NumPy 无疑是很多机器学习研究者和开发者的「白月光」。如此优秀的项目，没有中文版怎么行？近日，机器之心发现 NumPy 官方早在去年就已出了一个中文版网站，涵盖 NumPy 的一切。
-
功能强大的 N 维数组对象。
-
精密广播功能函数。
-
集成 C/C+和 Fortran 代码的工具。
-
强大的线性代数、傅立叶变换和随机数功能
此次中文文档还强调了它两大特性：Ndarray 以及切片和索引，这两部分所涉及的功能在日常操作中是十分常见的。
-
Ndarray：一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。ndarray 对象是用于存放同类型元素的多维数组。ndarray 中的每个元素在内存中都有相同存储大小的区域。
-
切片和索引：ndarray 对象的内容可以通过索引或切片来访问和修改，与 Python 中 list 的切片操作一样。ndarray 数组可以基于 0 - n 的下标进行索引，切片对象可以通过内置的 slice 函数，并设置 start, stop 及 step 参数进行，从原数组中切割出一个新数组。
-
理解 NumPy
-
NumPy 简单入门教程
-
Python NumPy 教程
-
创建 NumPy 数组的不同方式
-
NumPy 中的矩阵和向量
进阶篇
-
NumPy 数据分析练习
-
NumPy 神经网络
-
使用 NumPy 进行数组编程
-
NumPy 实现k均值聚类算法
-
NumPy 实现DNC、RNN和LSTM神经网络算法
其他篇
-
OpenCV中的图像的基本操作
-
MinPy：MXNet后端的NumPy接口
-
前言
-
线性回归
-
数字识别
-
图像分类
-
词向量
-
个性化推荐
-
情感分析
-
语义角色标注
-
机器翻译
-
生成对抗网络
七日入门深度学习（正在更新）
-
Day 1：初识深度学习
-
Day 1：如何快速入门深度学习？
-
Day 2：图像识别基础与实战
-
Day 3：目标检测基础与实践（一）
-
Day 3：目标检测实战-RCNN算法讲解
-
Day 3：目标检测实战-YOLOv3检测物体
feature_names = [ 'CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'convert']feature_num = len(feature_names)data = np.fromfile(filename, sep=' ') # 从文件中读取原始数据data = data.reshape(data.shape[0] // feature_num, feature_num)maximums, minimums, avgs = data.max(axis=0), data.min(axis=0), data.sum(axis=0)/data.shape[0]for i in six.moves.range(feature_num-1): data[:, i] = (data[:, i] - avgs[i]) / (maximums[i] - minimums[i]) # six.moves可以兼容python2和python3ratio = 0.8 # 训练集和验证集的划分比例offset = int(data.shape[0]*ratio)train_data = data[:offset]test_data = data[offset:]def reader_creator(train_data): def reader(): for d in train_data: yield d[:-1], d[-1:] return readertrain_reader = paddle.batch( paddle.reader.shuffle( reader_creator(train_data), buf_size=500), batch_size=BATCH_SIZE)test_reader = paddle.batch( paddle.reader.shuffle( reader_creator(test_data), buf_size=500), batch_size=BATCH_SIZE)
