ndarray一个强大的N维数组对象Array

•ndarray的建立(元素默认浮点数)

  • 可以利用list列表建立ndarray
import numpy as np
list =[0,1,2,3]
从列表类型建立
x = np.array(list)
print(x)
#[0 1 2 3]
  • 可以利用tuple元组建立ndarray
import numpy as np
从元组类型建立
x = np.array((4,5,6,7))
print(x)
#[4 5 6 7]
  • 可以从列表和元组混合类型创建(所包含数据个数相同就可混合使用,一般不建议)
x = np.array([list,(4,5,6,7)],dtype=np.float32)
print(x)
#[0,1,2,3,4,5,6,7]
  • 利用arange(类似range)
 x = np.arange(10)
print(x)
#[0 1 2 3 4 5 6 7 8 9]
  • .ones((n,m)) 生成全1的n*m的数组
x = np.ones((3,6))
print(x)
#[[1. 1. 1. 1. 1. 1.]
# [1. 1. 1. 1. 1. 1.]
#[1. 1. 1. 1. 1. 1.]] x = np.ones((3,4,5))
print(x)
#[[[1. 1. 1. 1.]
# [1. 1. 1. 1.]
# [1. 1. 1. 1.]] # [[1. 1. 1. 1.]
# [1. 1. 1. 1.]
# [1. 1. 1. 1.]]]
  • .zeros((n,m))生成全0的n*m的数组
x = np.zeros((3,6),dtype = np.int32)
print(x)
#[[0 0 0 0 0 0]
# [0 0 0 0 0 0]
# [0 0 0 0 0 0]]
  • .eye(n)生成对角线为1,其余全为0的方阵
x = np.eye(5)
print(x)
#[[1. 0. 0. 0. 0.]
# [0. 1. 0. 0. 0.]
# [0. 0. 1. 0. 0.]
# [0. 0. 0. 1. 0.]
# [0. 0. 0. 0. 1.]]
  • .full(shape,vale)生成一个shape的矩阵,每个元素都是val
x = np.full((3,4),5)
print(x)
#[[5 5 5 5]
# [5 5 5 5]
# [5 5 5 5]]
  • .ones_like(x)根据数组x的shape形成一个全为1的数组
x = full((3,4),5)
a = np.ones_like(x)
print(a)
#[[1 1 1 1]
# [1 1 1 1]
# [1 1 1 1]]
  • .zeros_likes(x)根据数组x的shape形成一个全为0的数组
x = full((3,4),5)
a = np.zeros_like(x)
print(a)
#[[0 0 0 0]
# [0 0 0 0]
# [0 0 0 0]]
  • .full_likes(x)根据数组x的形状生成一个数组,值为val
x = full((3,4),5)
a = np.full_like(x,0)
print(a)
#[[0 0 0 0]
# [0 0 0 0]
# [0 0 0 0]]
  • .linespace(begin,end,val,endpoint)根据起止数据等距的填充数据,形成数组
#endpoint默认为True,表示end是其中的元素
x = np.linespace(1,10,4)
print(x)
#[ 1. 4. 7. 10.]
#endpoint为False,表示end不是其中的元素
x = np.linespace(1,10,4,endpoint=True)
print(x)
#[1. 3.25 5.5 7.75]
  • .concatenate()将两个或多个数组合并成一个新的数组,axis默认为0
b = np.full((2,1,3),5)
a = np.full((2,1,3),1)
print(b)
print(a)
#b
#[[[5 5 5]]
#
# [[5 5 5]]]
#a
#[[[1 1 1]]
#
# [[1 1 1]]] x = np.concatenate((a,b))
print(x)
#[[[1 1 1]]
#
# [[1 1 1]]
#
# [[5 5 5]]
#
# [[5 5 5]]] x = np.concatenate((a,b),axis=1)
print(x)
#[[[1 1 1]
# [5 5 5]]
#
# [[1 1 1]
# [5 5 5]]] x = np.concatenate((a,b),axis=2)
print(x)
#[[[1 1 1 5 5 5]]
#
# [[1 1 1 5 5 5]]]

Numpy库基础___一的更多相关文章

  1. Numpy库基础___五

    Numpy数据存取 •NumPy的随机数函数 a = np.random.rand(1,2,3) print(a) #[[[0.03339719 0.72784732 0.47527802] # [0 ...

  2. Numpy库基础___四

    Numpy数据存取 •数据的csv文件的存取 只能有效存取和读取一维和二维数据 a = np.arange(100).reshape(5,20) #用delimiter分割,默认为空格 np.save ...

  3. Numpy库基础___三

    ndarray一个强大的N维数组对象Array •ndarray的操作 索引 a = np.arange(24).reshape((2,3,4)) print(a) #[[[ 0 1 2 3] # [ ...

  4. Numpy库基础___二

    ndarray一个强大的N维数组对象Array •ndarray的变换 x.reshape(shape)重塑数组的shape,要求元素的个数一致,不改变原数组 x = np.ones((2,3,4), ...

  5. $python数据分析基础——初识numpy库

    numpy库是python的一个著名的科学计算库,本文是一个quickstart. 引入:计算BMI BMI = 体重(kg)/身高(m)^2 假如有如下几组体重和身高数据,让求每组数据的BMI值: ...

  6. Python基础——numpy库的使用

    1.numpy库简介:    NumPy提供了许多高级的数值编程工具,如:矩阵数据类型.矢量处理,以及精密的运算库.专为进行严格的数字处理而产生. 2.numpy库使用: 注:由于深度学习中存在大量的 ...

  7. Python数据分析numpy库

    1.简介 Numpy库是进行数据分析的基础库,panda库就是基于Numpy库的,在计算多维数组与大型数组方面使用最广,还提供多个函数操作起来效率也高 2.Numpy库的安装 linux(Ubuntu ...

  8. 数据分析与展示——NumPy库入门

    这是我学习北京理工大学嵩天老师的<Python数据分析与展示>课程的笔记.嵩老师的课程重点突出.层次分明,在这里特别感谢嵩老师的精彩讲解. NumPy库入门 数据的维度 维度是一组数据的组 ...

  9. 初识NumPy库-基本操作

    ndarray(N-dimensional array)对象是整个numpy库的基础. 它有以下特点: 同质:数组元素的类型和大小相同 定量:数组元素数量是确定的 一.创建简单的数组: np.arra ...

随机推荐

  1. docker基础——5.Dockerfile

    把应用部署在容器中,改变了用文本文件保存配置信息的方式.而通过传环境变量配置. Dockerfile是一个文本文件,包括容器的指令.按顺序从上到下执行,第一行非注释指令必须是FROM指定基础镜像. D ...

  2. node Cheerio 获取script脚本里的数据

    const cheerio = require('cheerio'); const $ = cheerio.load(html); // your html//如果有多少script脚本标签使用循环来 ...

  3. 卡特兰数是我见过第二神奇的东西//下一个是stirling数列

    自从上次斐波那契的总结后,今天有一次遇上了正宗卡特兰数. 1, 1, 2, 5, 14, 42, 132, 429, 1430, 4862, 16796, 58786, 208012, 742900, ...

  4. Note -「线性规划」学习笔记

    \(\mathcal{Definition}\)   线性规划(Linear Programming, LP)形式上是对如下问题的描述: \[\operatorname{maximize}~~~~z= ...

  5. MXNet源码分析 | KVStore进程间通信

    本文主要基于MXNet1.6.0版本进行分析. 在上一篇文章中,我们分析了MXNet中KVStore的进程内通信机制.在这篇文章中,我们主要分析KVStore如何进行多节点分布式通信. 在KVStor ...

  6. .Net Core AOP之AuthorizeAttribute

    一.简介 在.net core 中Filter分为以下六大类: 1.AuthorizeAttribute(权限验证) 2.IResourceFilter(资源缓存) 3.IActionFilter(执 ...

  7. 防世界之Web_NewsCenter

    题目:  打开实验环境一看,就一个搜索框,emmm试下有没有SQL注入点,SQL注入步骤传送门https://www.cnblogs.com/shacker/p/15917173.html 爆出数据, ...

  8. Kubernetes:更新与回滚

    Blog:博客园 个人 除了创建,Deployment 提供的另一个重要的功能就是更新应用,这是一个比创建复杂很多的过程.想象一下在日常交付中,在线升级是一个很常见的需求,同时应该尽量保证不能因为升级 ...

  9. [ME]不知道第几次学c语言,仍觉得水深莫测

    首先声明这篇东西是个人的碎碎念,没有任何干货. 接下c语言课助教的活儿时还没什么感觉,快要开学了,才感觉到紧张,逼着自己开始看老师发来的课件,说是查错,其实算是自己再好好学一遍,免得到时候面对同学们的 ...

  10. RFC2544背靠背测试——信而泰Renix测试软件实操

    文章关键词:背靠背测试.合法最小帧间隙.缓存区结构.吞吐量测试. 背靠背测试背景: 随着网络规模的扩大,大量的路由更新消息.频繁的文件传输和数据备份等操作都会导致数据在一段时间内急剧增加,甚至达到该物 ...