numpy用法归纳
1.生成数组
import numpy as np
把python列表转换为数组
>>> np.array([1, 2, 3])
array([1, 2, 3])
把python的range对象转换为数组
>>> range(5)
range(0, 5)
生成等差数组
>>> np.linspace(0, 10, 5)
array([ 0. , 2.5, 5. , 7.5, 10. ])
对数数组
>>> np.logspace(0, 10, 2)
array([ 1.00000000e+00, 1.00000000e+10])
全0数组
>>> np.zeros((3, 3))
array([[ 0., 0., 0.],
[ 0., 0., 0.],
[ 0., 0., 0.]])
全1数组
>>> np.ones((2, 2))
array([[ 1., 1.],
[ 1., 1.]])
单位矩阵
>>> np.identity(2)
array([[ 1., 0.],
[ 0., 1.]])
空数组,只申请空间而不初始化,元素值不确定
>>> np.empty((2, 2))
array([[ 1., 1.],
[ 1., 1.]])
2.数组与数值的算术运算
数组可以直接与数值进行加减乘除运算,对应的是数组里每个元素与数值进相应的运算
3.数组与数组的算术运算
数组与数组相乘
>>> a = np.array([1, 2, 3])
>>> b = np.array(([1, 2, 3], [4, 5, 6], [7, 8, 9]))
>>> a*b
array([[ 1, 4, 9],
[ 4, 10, 18],
[ 7, 16, 27]])
一维数组与二维数组的运算,相当于把一维数组的维度看作一个整体向量与二维数组的第一维度中每个对应向量进行运算,并且运算的是针对两个向量中的对应每个元素进行运算,注意这两个运算的向量的维度需要相同
数组与数组的加减除运算规律如上相同
4.二维数组转置
>>> b
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
>>> b.T
array([[1, 4, 7],
[2, 5, 8],
[3, 6, 9]])
注意一维数组转置后和原理是一样的
5.向量内积
>>> a = np.array(([1, 2], [3, 4]))
>>> b = np.array(([5, 6], [7, 8]))
>>> a.dot(b)
array([[19, 22],
[43, 50]])
6.数组元素访问
创建等差数组
>>> arr = np.arange(0, 100, 10, dtype=np.floating)
>>> arr
array([ 0., 10., 20., 30., 40., 50., 60., 70., 80., 90.])
生成5个随机整数作为下标
>>> index = np.random.randint(0, len(arr), 5)
>>> index
array([5, 4, 2, 2, 8])
同时访问多个元素的值
>>> arr[index]
array([ 50., 40., 20., 20., 80.])
同时修改多个下标指定的元素值
>>> arr[index] = [1, 2, 3, 4, 5]
>>> arr
array([ 0., 10., 4., 30., 2., 1., 60., 70., 5., 90.])
7.对数组进行函数运算
np.sin(arr)
np.cos(arr)
np.round(_) # 四舍五入
np.floor(arr) # 所有元素向下取整
np.ceil(arr) # 所有元素向上取整
8.对矩阵不同维度上的元素进行计算
np.sum(arr, axis=0) # 二维数组纵向求和
np.mean(arr, axis=1) # 二维数组横向计算算术平均值
np.average(arr, axis=0, weights=weight) #二维数组纵向计算加权平均值
np.max(arr, axis=0) # 二维数组每列最大
np.std(arr, axis=1) # 每行元素的标准差
np.var(arr, axis=0) # 每列元素的标准差
np.sort(arr, axis=0) # 纵向排序
9.改变数组大小
>>> a
array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
>>> a.shape = 2, 5
>>> a
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10]])
>>> a.shape = 5, -1
>>> a
array([[ 1, 2],
[ 3, 4],
[ 5, 6],
[ 7, 8],
[ 9, 10]])
>>> b = a.reshape(2, -1)
>>> b
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10]])
10.切片操作
>>> b
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10]])
>>> b[1][::2]
array([ 6, 8, 10])
其他切片方式与列表切片相似
11.布尔运算
>>> b
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10]])
>>> b > 5
array([[False, False, False, False, False],
[ True, True, True, True, True]], dtype=bool)
>>> a = np.random.rand(5)
>>> b = np.random.rand(5)
>>> a
array([ 0.35153042, 0.7211572 , 0.01421697, 0.80853614, 0.00126357])
>>> b
array([ 0.54159521, 0.14100028, 0.24689119, 0.40688594, 0.60708272])
>>> a > b
array([False, True, False, True, False], dtype=bool)
12.广播
>>> a = np.arange(0, 100, 20).reshape(-1, 1)
>>> a
array([[ 0],
[20],
[40],
[60],
[80]])
>>> b = np.arange(0, 5)
>>> b
array([0, 1, 2, 3, 4])
>>> a + b
array([[ 0, 1, 2, 3, 4],
[20, 21, 22, 23, 24],
[40, 41, 42, 43, 44],
[60, 61, 62, 63, 64],
[80, 81, 82, 83, 84]])
>>> a*b
array([[ 0, 0, 0, 0, 0],
[ 0, 20, 40, 60, 80],
[ 0, 40, 80, 120, 160],
[ 0, 60, 120, 180, 240],
[ 0, 80, 160, 240, 320]])
13.分段函数
>>> b
array([0, 1, 2, 3, 4])
>>> np.where(b > 1)
(array([2, 3, 4], dtype=int64),)
>>> np.where(b > 1, 0, 1)
array([1, 1, 0, 0, 0])
小于2的元素乘以2的幂次方,大于等于3的元素乘以2+2,没有选择到的元素为返回0
>>> np.piecewise(b, [b < 2, b >=3], [lambda x:x ** 2, lambda x: x*2 + 2])
array([ 0, 1, 0, 8, 10])
14.计算唯一值以及出现次数
>>> a
array([3, 5, 0, 5, 7, 8, 9, 6, 6, 9])
统计出现的次数
>>> np.bincount(a)
array([1, 0, 0, 1, 0, 2, 2, 1, 1, 2], dtype=int64)
返回唯一值,消去重复
>>> np.unique(a)
array([0, 3, 5, 6, 7, 8, 9])
15.矩阵运算
>>> a = np.random.random((2, 2))*100 % 10
>>> a
array([[ 7.14583047, 4.97659447],
[ 4.54034887, 4.28307445]])
>>> mat = np.matrix(a)
>>> mat
matrix([[ 7.14583047, 4.97659447],
[ 4.54034887, 4.28307445]])
>>> mat.sum()
20.945848263382267
>>> mat.max()
7.1458304748163357
>>> mat.shape
(2, 2)
>>> mat.size
4
>>> mat.mean()
5.2364620658455667
>>> mat.argsort(axis=0)
matrix([[1, 1],
[0, 0]], dtype=int64)
>>> mat.argsort(axis=1)
matrix([[1, 0],
[1, 0]], dtype=int64)
>>> mat.diagonal()
matrix([[ 7.14583047, 4.28307445]])
numpy用法归纳的更多相关文章
- 比较合并工具vimdiff的主要用法归纳
参考:https://www.ibm.com/developerworks/cn/linux/l-vimdiff/ vimdiff主要用法归纳如下: 1.打开文件 vimdiff file1 fi ...
- until与till的用法归纳
until与till的用法归纳 崔荣斌 until和till两者都可作介词.连词,一般情况下可以互换使用.用于肯定句时,主句的动词只用延续性的,它所表示的动作一直延续到till或until表示的时间为 ...
- numpy用法小结
前言 个人感觉网上对numpy的总结感觉不够详尽细致,在这里我对numpy做个相对细致的小结吧,在数据分析与人工智能方面会有所涉及到的东西在这里都说说吧,也是对自己学习的一种小结! numpy用法的介 ...
- python3 numpy基本用法归纳总结
安装numpy : pip install numpy numpy数组生成方法总结 In [4]: import numpy as np #使用列表生成一个一维数组 data = [1,2,3,4,5 ...
- python科学计算包numpy用法(一)
numpy是python中一个用来做科学计算的包,用起来十分方便,下面是我总结的numpy的用法: 1.如何创建矩阵 创建矩阵有很多种方法,主要包括以下几种: 通过array函数创建 >> ...
- const用法归纳总结 C++
非常好的一篇分析const的总结归纳, 在此谢谢原作者:http://blog.csdn.net/zcf1002797280/article/details/7816977 在普通的非 const成员 ...
- 自己总结numpy用法
最近用numpy比较多,边用边自己总结用法. 1. 数组 1.1 生成 m行 * n列 的随机数组 import numpy as np # 生成 m行*n列 的随机数组 # np.random.ra ...
- ecshop中foreach的详细用法归纳
ec模版中foreach的常见用法. foreach 语法: 假如后台:$smarty->assign('test',$test); {foreach from=$test item=list ...
- Numpy 用法小结
1. asarray 函数 可以将输入数据转化为矩阵格式. 输入数据可以是(列表,元组,列表的列表,元组的元组,元组的列表等这些数组形式). >>> asarray([(1,2,3 ...
随机推荐
- (NO.00001)iOS游戏SpeedBoy Lite成形记(二十二)
自己的游戏自己更需要多玩,这样才能首先发现不足的地方.所以本猫到现在已经忍一个地方很久了,就是弹出moneyLayer后每次都要输入数字才能关闭,这多少让人不爽.于是本篇我们就修正这个小小的不便. 首 ...
- Django应用部署 - 上线指南
http://blog.csdn.net/pipisorry/article/details/46957613 python manage.py runserver已经很接近于服务器的形式,但是并不能 ...
- java中log的应用
log的简单应用 备忘 加入jar包commons-logging-1.1.jar log4j.properties 如下(就放在src根目录底下 名字和位置都不要变) #OFF.FATAL.ERRO ...
- jsp中的tag与tld
转载自: http://www.cnblogs.com/fanzi2009/archive/2010/04/08/1707888.html 在jsp文件中,可以引用tag和tld文件. 1.对于ta ...
- apache 配置详解
三种MPM介绍 Apache 2.X 支持 ...
- Android特效专辑(十二)——仿支付宝咻一咻功能实现波纹扩散特效,精细小巧的View
Android特效专辑(十二)--仿支付宝咻一咻功能实现波纹扩散特效,精细小巧的View 先来看看这个效果 这是我的在Only上添加的效果,说实话,Only现在都还只是半成品,台面都上不了,怪自己技术 ...
- objc:NSDateFormatter使用备忘
NSDateFormatter类的实例可以将字符串的日期表示转换为NSDate对象或者反向转换. 如果只要显示日期不需要时间,则可以用-setDateStyle方法来设置显示日期的格式,有以下几种: ...
- MVVM With ReactiveCocoa让移动开发更简单
作者:@雷纯锋2011 MVVM是一种软件架构模式,它是 Martin Fowler 的 Presentation Model 的一种变体,最先由微软的架构师 John Gossman 在 2005 ...
- hadoop小知识札记
hadoop实现全局变量: 只读的可以,可修改的不行,只读的可以通过configuration 或者分布式缓存实现. hadoop做图像处理时,每个map读入一个图片,每个map读入一张图片,然后 ...
- C++之虚函数
<span style="font-size:18px;">#include <iostream> using namespace std ; class ...