import numpy as np
import cv2
import matplotlib.pyplot as plt

一、数组的创建

1. 创建二维数组

np.array([
    [1,2,3],
    [4,6,8],
])

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

*数组宽度需要一致

np.array([
    [1,2,3],
    [4,6,8,7],
])

array([list([1, 2, 3]), list([4, 6, 8, 7])], dtype=object)

2. 和python类似的range()函数

np.arange(2, 6, 0.5)

array([2. , 2.5, 3. , 3.5, 4. , 4.5, 5. , 5.5])

3. 创建元素全部为 1/0/随意/指定的数组（ones、zeros、empty、full）

np.ones(shape=(5,3))

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

np.ones_like(np.array([[1,2],[7,8]]))

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

创建不初始化的数组

np.empty(shape=(3,2,2))

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

创建数组，指定形状和填充值

np.full((3,4), 5)

array([[5, 5, 5, 5],
       [5, 5, 5, 5],
       [5, 5, 5, 5]])

单位矩阵

np.eye(5)

array([[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.]])

等差数列

np.linspace(0, 20, num=11, endpoint=True)

array([ 0.,  2.,  4.,  6.,  8., 10., 12., 14., 16., 18., 20.])

等比数列

np.logspace(1, 10, num=10, base=2)

array([   2.,    4.,    8.,   16.,   32.,   64.,  128.,  256.,  512.,
       1024.])

1. range和linspace都可以产生等差数列；

2. arange指定的是步长，linspace和logspace指定的是区间内数值的个数。

二、数组和列表

array采用紧凑形式存储，即直接存储数据，而不是像列表一样存储地址

1. 创建数组和列表，进行时间和空间衡量

三、数组运算

支持矢量运算（广播运算，内存对齐）

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

b = np.array([
    [7,2,6],
    [6,5,4]
])

c = 3

广播运算，对于形状不同的数组，进行扩展

a+b+c

array([[11,  7, 12],
       [10, 10, 10]])

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

d+a

array([[2, 3, 4],
       [3, 4, 5],
       [4, 5, 6]])

并不是所有情况都可以广播运算，有的时候，广播也不能够形式相同

np.array([1,2])+a

---------------------------------------------------------------------------
NameError                                 Traceback (most recent call last)
<ipython-input-1-d106fb5a0ffe> in <module>()
----> 1 np.array([1,2])+a
NameError: name 'np' is not defined

四、数据类型

1. 指定数据类型

np.array([1, 2.3, 2], dtype=np.float32)

array([1. , 2.3, 2. ], dtype=float32)

2. 更改数据类型

a = np.array([1, 2.3, 2], dtype=np.float32)
a.astype(np.int32)

array([1, 2, 2], dtype=int32)

a.dtype=np.int32
a

array([1065353216, 1075000115, 1073741824], dtype=int32)

a = np.arange(24)
a.reshape((3,8))

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]])

np.reshape(a, (3, -1))

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]])

五、索引和切片

5.1 reshape可以实现维数的改变

a = np.arange(12)
b=a.reshape((3,4))
b

array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

5.2 切片，返回原数组对象的视图，共享底层数据

b[1:, 1:3]

array([[ 5,  6],
       [ 9, 10]])

切片，返回视图，如果改变底层数据，另外一个也会发生影响

c = b[:]
c[0, 0] = 777
b

array([[777,   1,   2,   3],
       [  4,   5,   6,   7],
       [  8,   9,  10,  11]])

如果需要深拷贝，可以使用copy()

c = b.copy()
c[0, 0] = 888
b

array([[777,   1,   2,   3],
       [  4,   5,   6,   7],
       [  8,   9,  10,  11]])

5.3 数组索引

传入整形索引列表，返回的是新拷贝对象

index = [5, 8, 2, 7]
a[index]

array([5, 8, 2, 7])

创建一个bool数组，可以根据布尔数组选择元素

age = np.array([15, 135, 56, 15, 65, 123, 156, 96, 61, 166, 41, 20])
a[age>50]

array([1, 2, 4, 5, 6, 7, 8, 9])

*布尔数组元素个数必须和目标数组数量一致

age1 = np.array([14, 135, 56, 35, 63, 123, 152, 96, 61, 162, 42, 20])
age1 == age

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

a[age1 == age]

array([ 1,  2,  5,  7,  8, 11])

a[(age1 == age) &  (age>50)]

array([1, 2, 5, 7, 8])

六、数据扁平化

ravel是浅拷贝， flatten是深拷贝

a = np.arange(10).reshape(2,5)
b = a.flatten()
b[0] = 777
a

array([[0, 1, 2, 3, 4],
       [5, 6, 7, 8, 9]])

c = a.ravel()
c[0] = 777
a

array([[777,   1,   2,   3,   4],
       [  5,   6,   7,   8,   9]])

reshape会把原数组扁平化后，再进行结构化

a = np.arange(24)
a.reshape((6,4), order='c')

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]])

a.reshape((6,4), order='f')

array([[ 0,  6, 12, 18],
       [ 1,  7, 13, 19],
       [ 2,  8, 14, 20],
       [ 3,  9, 15, 21],
       [ 4, 10, 16, 22],
       [ 5, 11, 17, 23]])

七、统计函数

mean/sum
max/min
argmax/argmin
std/ver
consum/conprod

a = np.array([
    [1,2,3],
    [8,6,1],
    [0,4,15],
    [8,52,32]
])

a.shape

(4, 3)

很重要的一个概念：轴

a.sum(axis=0)

array([17, 64, 51])

a.sum(axis=1)

array([ 6, 15, 19, 92])

当维度扩展到多维时，统计规则：

按照指定轴下标索引的方向统计

x = np.arange(24).reshape(2,3,4)
x.shape

(2, 3, 4)

x.sum(axis=0)

array([[12, 14, 16, 18],
       [20, 22, 24, 26],
       [28, 30, 32, 34]])

x.mean(axis=1)

array([[ 4.,  5.,  6.,  7.],
       [16., 17., 18., 19.]])

八、随机函数

1. 随机数

np.random.rand() // 产生的区间为[0,1)

0.5876140647572566

np.random.rand(2,3,4)

array([[[0.39923779, 0.54564034, 0.29082511, 0.55575218],
        [0.9706234 , 0.46321137, 0.53333865, 0.45499656],
        [0.59093915, 0.71118072, 0.20639271, 0.63456103]],
       [[0.43380432, 0.67861236, 0.90540132, 0.41274326],
        [0.33723336, 0.64989966, 0.54551242, 0.50927546],
        [0.42052748, 0.88828045, 0.63187932, 0.88410905]]])

2. 标准正态分布

np.random.rand(3,3)

array([[0.4789705 , 0.06642018, 0.23518938],
       [0.38329877, 0.43547922, 0.28622591],
       [0.91541056, 0.04645713, 0.52973722]])

3. 指定标准差和均值的正态分布

np.random.normal(size=(2,3), loc=5, scale=5)

array([[ 6.65254795,  4.86225972,  5.30554417],
       [ 7.78982908,  9.07412392, 16.97508793]])

4. 随机整数

np.random.seed(1)
np.random.randint(5, 15, size=(8,8))

array([[10, 13, 14, 10,  5,  5,  6, 12],
       [11, 14,  7,  9, 10,  7,  9,  7],
       [ 9, 12, 12, 14,  6, 12,  5, 11],
       [14, 14, 12, 11, 14,  6,  5,  6],
       [13, 13,  8, 14, 13, 12,  8, 11],
       [10,  6, 14,  8,  9, 13,  6,  9],
       [ 5,  8, 14,  7,  5,  9, 14,  7],
       [12, 12, 14, 13, 11, 14,  8, 12]])

np.random.seed(1) // 设定相同的种子
np.random.randint(5, 15, size=(8,8))

array([[10, 13, 14, 10,  5,  5,  6, 12],
       [11, 14,  7,  9, 10,  7,  9,  7],
       [ 9, 12, 12, 14,  6, 12,  5, 11],
       [14, 14, 12, 11, 14,  6,  5,  6],
       [13, 13,  8, 14, 13, 12,  8, 11],
       [10,  6, 14,  8,  9, 13,  6,  9],
       [ 5,  8, 14,  7,  5,  9, 14,  7],
       [12, 12, 14, 13, 11, 14,  8, 12]])

import random
a = random.randrange(5, 15)
b = random.randint(5, 15)
a,b

(13, 9)

5. 洗牌

a = np.arange(10)
np.random.shuffle(a)
a

array([0, 7, 1, 3, 8, 2, 9, 5, 4, 6])

6. 产生随机小数[a, b)

np.random.uniform(2.1, 5.2)

2.816147808859026

九、连接和拆分

a = np.arange(12).reshape(3,2,2)
b = np.arange(12, 24).reshape(3,2,2)
c = np.concatenate((a,b), axis=2)
c

array([[[ 0,  1, 12, 13],
        [ 2,  3, 14, 15]],
       [[ 4,  5, 16, 17],
        [ 6,  7, 18, 19]],
       [[ 8,  9, 20, 21],
        [10, 11, 22, 23]]])

np.split(c, 2, axis=2)  // 切割数量必须能整除，

[array([[[ 0,  1],
         [ 2,  3]],
        [[ 4,  5],
         [ 6,  7]],
        [[ 8,  9],
         [10, 11]]]), array([[[12, 13],
         [14, 15]],
        [[16, 17],
         [18, 19]],
        [[20, 21],
         [22, 23]]])]

np.split(c, [3,], axis=2) // 还可以通过列表指定拆分位置，效果如[0-2][3-最后]

[array([[[ 0,  1, 12],
         [ 2,  3, 14]],
        [[ 4,  5, 16],
         [ 6,  7, 18]],
        [[ 8,  9, 20],
         [10, 11, 22]]]), array([[[13],
         [15]],
        [[17],
         [19]],
        [[21],
         [23]]])]

十、其它函数

a = np.arange(24).reshape(6,4)
a.any()

True

a.all()

False

转置(颠倒下标)

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]])

a.T

array([[ 0,  4,  8, 12, 16, 20],
       [ 1,  5,  9, 13, 17, 21],
       [ 2,  6, 10, 14, 18, 22],
       [ 3,  7, 11, 15, 19, 23]])

轴变换

a = np.arange(24).reshape(2,3,4)
a.transpose(2,0,1)

array([[[ 0,  4,  8],
        [12, 16, 20]],
       [[ 1,  5,  9],
        [13, 17, 21]],
       [[ 2,  6, 10],
        [14, 18, 22]],
       [[ 3,  7, 11],
        [15, 19, 23]]])

十一、运算

1. 乘法

a = np.arange(24).reshape(6,4)
b = np.arange(24).reshape(4,6)
c = 5
d = np.arange(4).T

np.dot(a,c)

array([[  0,   5,  10,  15],
       [ 20,  25,  30,  35],
       [ 40,  45,  50,  55],
       [ 60,  65,  70,  75],
       [ 80,  85,  90,  95],
       [100, 105, 110, 115]])

点积(dot 和 @)

np.dot(a, b)

array([[  84,   90,   96,  102,  108,  114],
       [ 228,  250,  272,  294,  316,  338],
       [ 372,  410,  448,  486,  524,  562],
       [ 516,  570,  624,  678,  732,  786],
       [ 660,  730,  800,  870,  940, 1010],
       [ 804,  890,  976, 1062, 1148, 1234]])

a@d

array([ 14,  38,  62,  86, 110, 134])

a = np.arange(24).reshape(2,3,4)
b = np.arange(24).reshape(2,4,3)
a@b

array([[[  42,   48,   54],
        [ 114,  136,  158],
        [ 186,  224,  262]],
       [[ 906,  960, 1014],
        [1170, 1240, 1310],
        [1434, 1520, 1606]]])

注意：a的最后一维和b的倒数第二维长度相同才能点积

(a@b).shape

(2, 3, 3)

十二、排序

np.sort() 返回新对象
对象.sort() 就地修改

x = np.array([1,43,5,7,3,43,43])

np.sort(对象)返回新对象

y = np.sort(x)
y

array([ 1,  3,  5,  7, 43, 43, 43])

array([ 1, 43,  5,  7,  3, 43, 43])

对象运用排序方法，返回原对象

x.sort()
x

array([ 1,  3,  5,  7, 43, 43, 43])

unique() 去重 & 排序

np.unique(x)

array([ 1,  3,  5,  7, 43])

三目运算

a = np.array([1,  3,  5,  7, 43])
b = np.array([4,  2,  56,  2, 1])
np.where(a>b, a, b)

array([ 4,  3, 56,  7, 43])

i/o操作

a = np.arange(24).reshape(2,3,4)

np.save("./" ,a)

result = np.load("./.npy", )
result

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]]])

练习，读取图像

a = plt.imread('/home/geoffrey/图片/baidu.png')

a.shape

(258, 540, 4)

plt.imshow(a)
plt.show()

result = np.split(a, 3)

img_black = np.full((500, 500),fill_value=255,  dtype=np.uint8)

img_black

array([[255, 255, 255, ..., 255, 255, 255],
       [255, 255, 255, ..., 255, 255, 255],
       [255, 255, 255, ..., 255, 255, 255],
       ...,
       [255, 255, 255, ..., 255, 255, 255],
       [255, 255, 255, ..., 255, 255, 255],
       [255, 255, 255, ..., 255, 255, 255]], dtype=uint8)

cv2.imshow('', img_black)
cv2.WaitKey(0)

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-26-700b93714854> in <module>()
      1 cv2.imshow('', img_black)
----> 2 cv2.WaitKey(0)
AttributeError: module 'cv2.cv2' has no attribute 'WaitKey'

plt.imshow(img_black)

<matplotlib.image.AxesImage at 0x7f544658d128>

numpy学习笔记.的更多相关文章

NumPy学习笔记三股票价格
NumPy学习笔记三股票价格 <NumPy学习笔记>系列将记录学习NumPy过程中的动手笔记,前期的参考书是<Python数据分析基础教程 NumPy学习指南>第二版.&l ...
NumPy学习笔记二
NumPy学习笔记二 <NumPy学习笔记>系列将记录学习NumPy过程中的动手笔记,前期的参考书是<Python数据分析基础教程 NumPy学习指南>第二版.<数学分 ...
NumPy学习笔记一
NumPy学习笔记一 <NumPy学习笔记>系列将记录学习NumPy过程中的动手笔记,前期的参考书是<Python数据分析基础教程 NumPy学习指南>第二版.<数学分 ...
numpy 学习笔记
numpy 学习笔记导入 numpy 包 import numpy as np 声明 ndarray 的几种方法方法一,从list中创建 l = [[1,2,3], [4,5,6], [7,8,9 ...
Numpy学习笔记（下篇）
目录 Numpy学习笔记(下篇) 一.Numpy数组的合并与分割操作 1.合并操作 2.分割操作二.Numpy中的矩阵运算 1.Universal Function 2.矩阵运算 3.向量和矩阵运算 ...
Numpy学习笔记（上篇）
目录 Numpy学习笔记(上篇) 一.Jupyter Notebook的基本使用二.Jpuyter Notebook的魔法命令 1.%run 2.%timeit & %%timeit 3.% ...
Python数据分析:Numpy学习笔记
Numpy学习笔记 ndarray多维数组创建 import numpy as np np.array([1,2,3,4]) np.array([1,2,3,4,],[5,6,7,8]) np.ze ...
数据分析之Pandas和Numpy学习笔记(持续更新)<1>
pandas and numpy notebook 最近工作交接,整理电脑资料时看到了之前的基于Jupyter学习数据分析相关模块学习笔记.想着拿出来分享一下,可是Jupyter导出来h ...
numpy学习笔记Ⅰ
一直被numpy和matplotlib困扰,打算好好学习一下,也是从自己的观点,学对自己帮助最大的部分主要参考<https: www.runoob.com="" numpy ...
Python numpy学习笔记（一）
下边代码是关于numpy的一些基本用法,包括数组和矩阵操作等... import numpy as np print "<== print version ==>" p ...

随机推荐

Modbus库开发笔记之六：Modbus RTU Master开发
这一节我们来封装最后一种应用(Modbus RTU Master应用),RTU主站的开发与TCP客户端的开发是一致的.同样的我们也不是做具体的应用,而是实现RTU主站的基本功能.我们将RTU主站的功能 ...
Confluence 6 跟踪你安装中的自定义修改
在 Confluence 中的系统信息(System Information)部分,有一个修改(Modification)的选项.在这个选项中列出了自你 Confluence 安装以来,你 Conf ...
Confluence 6 CSS 编辑技巧
开始编辑空间样式表一个空间的样式表是你开始对 CSS 进行自定义编辑的好的开始.在空间样式表中,包含了你所有可以进行修改的元素.当你对空间样式表进行编辑的时候,空间样式表的修改只会对你修改的空间有效 ...
js中去除字符串中所有的html标签
对于获取了一大堆字符串但是又不想要里面的html标签怎么办? 特别是像博客园这个富文本框中,可以带样式的,取出来的文章内容也是带样式的. 但是在某些地方只要显示文本不想显示其他标签,只好这样做. &l ...
五.Bash Shell编程基础入门实战
知识回顾运行脚本我们一般用sh 不用单独去加执行权限 OLDBOY=10只适用当前环境局部变量 export OLDBOY把它设置为临时的环境变量应为已经=10了所以不用export OLDBOY ...
伪Ap接入点
1.创建一个伪造的Ap接入点,必须购买一个无线网卡的设备,接受功率在300Mbps ,低于这个传输速率的值,效果很差,都达到用户可以连接验证的效果.其芯片必须支持kali linux 内核系统. 2. ...
cf29d 深搜，dfs序
#include<bits/stdc++.h> using namespace std; #define maxn 500 ]; int n,head[maxn],tot,a[maxn], ...
CF508E
贪心题是很有趣的... 首先,本题为括号匹配问题,那么可以考虑进行栈模拟然后,我们思考一下如何匹配:虽然题目中仅对右括号的位置提出了区域性要求,但可以发现,对能匹配上的栈顶括号立刻进行匹配一定是一种 ...
Python中的xxx+=xxx和xxx=xxx+xxx一些区别及执行过程
预知小知识: Python中的变量与其他语言稍有差异,如a = 10并不是直接在内存中创建一个变量a其值为10,而是在内存中创建一个a这个a指向这个10,在Python中所有牵扯到等号的均不是值赋值, ...
python发送邮件（在邮件中显示HTMLTestRunner生成的报告）
import smtplib from email.mime.text import MIMEText from email.mime.multipart import MIMEMultipart f ...

numpy学习笔记.

一、数组的创建

1. 创建二维数组

*数组宽度需要一致

2. 和python类似的range()函数

3. 创建元素全部为 1/0/随意/指定 的数组（ones、zeros、empty、full）

创建不初始化的数组

创建数组，指定形状和填充值

单位矩阵

等差数列

等比数列

1. range和linspace都可以产生等差数列；

2. arange指定的是步长，linspace和logspace指定的是区间内数值的个数。

二、数组和列表

array采用紧凑形式存储，即直接存储数据，而不是像列表一样存储地址

1. 创建数组和列表，进行时间和空间衡量

三、 数组运算

支持矢量运算（广播运算，内存对齐）

广播运算，对于形状不同的数组，进行扩展

并不是所有情况都可以广播运算，有的时候，广播也不能够形式相同

四、数据类型

1. 指定数据类型

2. 更改数据类型

五、 索引和切片

5.1 reshape可以实现维数的改变

5.2 切片，返回原数组对象的视图，共享底层数据

切片，返回视图，如果改变底层数据，另外一个也会发生影响

如果需要深拷贝，可以使用copy()

5.3 数组索引

传入整形索引列表，返回的是新拷贝对象

创建一个bool数组，可以根据布尔数组选择元素

*布尔数组元素个数必须和目标数组数量一致

六、 数据扁平化

ravel是浅拷贝， flatten是深拷贝

reshape会把原数组扁平化后，再进行结构化

七、 统计函数

很重要的一个概念：轴

当维度扩展到多维时，统计规则：

八、随机函数

1. 随机数

2. 标准正态分布

3. 指定标准差和均值的正态分布

4. 随机整数

5. 洗牌

6. 产生随机小数[a, b)

九、 连接和拆分

十、其它函数

转置(颠倒下标)

轴变换

十一、 运算

1. 乘法

点积(dot 和 @)

注意：a的最后一维和b的倒数第二维长度相同才能点积

十二、 排序

np.sort(对象)返回新对象

对象运用排序方法，返回原对象

unique() 去重 & 排序

三目运算

i/o操作

练习，读取图像

numpy学习笔记.的更多相关文章

随机推荐

热门专题

3. 创建元素全部为 1/0/随意/指定的数组（ones、zeros、empty、full）

三、数组运算

五、索引和切片

六、数据扁平化

七、统计函数

九、连接和拆分

十一、运算

十二、排序