决方案。 ```python A = np.array([[3, 1], [1, 2]]) b = np.array([9, 8]) x = np.linalg.solve(A, b) ``` --- #### 2. 数组堆叠与分割 Numpy 支持灵活的数组组合方式，包括水平堆叠 (`hstack`) 和垂直堆叠 (`vstack`)。 - **水平堆叠 (Horizontal Stack)** 将多个数组沿列方向拼接在一起，适用于数据扩展或合并不同维度的数据集。 ```python feature1 = np.array([[1, 2], [3, 4]]) feature2 = np.array([[5, 6], [7, 8]]) combined_features = np.hstack((feature1, feature2)) mean_values = combined_features.mean(axis=0) # 计算每列平均值 ``` - **垂直堆叠 (Vertical Stack)** 垂直堆叠通常用来增加样本数量而不改变单个样本的特征维数。 ```python array_a = np.array([[1, 2], [3, 4]]) array_b = np.array([[5, 6], [7, 8]]) stacked_array = np.vstack((array_a, array_b)) ``` --- #### 3. 数据过滤与布尔索引 利用布尔逻辑可以高效筛选满足条件的元素。这在处理大规模数据时非常有用。 - **基本布尔索引** 下面的例子展示了如何提取大写字母范围内的字符。 ```python input_data = ['X', 'y', 'Z', 'a'] filtered_result = np.array(input_data)[(np.char.upper(input_data) >= 'A') & (np.char.upper(input_data) <= 'Z')] ``` - **比较运算符** NumPy 提供了一系列针对数组的逐元素比较函数，例如 `np.equal`, `np.greater` 等[^2]。 ```python a = np.array([1, 2, 3]) b = np.array([1, 2, 4]) comparison = np.equal(a, b) # 返回布尔数组 [True, True, False] ``` --- #### 4. 数据类型的高级控制 NumPy 中的数据类型管理非常重要，尤其是在涉及数值精度优化或者内存占用的情况下。 - **检查数据类型类别** 利用 `np.issubdtype` 方法可以验证某个 dtype 是否属于特定的大类，比如整型或浮点型[^3]。 ```python data_type_check = np.issubdtype(np.float64, np.floating) # 返回 True ``` - **重塑与转换** 使用 `reshape` 函数调整数组形状，而不会更改其底层存储结构。 ```python original_array = np.arange(12).reshape(3, 4) reshaped_array = original_array.reshape(-1, 6) # 调整为新的二维布局 ``` --- #### 5. 应用场景举例 以下是一些实际的应用案例说明 Numpy 高级操作的价值所在： - **自然语言处理 (NLP)** 在词嵌入表示中，经常需要将单词向量按照一定规则重新排列或聚合，此时可以用到 `hstack/vstack` 操作以及布尔索引来选取目标词汇对应的向量集合。 - **图像检索任务** 图像像素值通常被组织成三维张量形式，借助 `transpose` 和切片技术能够轻松完成颜色通道分离或其他预处理工作。 - **客户推荐系统** 用户行为记录可能存放在稀疏矩阵里头，运用 SVD 技术降维后再做相似度匹配有助于提升预测准确性。 --- ###