第一章 jupyter notebook简单教程

  命令模式按键esc开启

  Enter : 转入编辑模式

  Shift-Enter : 运行本单元,选中下个单元

  Ctrl-Enter : 运行本单元

  Alt-Enter : 运行本单元,在其下插入新单元

  Y : 单元转入代码状态

  M :单元转入markdown状态

  Z : 恢复删除的最后一个单元

  第二章 numpy简单教程

  2.1 数组

  import numpy as np

  a = np.array([1, 2, 3])

  print(a)

  #out

  [1 2 3]

  a

  #out

  array([1, 2, 3])

  type(a)

  #out

  numpy.ndarray

  a.shape

  #out

  (3,)

  # reshape(1, -1)中1代表设置数组为1行 , -1代表一个占位符 , 表示a数组列数

  # reshape()中-1可以作为行的占位符也可以作为列的占位符

  a = a.reshape(1, -1)

  a.shape

  #out

  (1, 3)

  a = np.array([1, 2, 3, 4, 5, 6])

  a.shape

  #out

  (6,)

  a = a.reshape(2,-1)

  a.shape

  #out

  (2, 3)

  a

  #out

  array([[1, 2, 3],

  [4, 5, 6]])

  a = a.reshape(-1, 2)

  a.shape

  #out

  (3, 2)

  a[2, 0]

  #out

  5

  a[2, 0] = 55

  a[2, 0]

  #out

  55

  # zeros用于创建元素全部为0的矩阵数组

  a = np.zeros((3, 3))

  a

  #out

  array([[0., 0., 0.],

  [0., 0., 0.],

  [0., 0., 0.]])

  # ones用于创建元素全部为1的矩阵数组

  a = np.ones((3, 3))

  a

  #out

  array([[1., 1., 1.],

  [1., 1., 1.],

  [1., 1., 1.]])

  # zeros ones函数也完全可以用full函数实现

  a = np.full((2, 3), 0)

  a

  #out

  array([[0, 0, 0],

  [0, 0, 0]])

  # eye函数用于创建单位矩阵

  a = np.eye(3)

  a

  #out

  array([[1., 0., 0.],

  [0., 1., 0.],

  [0., 0., 1.]])

  # random.random用户创建数值为0-1之间的随机二维数组

  a = np.random.random((2, 3))

  a

  #out

  array([[0.54627035, 0.49586489, 0.6976645 ],

  [0.76596824, 0.95951819, 0.7515421 ]])

  2.2 数组索引操作

  # indexing : 数组索引

  a = np.array([[1, 2, 3, 4],

  [5, 6, 7, 8],

  [9, 10, 11, 12]])

  # -2代表数组的倒数第二行 , 1:3代表从第一列开始往后两个元素

  a[-2:, 1:3]

  #out

  array([[ 6, 7],

  [10, 11]])

  # 取倒数第二行 , 第三列元素

  a[-2, 3]

  #out

  8

  a

  #out

  array([[ 1, 2, 3, 4],

  [ 5, 6, 7, 8],

  [ 9, 10, 11, 12]])

  a.shape

  #out

  (3, 4)

  # 将数组a倒数第二行开始到最后一行 , 从第一列往后两列元素赋值给b数组

  b = a[-2:, 1:3]

  a

  #out

  array([[ 1, 2, 3, 4],

  [ 5, 6, 7, 8],

  [ 9, 10, 11, 12]])

  b

  #out

  array([[ 6, 7],

  [10, 11]])

  b.shape

  #out

  (2, 2)

  # 指定为索引为的2行

  b = a[2, 1:3]

  b

  #out

  array([10, 11])

  b.shape

  #out

  (2,)

  b = a[1, 2]

  b

  #out

  7

  b.shape

  #out

  ()

  b = a[2:3, 1:3]

  b

  #out

  array([[10, 11]])

  b.shape

  #out

  (1, 2)

  # 将数组的3行的1列 + 10

  a[np.arange(3), 1] += 10

  a

  #out

  array([[ 1, 12, 3, 4],

  [ 5, 16, 7, 8],

  [ 9, 20, 11, 12]])

  a[np.arange(2), 3] += 100

  a

  #out

  array([[ 1, 12, 3, 104],

  [ 5, 16, 7, 108],

  [ 9, 20, 11, 12]])

  # 产生一个0,1,2的数组 , 不包含3

  np.arange(3)

  #out

  array([0, 1, 2])

  # 产生一个从3-7的数组 , 不包含7

  np.arange(3,7)

  #out

  array([3, 4, 5, 6])

  a[np.arange(3), [1,1,1]] += 10

  a

  #out

  array([[ 1, 22, 3, 104],

  [ 5, 26, 7, 108],

  [ 9, 30, 11, 12]])

  a[[0,1,2], [1,1,1]] += 10

  a

  #out

  array([[ 1, 32, 3, 104],

  [ 5, 36, 7, 108],

  [ 9, 40, 11, 12]])

  # 判断数组a中大于10的值

  result_index = a>10

  result_index

  #out

  array([[False, True, False, True],

  [False, True, False, True],

  [False, True, True, True]])

  a[result_index]

  #out

  array([ 32, 104, 36, 108, 40, 11, 12])

  a[a>10]

  #out

  array([ 32, 104, 36, 108, 40, 11, 12])

  2.3 元素数组类型

  a = np.array([1,2,3])

  a.dtype

  #out

  dtype('int64')

  a = np.array([1.1, 2.2])

  a.dtype

  #out

  dtype('float64')

  a = np.array([1.1, 1, 'a'])

  a

  #out

  array(['1.1', '1', 'a'], dtype='

  # 将float型数组转化成int型

  a = np.array([1.1, 2.2], dtype=np.int64)

  a

  #out

  array([1, 2])

  # 将a数组赋值给b数组 , 同时设置元素类型为int

  b = np.array(a, dtype=np.int64)

  b

  #out

  array([1, 2])

  2.3 数组运算与常用函数

  numpy中的数学运算

  a = np.array([[1,2],

  [3,4]])

  b = np.array([[5,6],

  [6,5]])

  # 加法

  a+b

  #out

  array([[6, 8],

  [9, 9]])

  np.add(a,b)

  #out

  array([[6, 8],

  [9, 9]])

  # 减法

  a-b

  #out

  array([[-4, -4],

  [-3, -1]])

  np.subtract(a,b)

  #out

  array([[-4, -4],

  [-3, -1]])

  # 乘法

  a*b

  #out

  array([[ 5, 12],

  [18, 20]])

  np.multiply(a,b)

  #out

  array([[ 5, 12],

  [18, 20]])

  # 除法

  a/b

  #out

  array([[0.2 , 0.33333333],

  [0.5 , 0.8 ]])

  np.divide(a,b)

  #out

  array([[0.2 , 0.33333333],

  [0.5 , 0.8 ]])

  # 开方

  np.sqrt(a)

  #out

  array([[1. , 1.41421356],

  [1.73205081, 2. ]])

  a

  #out

  array([[1, 2],

  [3, 4]])

  b = np.array([[1,2,3],

  [4,5,6]])

  # dot : 是将a数组与b数组矩阵相乘的结果

  a.dot(b)

  #out

  array([[ 9, 12, 15],

  [19, 26, 33]])

  np.dot(a,b)

  #out

  array([[ 9, 12, 15],

  [19, 26, 33]])

  numpy中的常用函数

  # sum : 求和函数

  # 计算数组中全部元素的和

  a = np.array([[1,2],

  [3,4]])

  np.sum(a)

  #out

  10

  # 将数组中的每一列进行求和操作

  np.sum(a, axis=0)

  #out

  array([4, 6])

  # 将数组中的每一行进行求和操作

  np.sum(a, axis=1)

  #out

  array([3, 7])

  # mean : 求平均值函数

  # 计算数组的平均值

  np.mean(a)

  #out

  2.5

  # 计算数组每一列的平均值

  np.mean(a, axis=0)

  #out

  array([2., 3.])

  # 计算数组每一行的平均值

  np.mean(a, axis=1)

  #out

  array([1.5, 3.5])

  # uniform : 用户生成一个指定范围内的随机数值

  np.random.uniform(3,4)

  #out

  3.247709331922638

  # tile : 用于将一个数组作为一个元素重复指定的次数

  a无锡妇科医院哪家好 http://www.xasgfk.cn/

  #out

  array([[1, 2],

  [3, 4]])

  # 将数组在行上重复1次, 在列上重复2次

  np.tile(a, (1,2))

  #out

  array([[1, 2, 1, 2],

  [3, 4, 3, 4]])

  # 将数组在行上重复1次, 在列上重复3次

  np.tile(a, (1,3))

  #out

  array([[1, 2, 1, 2, 1, 2],

  [3, 4, 3, 4, 3, 4]])

  # argsort : 将数组中的元素进行排序 , 默认从小到大

  a = np.array([[1,12,3,104],

  [5,10,1,3]])

  # 按照数组下标将元素排好

  np.argsort(a)

  #out

  array([[0, 2, 1, 3],

  [2, 3, 0, 1]])

  # 将每一列进行排序

  a.argsort(axis=0)

  #out

  array([[0, 1, 1, 1],

  [1, 0, 0, 0]])

  # T : 矩阵转置

  a

  #out

  array([[ 1, 12, 3, 104],

  [ 5, 10, 1, 3]])

  a.T

  #out

  array([[ 1, 5],

  [ 12, 10],

  [ 3, 1],

  [104, 3]])

  # 使用transpose函数将数组转置

  np.transpose(a)

  #out

  array([[ 1, 5],

  [ 12, 10],

  [ 3, 1],

  [104, 3]])

  2.4 广播

  广播

  可以将不同维度的数组进行相加 , numpy会将不同维度的数组转化成相同维度的数组 , 广播会在缺失维度和一维的数组上进行操作

  a = np.array([[1, 2, 3],

  [5, 6, 7],

  [9, 10, 11]])

  b = np.array([1,2,3])

  # 将b数组加到a数组的每一行

  for i in range(3):

  a[i, :] += b

  a

  #out

  array([[ 2, 4, 6],

  [ 6, 8, 10],

  [10, 12, 14]])

  # 将b数组行上重复3次 , 列上重复1次 , 与a相加

  a + np.tile(b, (3,1))

  #out

  array([[ 3, 6, 9],

  [ 7, 10, 13],

  [11, 14, 17]])

Python人工智能常用库Numpy使用入门的更多相关文章

  1. Python科学计算库Numpy

    Python科学计算库Numpy NumPy(Numerical Python) 是 Python 语言的一个扩展程序库,支持大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库. 1.简 ...

  2. 数据分析常用库(numpy,pandas,matplotlib,scipy)

    概述 numpy numpy(numeric python)是 python 的一个开源数值计算库,主要用于数组和矩阵计算.底层是 C 语言,运行效率远高于纯 python 代码.numpy主要包含2 ...

  3. Python的常用库

    读者您好.今天我将介绍20个属于我常用工具的Python库,我相信你看完之后也会觉得离不开它们.他们是: Requests.Kenneth Reitz写的最富盛名的http库.每个Python程序员都 ...

  4. 爬虫-Python爬虫常用库

    一.常用库 1.requests 做请求的时候用到. requests.get("url") 2.selenium 自动化会用到. 3.lxml 4.beautifulsoup 5 ...

  5. Python扫描器-常用库-Request

    1.常用库-Request 1.1. 介绍 #安装:pip3 install requests #各种请求方式:常用的就是requests.get()和requests.post() >> ...

  6. python常用库 - NumPy 和 sklearn入门

    Numpy 和 scikit-learn 都是python常用的第三方库.numpy库可以用来存储和处理大型矩阵,并且在一定程度上弥补了python在运算效率上的不足,正是因为numpy的存在使得py ...

  7. [Python学习] python 科学计算库NumPy—矩阵运算

    NumPy库的核心是矩阵及其运算. 使用array()函数可以将python的array_like数据转变成数组形式,使用matrix()函数转变成矩阵形式. 基于习惯,在实际使用中较常用array而 ...

  8. Python科学计算库-Numpy

    NumPy 是 Python 语言的一个扩充程序库.支持高级大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库,也是学习 python 必学的一个库. 1. 读取文件 numpy.gen ...

  9. Python自动化测试常用库

    基本库: sys 程序和Python解析器的交互 os 启动新进程:操作文件和目录 re 正则表达式,字符串匹配 string 基本字符串操作 inspect 提供自省和反射功能 importlib ...

随机推荐

  1. go处理XML

    XML 数据格式 对于如下的XML: <Person> <FirstName>Laura</FirstName> <LastName>Lynn</ ...

  2. python语言(八)多线程、多进程、虚拟环境、unittest、生成测试报告

    一.多线程 进程与线程 进程:进程是资源(CPU.内存等)分配的最小单位,进程有独立的地址空间与系统资源,一个进程可以包含一个或多个线程 线程:线程是CPU调度的最小单位,是进程的一个执行流,线程依赖 ...

  3. Scrapy的中间件(一)

    中间件是Scrapy里面的一个核心概念.使用中间件可以在爬虫的请求发起之前或者请求返回之后对数据进行定制化修改,从而开发出适应不同情况的爬虫. "中间件"这个中文名字和前面章节讲到 ...

  4. Java 的API(API: Application(应用) Programming(程序) Interface(接口))

    按 ctrl 点击查看源代码: 一.equals方法: 1.用于比较两个对象是否相同. 2.Objec 类中,若两边是引用数据类型,比较的是两个对象的内存地址. 3.Objec 类中,若两边是数值类型 ...

  5. A Deep Dive into PL/v8

    Back in August, Compose.io announced the addition of JavaScript as an internal language for all new ...

  6. 【LG5444】[APIO2019]奇怪装置

    [LG5444][APIO2019]奇怪装置 题面 洛谷 题目大意: 给定\(A,B\),对于\(\forall t\in \mathbb N\),有二元组\((x,y)=((t+\lfloor\fr ...

  7. ZROI 暑期高端峰会 A班 Day1 序列数据结构

    FBI Warning:本文包含大量人类的本质之一 CF643G 维护一个序列,可以区间赋值,求区间中出现超过 \(p\%\) 的数. 允许输出不对的数,允许重复输出,但是所有对的数都一定要输出.而且 ...

  8. 常用Linux软件安装

    JDK 先从Oracle官网下载JDK Linux版本的安装包,上传到服务器,这里推荐在服务器中创建一个目录/software,可以将所有软件的安装包放在这个目录下(或者是/opt目录下),将软件包解 ...

  9. Salesforce 开发整理(六) Visualforce分页

    分页的实现总体上分真分页和假分页. 所谓真分页指页面上列出来的数据就是实际查询的数据,假分页则是无论页面上一次显示多少条记录,实际上后台已经加载了所有的记录,分页只是为了展示给用户查看.今天分享一个V ...

  10. 微信网页授权+获取用户基本信息+强制关注+JSSDK分享参数

    网页授权+获取用户基本信息+强制关注+JSSDK分享参数 //支付宝红包口令列表 public function view(){ $openid = ""; Vendor('Wei ...