2. 创建一般的多维数组

import numpy as np

a = np.array([1,2,3], dtype=int)  # 创建1*3维数组   array([1,2,3])
type(a)  # numpy.ndarray类型
a.shape  # 维数信息(3L,)
a.dtype.name   # 'int32'
a.size   # 元素个数：3
a.itemsize  #每个元素所占用的字节数目:4
 
 
b=np.array([[1,2,3],[4,5,6]],dtype=int)  # 创建2*3维数组  array([[1,2,3],[4,5,6]])
b.shape  # 维数信息（2L,3L）
b.size   # 元素个数：6
b.itemsize   # 每个元素所占用的字节数目:4
 
 
c=np.array([[1,2,3],[4,5,6]],dtype='int16')  # 创建2*3维数组  array([[1,2,3],[4,5,6]],dtype=int16)
c.shape  # 维数信息（2L,3L）
c.size   # 元素个数：6
c.itemsize   # 每个元素所占用的字节数目:2
c.ndim  # 维数
 
 
d=np.array([[1,2,3],[4,5,6]],dtype=complex)    #  复数二维数组
d.itemsize  # 每个元素所占用的字节数目：16
d.dtype.name  # 元素类型：'complex128'

3. 创建特殊类型的多维数组　

a1 = np.zeros((3,4))    # 创建3*4全零二维数组
输出：
array([[ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.]])
a1.dtype.name   # 元素类型：'float64'
a1.size  # 元素个数：12
a1.itemsize  # 每个元素所占用的字节个数：8
 
 
a2 = np.ones((2,3,4), dtype=np.int16)  # 创建2*3*4全1三维数组
a2 = np.ones((2,3,4), dtype='int16')     # 创建2*3*4全1三维数组
输出：
array([[[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]],
 
       [[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]]], dtype=int16)
 
 
a3 = np.empty((2,3))  # 创建2*3的未初始化二维数组
输出：（may vary）
array([[ 1.,  2.,  3.],
       [ 4.,  5.,  6.]])
 
 
a4 = np.arange(10,30,5)   # 初始值10，结束值：30（不包含），步长：5
输出：array([10, 15, 20, 25])
a5 = np.arange(0,2,0.3)    # 初始值0，结束值：2（不包含），步长：0.2
输出：array([ 0. ,  0.3,  0.6,  0.9,  1.2,  1.5,  1.8])
 
 
from numpy import pi
np.linspace(0, 2, 9)   # 初始值0，结束值：2（包含），元素个数：9
输出：
array([ 0.  ,  0.25,  0.5 ,  0.75,  1.  ,  1.25,  1.5 ,  1.75,  2.  ])
x = np.linspace(0, 2*pi, 9)
输出：
array([ 0.        ,  0.78539816,  1.57079633,  2.35619449,  3.14159265,
        3.92699082,  4.71238898,  5.49778714,  6.28318531])
 
 
a = np.arange(6)
输出：
array([0, 1, 2, 3, 4, 5])
b = np.arange(12).reshape(4,3)
输出：
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11]])
c = np.arange(24).reshape(2,3,4)
输出：
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],
 
       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])　

使用numpy.set_printoptions可以设置numpy变量的打印格式

在ipython环境下，使用help(numpy.set_printoptions)查询使用帮助和示例

a = np.arange(4)
输出：
array([0, 1, 2, 3])
b = a**2
输出：
array([0, 1, 4, 9])
c = 10*np.sin(a)
输出：
 array([ 0.        ,  8.41470985,  9.09297427,  1.41120008])
 
 
n < 35
输出：
array([ True,  True,  True,  True], dtype=bool)
 
A = np.array([[1,1],[0,1]])
B = np.array([[2,0],[3,4]])
C = A * B    # 元素点乘
输出：
array([[2, 0],
       [0, 4]])
D = A.dot(B)   # 矩阵乘法
输出：
array([[5, 4],
       [3, 4]])
E = np.dot(A,B)   # 矩阵乘法
输出：
array([[5, 4],
       [3, 4]])

4. 多维数组的基本操作

加法和减法操作要求操作双方的维数信息一致，均为M*N为数组方可正确执行操作。

 

多维数组操作过程中的类型转换

When operating with arrays of different types, the type of the resulting array corresponds to the more general or precise one (a behavior known as upcasting)

即操作不同类型的多维数组时，结果自动转换为精度更高类型的数组，即upcasting

a = np.ones((2,3),dtype=int)      # int32
b = np.random.random((2,3))     # float64
b += a  # 正确
a += b  # 错误
a = np.ones(3,dtype=np.int32)
b = np.linspace(0,pi,3)
c = a + b
d = np.exp(c*1j)
输出：
array([ 0.54030231+0.84147098j, -0.84147098+0.54030231j,
       -0.54030231-0.84147098j])
d.dtype.name
输出：
 'complex128'

多维数组的一元操作，如求和、求最小值、最大值等

a = np.random.random((2,3))
a.sum()
a.min()
a.max()
 
 
b = np.arange(12).reshape(3,4)
输出：
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
b.sum(axis=0)    # 按列求和
输出：
array([12, 15, 18, 21])
b.sum(axis=1)    # 按行求和
输出：
array([ 6, 22, 38])
b.cumsum(axis=0)   # 按列进行元素累加
输出：
array([[ 0,  1,  2,  3],
       [ 4,  6,  8, 10],
       [12, 15, 18, 21]])
b.cumsum(axis=1)   # 按行进行元素累加
输出：
array([[ 0,  1,  3,  6],
       [ 4,  9, 15, 22],
       [ 8, 17, 27, 38]])

universal functions

B = np.arange(3)
np.exp(B)
np.sqrt(B)
C = np.array([2.,-1.,4.])
np.add(B,C)

其他的ufunc函数包括：

all, any, apply_along_axis, argmax, argmin, argsort, average, bincount, ceil, clip, conj, corrcoef, cov, cross, cumprod, cumsum, diff, dot, floor,inner, lexsort, max, maximum, mean, median, min, minimum, nonzero, outer, prod, re, round, sort, std, sum, trace, transpose, var,vdot, vectorize, where

5. 数组索引、切片和迭代

a = np.arange(10)**3
a[2]
a[2:5]
a[::-1] # 逆序输出
for i in a:
    print (i**(1/3.))
def f(x,y):
    return 10*x+y
b = np.fromfunction(f,(5,4),dtype=int)
b[2,3]
b[0:5,1]
b[:,1]
b[1:3,:]
b[-1]
c = np.array([[[0,1,2],[10,11,12]],[[100,101,102],[110,111,112]]])
输出：
array([[[  0,   1,   2],
        [ 10,  11,  12]],
 
       [[100, 101, 102],
        [110, 111, 112]]])
c.shape
输出：
(2L, 2L, 3L)
c[0,...]
c[0,:,:]
输出：
array([[ 0,  1,  2],
       [10, 11, 12]])
c[:,:,2]
c[...,2]
输出：
array([[  2,  12],
       [102, 112]])
 
for row in c:
    print(row)
 
for element in c.flat:
    print(element)
a = np.floor(10*np.random.random((3,4)))
输出：
array([[ 3.,  9.,  8.,  4.],
       [ 2.,  1.,  4.,  6.],
       [ 0.,  6.,  0.,  2.]])
a.ravel()
输出：
array([ 3.,  9.,  8., ...,  6.,  0.,  2.])
a.reshape(6,2)
输出：
array([[ 3.,  9.],
       [ 8.,  4.],
       [ 2.,  1.],
       [ 4.,  6.],
       [ 0.,  6.],
       [ 0.,  2.]])
a.T
输出：
array([[ 3.,  2.,  0.],
       [ 9.,  1.,  6.],
       [ 8.,  4.,  0.],
       [ 4.,  6.,  2.]])
a.T.shape
输出：
(4L, 3L)
a.resize((2,6))
输出：
array([[ 3.,  9.,  8.,  4.,  2.,  1.],
       [ 4.,  6.,  0.,  6.,  0.,  2.]])
a.shape
输出：
(2L, 6L)
a.reshape(3,-1)
输出：
array([[ 3.,  9.,  8.,  4.],
       [ 2.,  1.,  4.,  6.],
       [ 0.,  6.,  0.,  2.]])

详查以下函数：

ndarray.shape, reshape, resize, ravel

6. 组合不同的多维数组

a = np.floor(10*np.random.random((2,2)))
输出：
array([[ 5.,  2.],
       [ 6.,  2.]])
b = np.floor(10*np.random.random((2,2)))
输出：
array([[ 0.,  2.],
       [ 4.,  1.]])
np.vstack((a,b))
输出：
array([[ 5.,  2.],
       [ 6.,  2.],
       [ 0.,  2.],
       [ 4.,  1.]])
np.hstack((a,b))
输出：
array([[ 5.,  2.,  0.,  2.],
       [ 6.,  2.,  4.,  1.]])
 
 
from numpy import newaxis
np.column_stack((a,b))
输出：
array([[ 5.,  2.,  0.,  2.],
       [ 6.,  2.,  4.,  1.]])
 
 
a = np.array([4.,2.])
b = np.array([2.,8.])
a[:,newaxis]
输出：
array([[ 4.],
       [ 2.]])
b[:,newaxis]
输出：
array([[ 2.],
       [ 8.]])
np.column_stack((a[:,newaxis],b[:,newaxis]))
输出：
array([[ 4.,  2.],
       [ 2.,  8.]])
np.vstack((a[:,newaxis],b[:,newaxis]))
输出：
array([[ 4.],
       [ 2.],
       [ 2.],
       [ 8.]])
np.r_[1:4,0,4]
输出：
array([1, 2, 3, 0, 4])
np.c_[np.array([[1,2,3]]),0,0,0,np.array([[4,5,6]])]
输出：
array([[1, 2, 3, 0, 0, 0, 4, 5, 6]])

详细使用请查询以下函数：

hstack, vstack, column_stack, concatenate, c_, r_

7. 将较大的多维数组分割成较小的多维数组

a = np.floor(10*np.random.random((2,12)))

输出：

array([[ 9.,  7.,  9., ...,  3.,  2.,  4.],

       [ 5.,  3.,  3., ...,  9.,  7.,  7.]])

np.hsplit(a,3)

输出：

[array([[ 9.,  7.,  9.,  6.],

        [ 5.,  3.,  3.,  1.]]), array([[ 7.,  2.,  1.,  6.],

        [ 7.,  5.,  0.,  2.]]), array([[ 9.,  3.,  2.,  4.],

        [ 3.,  9.,  7.,  7.]])]

np.hsplit(a,(3,4))

输出：

[array([[ 9.,  7.,  9.],

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

        [ 1.]]), array([[ 7.,  2.,  1., ...,  3.,  2.,  4.],

        [ 7.,  5.,  0., ...,  9.,  7.,  7.]])]

　　

实现类似功能的函数包括：

hsplit,vsplit,array_split

8.  多维数组的复制操作

a = np.arange(12)

输出：

array([ 0,  1,  2, ...,  9, 10, 11])

not copy at all

b = a

b is a    # True

b.shape = 3,4

a.shape  # (3L,4L)

def f(x)   # Python passes mutable objects as references, so function calls make no copy.

    print(id(x))   # id是python对象的唯一标识符

id(a)   # 111833936L

id(b)   # 111833936L

f(a)     # 111833936L

浅复制

c = a.view()

c is a   # False

c.base is a   # True

c.flags.owndata    # False

c.shape = 2,6

a.shape   # (3L,4L)

c[0,4] = 1234

print(a)

输出：

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

       [1234,    5,    6,    7],

       [   8,    9,   10,   11]])

s = a[:,1:3]

s[:] = 10

print(a)

输出：

array([[   0,   10,   10,    3],

       [1234,   10,   10,    7],

       [   8,   10,   10,   11]])

深复制

d = a.copy()

d is a   # False

d.base is a   # False

d[0,0] = 9999

print(a)

输出：

array([[   0,   10,   10,    3],

       [1234,   10,   10,    7],

       [   8,   10,   10,   11]])

numpy基本函数和方法一览

Array   Creation

arange, array, copy, empty, empty_like, eye, fromfile, fromfunction, identity, linspace, logspace, mgrid, ogrid, ones, ones_like, r, zeros,zeros_like

Conversions

ndarray.astype, atleast_1d, atleast_2d, atleast_3d, mat

Manipulations

array_split, column_stack, concatenate, diagonal, dsplit, dstack, hsplit, hstack, ndarray.item, newaxis, ravel, repeat, reshape, resize,squeeze, swapaxes, take, transpose, vsplit, vstack

Questionsall, any, nonzero, where

Ordering

argmax, argmin, argsort, max, min, ptp, searchsorted, sort

Operations

choose, compress, cumprod, cumsum, inner, ndarray.fill, imag, prod, put, putmask, real, sum

Basic Statistics

cov, mean, std, var

Basic Linear Algebra

cross, dot, outer, linalg.svd, vdot

完整的函数和方法一览表链接：

https://docs.scipy.org/doc/numpy-dev/reference/routines.html#routines

9. 特殊的索引技巧

 1 a = np.arange(12)**2

 2 输出：

 3 array([  0,   1,   4, ...,  81, 100, 121])

 4 i = np.array([1,1,3,8,5])

 5 a[i]

 6 输出：

 7 array([ 1,  1,  9, 64, 25])

 8

 9 j = np.array([[3,4],[9,7]])

10 a[j]

11 输出：

12 array([[ 9, 16],

13        [81, 49]])

14

15

16 palette = np.array([[0,0,0],[255,0,0],[0,255,0],[0,0,255],[255,255,255]])

17 image = np.array([[0,1,2,0],[0,3,4,0]])

18 palette[image]

19 输出：

20 array([[[  0,   0,   0],

21         [255,   0,   0],

22         [  0, 255,   0],

23         [  0,   0,   0]],

24

25        [[  0,   0,   0],

26         [  0,   0, 255],

27         [255, 255, 255],

28         [  0,   0,   0]]])

29

30

31 i = np.array([[0,1],[1,2]])

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

33 a[i,j]

34 输出：

35 array([[ 2,  5],

36        [ 7, 11]])

37 l = [i,j]

38 a[l]

39 输出：

40 array([[ 2,  5],

41        [ 7, 11]])

42

43

44 a[i,2]

45 输出：

46 array([[ 2,  6],

47        [ 6, 10]])

48

49 a[:,j]

50 输出：

51 array([[[ 2,  1],

52         [ 3,  3]],

53

54        [[ 6,  5],

55         [ 7,  7]],

56

57        [[10,  9],

58         [11, 11]]])
s = np.array([i,j])

print(s)

array([[[0, 1],

        [1, 2]],

       [[2, 1],

        [3, 3]]])

a[tuple(s)]

输出：

array([[ 2,  5],

       [ 7, 11]])

print(tupe(s))

输出：

(array([[0, 1],

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

        [3, 3]]))

10. 寻找最大值/最小值及其对应索引值

time = np.linspace(20, 145, 5)

输出：

 array([  20.  ,   51.25,   82.5 ,  113.75,  145.  ])

data = np.sin(np.arange(20)).reshape(5,4)

输出：

array([[ 0.        ,  0.84147098,  0.90929743,  0.14112001],

       [-0.7568025 , -0.95892427, -0.2794155 ,  0.6569866 ],

       [ 0.98935825,  0.41211849, -0.54402111, -0.99999021],

       [-0.53657292,  0.42016704,  0.99060736,  0.65028784],

       [-0.28790332, -0.96139749, -0.75098725,  0.14987721]])

ind = data.argmax(axis=0)

输出：

array([2, 0, 3, 1], dtype=int64)

time_max = time[ind]

输出：

array([  82.5 ,   20.  ,  113.75,   51.25])

data_max = data[ind, xrange(data.shape[1])]

输出：

array([ 0.98935825,  0.84147098,  0.99060736,  0.6569866 ])

np.all(data_max == data.max(axis=0))

输出：

True

a = np.arange(5)

a[[1,3,4]] = 0

print(a)

输出：

array([0, 0, 2, 0, 0])
a = np.arange(5)

a[[0,0,2]] = [1,2,3]

print(a)

输出：

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

a = np.arange(5)

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

print(a)

输出：

array([1, 1, 3, 3, 4])
 a = np.arange(12).reshape(3,4)

 b = a > 4

输出：

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

       [False,  True,  True,  True],

       [ True,  True,  True,  True]], dtype=bool)

a[b]

输出：

array([ 5,  6,  7,  8,  9, 10, 11])

a[b] = 0

print(a)

输出：

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

       [4, 0, 0, 0],

       [0, 0, 0, 0]])
a = np.arange(12).reshape(3,4)

b1 = np.array([False,True,True])

b2 = n.array([True,False,True,False])

a[b1,:]

输出：

array([[ 4,  5,  6,  7],

       [ 8,  9, 10, 11]])

a[b1]

输出：

array([[ 4,  5,  6,  7],

       [ 8,  9, 10, 11]])

a[:,b2]

输出：

array([[ 0,  2],

       [ 4,  6],

       [ 8, 10]])

a[b1,b2]

输出：

array([ 4, 10])

11. ix_() function

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

 2 b = np.array([8,5,4])

 3 c = np.array([5,4,6,8,3])

 4 ax,bx,cx = np.ix_(a,b,c)

 5 print(ax)   # (4L, 1L, 1L)

 6 输出：

 7 array([[[2]],

 8

 9        [[3]],

10

11        [[4]],

12

13        [[5]]])

14 print(bx)    # (1L, 3L, 1L)

15 输出：

16 array([[[8],

17         [5],

18         [4]]])

19 print(cx)   # (1L, 1L, 5L)

20 输出：

21 array([[[5, 4, 6, 8, 3]]])

22

23

24 result = ax + bx*cx

25 输出：

26 array([[[42, 34, 50, 66, 26],

27         [27, 22, 32, 42, 17],

28         [22, 18, 26, 34, 14]],

29

30        [[43, 35, 51, 67, 27],

31         [28, 23, 33, 43, 18],

32         [23, 19, 27, 35, 15]],

33

34        [[44, 36, 52, 68, 28],

35         [29, 24, 34, 44, 19],

36         [24, 20, 28, 36, 16]],

37

38        [[45, 37, 53, 69, 29],

39         [30, 25, 35, 45, 20],

40         [25, 21, 29, 37, 17]]])

41

42 result[3,2,4]

43 输出：17

12. 线性代数运算

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

a.transpose()   # 转置

np.linalg.inv(a)   # 求逆

u = np.eye(2)   # 产生单位矩阵

np.dot(a,a)    # 矩阵乘积

np.trace(a)    # 求矩阵的迹

y = np.array([5.],[7.]])

np.linalg.solve(a,y)  # 求解线性方程组

np.linalg.eig(a)   # 特征分解

“Automatic” Reshaping

 1 a = np.arange(30)

 2 a.shape = 2,-1,3

 3 a.shape   #  (2L, 5L, 3L)

 4 print(a)

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

 6         [ 3,  4,  5],

 7         [ 6,  7,  8],

 8         [ 9, 10, 11],

 9         [12, 13, 14]],

10

11        [[15, 16, 17],

12         [18, 19, 20],

13         [21, 22, 23],

14         [24, 25, 26],

15         [27, 28, 29]]])
1 x = np.arange(0,10,2)

2 y = np.arange(5)

3 m = np.vstack([x,y])

4 输出：

5 array([[0, 2, 4, 6, 8],

6        [0, 1, 2, 3, 4]])

7 n = np.hstack([x,y])

8 输出：

9 array([0, 2, 4, 6, 8, 0, 1, 2, 3, 4])

13. 矩阵的创建

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

a1 = np.mat(a)

输出：

matrix([[1, 2, 3]])

type(a1)

输出：

numpy.matrixlib.defmatrix.matrix

a1.shape

输出：

(1L, 3L)

a.shape

输出：

(3L,)

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

输出：

matrix([[1, 2, 3]])

from numpy import *

data1 = mat(zeros((3,3)))

data2 = mat(ones((2,4)))

data3 = mat(random.rand(2,2))

data4 = mat(random.randint(2,8,size=(2,5)))

data5 = mat(eye(2,2,dtype=int))

14. 常见的矩阵运算

 1 a1 = mat([1,2])

 2 a2 = mat([[1],[2]])

 3 a3 = a1 * a2

 4 print(a3)

 5 输出：

 6 matrix([[5]])

 7

 8 print(a1*2)

 9 输出：

10 matrix([[2, 4]])

11

12 a1 = mat(eye(2,2)*0.5)

13 print(a1.I)

14 输出：

15 matrix([[ 2.,  0.],

16         [ 0.,  2.]])

17

18

19 a1 = mat([[1,2],[2,3],[4,2]])

20 a1.sum(axis=0)

21 输出：

22 matrix([[7, 7]])

23 a1.sum(axis=1)

24 输出：

25 matrix([[3],

26         [5],

27         [6]])

28 a1.max()  # 求矩阵元素最大值

29 输出：

30 4

31 a1.min()  # 求矩阵元素最小值

32 输出：

33 1

34

35 np.max(a1,0)  # 求矩阵每列元素最大值

36 输出：

37 matrix([[4, 3]])

38 np.max(a1,1)  # 求矩阵每行元素最大值

39 输出：

40 matrix([[2],

41         [3],

42         [4]])

43

44

45 a = mat(ones((2,2)))

46 b = mat(eye((2)))

47 c = hstack((a,b))

48 输出：

49 matrix([[ 1.,  1.,  1.,  0.],

50         [ 1.,  1.,  0.,  1.]])

51 d = vstack((a,b))

52 输出：

53 matrix([[ 1.,  1.],

54         [ 1.,  1.],

55         [ 1.,  0.],

56         [ 0.,  1.]])

15. 矩阵、数组、列表之间的互相转换

 1 aa = [[1,2],[3,4],[5,6]]

 2 bb = array(aa)

 3 cc = mat(bb)

 4

 5 cc.getA()  # 矩阵转换为数组

 6 cc.tolist()  # 矩阵转换为列表

 7 bb.tolist() # 数组转换为列表

 8

 9

10 # 当列表为一维时，情况有点特殊

11 aa = [1,2,3,4]

12 bb = array(aa)

13 输出：

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

15 cc = mat(bb)

16 输出：

17 matrix([[1, 2, 3, 4]])

18

19 cc.tolist()

20 输出：

21 [[1, 2, 3, 4]]

22

23 bb.tolist()

24 输出：

25 [1, 2, 3, 4]

26

27 cc.tolist()[0]

28 输出：

29 [1, 2, 3, 4]

python中的矩阵、多维数组的更多相关文章

  1. python中的矩阵、多维数组----numpy

    https://docs.scipy.org/doc/numpy-dev/user/quickstart.html  (numpy官网一些教程) numpy教程:数组创建 python中的矩阵.多维数 ...

  2. [转]Python中的矩阵转置

    Python中的矩阵转置 via 需求: 你需要转置一个二维数组,将行列互换. 讨论: 你需要确保该数组的行列数都是相同的.比如: arr = [[1, 2, 3], [4, 5, 6], [7, 8 ...

  3. Python中的矩阵操作

    Numpy 通过观察Python的自有数据类型,我们可以发现Python原生并不提供多维数组的操作,那么为了处理矩阵,就需要使用第三方提供的相关的包. NumPy 是一个非常优秀的提供矩阵操作的包.N ...

  4. 地图四叉树一般用在GIS中，在游戏寻路中2D游戏中一般用2维数组就够了

    地图四叉树一般用在GIS中,在游戏寻路中2D游戏中一般用2维数组就够了 四叉树对于区域查询,效率比较高. 原理图

  5. C语言中如何将二维数组作为函数的参数传递

    今天写程序的时候要用到二维数组作参数传给一个函数,我发现将二维数组作参数进行传递还不是想象得那么简单里,但是最后我也解决了遇到的问题,所以这篇文章主要介绍如何处理二维数组当作参数传递的情况,希望大家不 ...

  6. php中count获取多维数组长度的方法

    转自:http://www.jb51.net/article/57021.htm 本文实例讲述了php中count获取多维数组长度的实现方法.分享给大家供大家参考.具体分析如下: 先来看看下面程序运行 ...

  7. php中向前台js中传送一个二维数组

    在php中向前台js中传送一个二维数组,并在前台js接收获取其中值的全过程方法: (1),方法说明:现在后台将数组发送到前台 echo json_encode($result); 然后再在js页面中的 ...

  8. 关于python中的矩阵乘法（array和mat类型）

    关于python中的矩阵乘法,我们一般有两种数据格式可以实现:np.array()类型和np.mat()类型: 对于这两种数据类型均有三种操作方式: (1)乘号 * (2)np.dot() (3)np ...

  9. 以杨辉三角为例，从内存角度简单分析C语言中的动态二维数组

    学C语言,一定绕不过指针这一大难关,而指针最让人头疼的就是各种指向关系,一阶的指针还比较容易掌握,但一旦阶数一高,就很容易理不清楚其中的指向关系,现在我将通过杨辉三角为例,我会用四种方法从内存的角度简 ...

  10. Python 中的字节与字节数组

    Python 中的字节与字节数组 - Python - 伯乐在线 http://python.jobbole.com/84839/

随机推荐

  1. 伯努利数学习笔记&&Luogu P3711 仓鼠的数学题

    新科技 Luogu P3711 题意 设$ S_{k,n}$表示$ \displaystyle\sum_{i=0}^n i^k$ 求多项式$\displaystyle\sum_{k=0}^n S_{k ...

  2. vue老司机

    你和答案之间只差一个关键字 1.对象二级查找值渲染早于数据获取   解决vue.js 数据渲染成功仍报错的问题

  3. JAVA进阶14

    间歇性混吃等死,持续性踌躇满志系列-------------第14天 1.线程的加入 package code0328; import javax.swing.*; import java.awt.* ...

  4. Centos 上部署 tomcat7

     在 Centos 上部署 tomcat7 搜索tomcat,选下面红色框框的官网 选箭头指着的版本7, 选 tar.gz 格式, 下载完压缩包,使用 ftpx 工具,放在 centos 的 /opt ...

  5. 论文笔记：Image Smoothing via L0 Gradient Minimization

    今天要分享的这篇论文是我个人最喜欢的论文之一,它的思想简单.巧妙,而且效果还相当不错.这篇论文借助数学上的 \(L_0\) 范数工具对图像进行平滑,同时保留重要的边缘特征,可以实现类似水彩画的效果(见 ...

  6. eclipse新建工作空间后的常用设置

    1.设置字体 一般主要设置下面三个地方(其他可以按需进行设置): Window->Preferences->(可以直接搜索font)General -> Appearance -&g ...

  7. 先进过程控制之一：浅说APC

    先进过程控制(APC)技术作为在生产装置级的信息化应用,在优化装置的控制水平和提高生产过程的管理水平的同时,还为企业创造了可观的经济效益. 1.什么是APC 先进过程控制,简称APC,并不是什么新概念 ...

  8. jsp中一个标签两种方式绑定两个click事件导致未执行的问题

    近日,在开发过程中,写了一个标签 <li id="a1" onclick="doSomething()">...</li> 在js页面中 ...

  9. UI---设置Activity背景为透明

    1.在values下colors中设置透明颜色 <?xml version="1.0" encoding="utf-8"?> <resourc ...

  10. .Net core使用Autofac进行依赖注入示例

    一.官方文档 https://autofaccn.readthedocs.io/zh/latest/index.html 二.新建.net core 控制台程序 三.注册类型,示例一 1.新建接口 I ...