numpy模块介绍
import numpy as np
np.array([1,2,3])
array([1, 2, 3])
np.array([[1,2,3],[4,5,6]])
array([[1, 2, 3],
[4, 5, 6]])
arr = np.array([[1,2,3],[4,5,6],[7,8,9]])
arr
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
把它给看成一个矩阵,或者看成一个ndarray数组的话,我们去获取他的形状.
arr = np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])
arr.shape
(4, 3)
arr.shape[0]
print(arr.shape[0])
20
arr.shape[1]
3
切割矩阵
arr = np.array([1,2,3])
arr
arr[:]
array([1, 2, 3])
arr = np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])
arr
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
arr[:,:]
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
arr[1:2,:]
array([[4, 5, 6]])
arr[1:2,1:2]
array([[5]])
arr[1:2,1:10000]
array([[5, 6]])
arr[1:2,[1,2]]
array([[5, 6]])
arr[1:2,(1,2)]
array([[5, 6]])
矩阵元素的替换
arr = np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])
arr
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
l = [4,5,6]
l[1] = 0
l
[4, 0, 6]
# arr[1:2,:] = 0
# arr
arr1 = arr.copy()
arr1[1:2,:] = 0
arr1
array([[ 1, 2, 3],
[ 0, 0, 0],
[ 7, 8, 9],
[10, 11, 12]])
arr
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
arr[(1,),(1,)] = 0
arr
array([[ 1, 2, 3],
[ 4, 0, 6],
[ 7, 8, 9],
[10, 11, 12]])
矩阵的合并
l1 = [1,2,3]
l2 = [4,5,6]
# l1.extend(l2)
# l1
l1+l2
[1, 2, 3, 4, 5, 6]
arr1 = np.array([[1, 2], [3, 4], [5, 6]])
arr1
array([[1, 2],
[3, 4],
[5, 6]])
arr2 = np.array([[7, 8,8], [9, 10,9], [11, 12,10]])
arr2
array([[ 7, 8, 8],
[ 9, 10, 9],
[11, 12, 10]])
np.hstack((arr1,arr2)) # h=horizontal水平的
array([[ 1, 2, 7, 8, 8],
[ 3, 4, 9, 10, 9],
[ 5, 6, 11, 12, 10]])
np.hstack([arr1,arr2])
array([[ 1, 2, 7, 8, 8],
[ 3, 4, 9, 10, 9],
[ 5, 6, 11, 12, 10]])
np.vstack((arr1,arr2)) # v=vertical垂直的
---------------------------------------------------------------------------
ValueError Traceback (most recent call last)
<ipython-input-53-4122b6300983> in <module>
----> 1 np.vstack((arr1,arr2)) # v=vertical垂直的
d:\python36\lib\site-packages\numpy\core\shape_base.py in vstack(tup)
281 """
282 _warn_for_nonsequence(tup)
--> 283 return _nx.concatenate([atleast_2d(_m) for _m in tup], 0)
284
285
ValueError: all the input array dimensions except for the concatenation axis must match exactly
arr1 = np.array([[1, 2,3], [3, 4,4], [5, 6,4]])
arr1
array([[1, 2, 3],
[3, 4, 4],
[5, 6, 4]])
arr2 = np.array([[7, 8,8], [9, 10,9], [11, 12,10]])
arr2
array([[ 7, 8, 8],
[ 9, 10, 9],
[11, 12, 10]])
np.vstack((arr1,arr2)) # v=vertical垂直的
array([[ 1, 2, 3],
[ 3, 4, 4],
[ 5, 6, 4],
[ 7, 8, 8],
[ 9, 10, 9],
[11, 12, 10]])
通过函数创建矩阵
range(10)
range(0, 10)
list(range(5,10,2))
[5, 7, 9]
np.arange(10,20,2)
array([10, 12, 14, 16, 18])
# 取头也取尾
arr = np.linspace(1,10,20)
arr
array([ 1. , 1.47368421, 1.94736842, 2.42105263, 2.89473684,
3.36842105, 3.84210526, 4.31578947, 4.78947368, 5.26315789,
5.73684211, 6.21052632, 6.68421053, 7.15789474, 7.63157895,
8.10526316, 8.57894737, 9.05263158, 9.52631579, 10. ])
len(arr)
20
zeros/ones/empty
np.zeros((3,2)) # zeros零
array([[0., 0.],
[0., 0.],
[0., 0.]])
np.ones((3,2)) # ones一
array([[1., 1.],
[1., 1.],
[1., 1.]])
np.empty((3,3)) # 随机元素的矩阵
array([[0.00000000e+000, 0.00000000e+000, 0.00000000e+000],
[0.00000000e+000, 0.00000000e+000, 7.37145944e-321],
[8.70018274e-313, 2.22507386e-306, 3.91786943e-317]])
np.eye(4) # I=1
array([[1., 0., 0., 0.],
[0., 1., 0., 0.],
[0., 0., 1., 0.],
[0., 0., 0., 1.]])
np.eye(7)
array([[1., 0., 0., 0., 0., 0., 0.],
[0., 1., 0., 0., 0., 0., 0.],
[0., 0., 1., 0., 0., 0., 0.],
[0., 0., 0., 1., 0., 0., 0.],
[0., 0., 0., 0., 1., 0., 0.],
[0., 0., 0., 0., 0., 1., 0.],
[0., 0., 0., 0., 0., 0., 1.]])
矩阵的运算
列表无法进行+-*/运算,但是矩阵是可以的.
l1 =[1,3,4]
l1*2
[1, 3, 4, 1, 3, 4]
l1+l1
[1, 3, 4, 1, 3, 4]
arr2 = np.array([[7, 8,8], [9, 10,9], [11, 12,10]])
arr2
array([[ 7, 8, 8],
[ 9, 10, 9],
[11, 12, 10]])
arr2*2
array([[14, 16, 16],
[18, 20, 18],
[22, 24, 20]])
arr2/2
array([[3.5, 4. , 4. ],
[4.5, 5. , 4.5],
[5.5, 6. , 5. ]])
arr2%2
array([[1, 0, 0],
[1, 0, 1],
[1, 0, 0]], dtype=int32)
np.sin(arr2)
array([[ 0.6569866 , 0.98935825, 0.98935825],
[ 0.41211849, -0.54402111, 0.41211849],
[-0.99999021, -0.53657292, -0.54402111]])
| 矩阵函数 | 详解 |
|---|---|
| np.sin(arr) | 对矩阵arr中每个元素取正弦，$sin(x)$ |
| np.cos(arr) | 对矩阵arr中每个元素取余弦，$cos(x)$ |
| np.tan(arr) | 对矩阵arr中每个元素取正切，$tan(x)$ |
| np.arcsin(arr) | 对矩阵arr中每个元素取反正弦，$arcsin(x)$ |
| np.arccos(arr) | 对矩阵arr中每个元素取反余弦，$arccos(x)$ |
| np.arctan(arr) | 对矩阵arr中每个元素取反正切，$arctan(x)$ |
| np.exp(arr) | 对矩阵arr中每个元素取指数函数，$e^x$ |
| np.sqrt(arr) | 对矩阵arr中每个元素开根号$\sqrt{x}$ |
np.sqrt(arr2)
array([[2.64575131, 2.82842712, 2.82842712],
[3. , 3.16227766, 3. ],
[3.31662479, 3.46410162, 3.16227766]])
矩阵的点乘
arr1 = np.array([[1, 2,3], [3, 4,4], [5, 6,4]])
arr1
array([[1, 2, 3],
[3, 4, 4],
[5, 6, 4]])
arr2 = np.array([[1, 2,3], [3, 4,4], [5, 6,4]])
arr2
array([[1, 2, 3],
[3, 4, 4],
[5, 6, 4]])
arr1.dot(arr2)
array([[22, 28, 23],
[35, 46, 41],
[43, 58, 55]])
矩阵的转置
arr2 = np.array([[1, 2,3]])
arr2
array([[1, 2, 3]])
arr2.T
array([[1],
[2],
[3]])
矩阵的逆
$AA{-1}=I=A{-1}A$
arr2 = np.array([[1, 2,3],[4,5,6],[7,8,9]])
arr2
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
np.linalg.inv(arr2)
---------------------------------------------------------------------------
LinAlgError Traceback (most recent call last)
<ipython-input-104-12b0a2fff5c3> in <module>
----> 1 np.linalg.inv(arr2)
d:\python36\lib\site-packages\numpy\linalg\linalg.py in inv(a)
549 signature = 'D->D' if isComplexType(t) else 'd->d'
550 extobj = get_linalg_error_extobj(_raise_linalgerror_singular)
--> 551 ainv = _umath_linalg.inv(a, signature=signature, extobj=extobj)
552 return wrap(ainv.astype(result_t, copy=False))
553
d:\python36\lib\site-packages\numpy\linalg\linalg.py in _raise_linalgerror_singular(err, flag)
95
96 def _raise_linalgerror_singular(err, flag):
---> 97 raise LinAlgError("Singular matrix")
98
99 def _raise_linalgerror_nonposdef(err, flag):
LinAlgError: Singular matrix
其他的用法
arr2 = np.array([[1, 2,3],[4,5,6],[7,8,9]])
arr2
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
arr2.min()
1
arr2.max()
9
arr2.mean()
5.0
arr2.var()
6.666666666666667
| 函数名称 | 函数功能 | 参数说明 |
|---|---|---|
| rand($d_0, d_1, \cdots , d_n$) | 产生均匀分布的随机数 | $d_n$为第n维数据的维度 |
| randn($d_0, d_1, \cdots , d_n$) | 产生标准正态分布随机数 | $d_n$为第n维数据的维度 |
| randint(low[, high, size, dtype]) | 产生随机整数 | low:最小值；high:最大值；size:数据个数 |
| random_sample([size]) | 在$[0,1)$内产生随机数 | size为随机数的shape，可以为元祖或者列表 |
| choice(a[, size]) | 从arr中随机选择指定数据 | arr为1维数组；size为数据形状 |
np.random.randint(1,10,(3,3))
array([[8, 5, 6],
[7, 5, 3],
[6, 4, 6]])
np.random.randn(3,2)
array([[ 1.49020068e+00, -5.66224782e-01],
[-1.26022246e+00, 1.41537705e+00],
[-1.99081209e-03, 2.05245204e+00]])
numpy模块介绍的更多相关文章
- Python 数据处理扩展包： numpy 和 pandas 模块介绍
一.numpy模块 NumPy(Numeric Python)模块是Python的一种开源的数值计算扩展.这种工具可用来存储和处理大型矩阵,比Python自身的嵌套列表(nested list str ...
- 开发技术--Numpy模块
开发|Numpy模块 Numpy模块是数据分析基础包,所以还是很重要的,耐心去体会Numpy这个工具可以做什么,我将从源码与 地产呢个实现方式说起,祝大家阅读愉快! Numpy模块提供了两个重要对象: ...
- 数据分析01 /numpy模块
数据分析01 /数据分析之numpy模块 目录 数据分析01 /数据分析之numpy模块 1. numpy简介 2. numpy的创建 3. numpy的方法 4. numpy的常用属性 5. num ...
- numpy模块（详解）
重点 索引和切片 级联 聚合操作 统计操作 矩阵 什么是数据分析 是把隐藏在一些看似杂乱无章的数据背后的信息提炼出来,总结出所研究对象的内在规律 数据分析是用适当的方法对收集来的大量数据进行分析,帮助 ...
- webkit模块介绍
一.Webkit模块 用到的第三方库如下: cairo 一个2D绘图库 casqt Unicode处理用的库,从QT中抽取部分代码形成的 expat 一个XML SAX解析器的库 freety ...
- 【液晶模块系列基础视频】1.2.iM_RGB模块介绍
[液晶模块系列基础视频]1.2.iM_RGB模块介绍(上) [液晶模块系列基础视频]1.2.iM_RGB模块介绍(下) ============================== 技术论坛:http ...
- 【液晶模块系列基础视频】1.1.iHMI43模块介绍
[液晶模块系列基础视频]1.1.iHMI43模块介绍(上) [液晶模块系列基础视频]1.1.iHMI43模块介绍(下) ============================== 技术论坛:http ...
- CSS3_概述、发展史、模块介绍、与浏览器之间的关系
一.CSS3概述和CSS3的发展史: 1.css3概述: CSS3是CSS2的升级版本,3只是版本号,它在CSS2.1的基础上增加了很多强大的新功能. 目前主流浏览器chrome.safari. ...
- 嵌入式系统图形库GUI核心模块介绍
本文转载自:http://blog.csdn.net/xteda/article/details/6575278 (作者 冯青华 信庭嵌入式工作室(www.xteda.com)- CEO Blog:h ...
随机推荐
- 记录 TypeError: render() got an unexpected keyword argument 'renderer' 错误
在网上看到MXShop这个项目,适合Python, Django + drf 进阶的,其中遇到 TypeError: render() got an unexpected keyword argume ...
- AI 领域与概述
概述 数据分析行业主要的职业发展. 业务:业务分析师.数据产品经理.产品总监 技术:算法师.架构师.研发经理.研发总监 美工:BI工程师 人工智能,是数据分析的子集.人工智能主要包括 语音识别 自然语 ...
- 北邮14&18年软院机试【参考】答案
2014 Problem A. 奇偶求和 题目描述: 给定N个数,分别求出这N个数中奇数的和以及偶数的和. 输入格式 第一行为测试数据的组数T(1<=T<=50).请注意,任意两组测试数据 ...
- Flink（四） —— 数据流编程模型
分层抽象 The lowest level abstraction simply offers stateful streaming. It is embedded into the DataStre ...
- dbus探索
一.参考网址 1.Dbus组成和原理
- java数据库连接池比较
dbcp dbcp可能是使用最多的开源连接池,原因大概是因为配置方便,而且很多开源和tomcat应用例子都是使用的这个连接池吧.这个连接池可以设置最大和最小连接,连接等待时间等,基本功能都有.这个连接 ...
- [原]排错实战——通过对比分析sysinternals事件修复程序功能异常
原调试debug排错troubleshootprocess monitorsysinternals 缘起 最近,我们程序的某个功能在一台机器上不正常,但是在另外一台机器上却是正常的.代码是同一份,vs ...
- endnote插入|管理文件|成组
信息检索 Endnote Filter(导入)---library(管理)---style(导出) 本地+网络数据库 点击research 在WOS上: 导入改文献: CNKI 导入PDF时选择PDF ...
- 框架-Spring容器
1. Spring Ioc容器 容器是Spring框架的基础,容器会创建.串联.配置对象,并且能管理对象的整个生命周期.如下是代表 Spring工作原理 MetaData 指定哪些对象实例化.配置 ...
- Tensorflow学习教程------读取数据、建立网络、训练模型，小巧而完整的代码示例
紧接上篇Tensorflow学习教程------tfrecords数据格式生成与读取,本篇将数据读取.建立网络以及模型训练整理成一个小样例,完整代码如下. #coding:utf-8 import t ...