1.概述

1.np.array()  # 将列表转换为数组

import numpy as np

array = [1, 2, 3, 4, 5]

array = np.array(array)

2..shape  # 打印矩阵的维度, 也可以使用np.shape

import numpy as np

array = [1, 2, 3, 4, 5]

array = np.array(array)

print(array.shape)

2.array 结构

3.dtype 打印数组的数据类型

import numpy as np

tang_array = [1, 2, 3, 4]

tang_array = np.array(tang_array)

print(tang_array.dtype)

4. .itemsize # 判断数组中每一个数字所占的字节数

print(tang_array.itemsize)

5. .size # 打印出数组中的元素个数, 不关心矩阵的维度

print(tang_array.size)

6. .ndim # 打印数组中的维度信息

print(tang_array.ndim)

7. .fill(0)  # 表示对当前数据进行填充，0表示填充的值

# .fill 对当前数据进行填充

tang_array = np.array([1, 2])

tang_array.fill(0)

print(tang_array)

8. numpy索引与切片

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

print(tang_array[0])

print(tang_array[-2:])

9 .copy # 进行浅拷贝

tang_array2 = tang_array.copy()

10 .dtype设置数组类型 将列表转换为bool值根据bool值进行取值操作

tang_array = np.arange(0, 100, 10)

# 将列表转换为Bool值

bool_array = np.array([1, 0, 0, 1, 1, 1, 1, 0, 0, 0], dtype=bool)

# 根据bool值进行取值

print(tang_array[bool_array])

11.根据大于或者小于获得bool值根据bool值进行取值操作

tang_array = np.random.rand(10)

print(tang_array)

bool_array = tang_array > 0.5

print(bool_array)

12. np.where 对bool值进行操作，获得True的索引值

tang_array = np.random.rand(10)

bool_array = tang_array > 0.5

index = np.where(bool_array)

print(index)

print(tang_array[index])

13 .ndtype # 输出字节数

print(tang_array.nbytes)

14. .astype # 进行数据类型的转换，但是实际数据不发生改变

tang_array2 = tang_array.astype(np.float32)

print(tang_array2.dtype)

15. np.object格式，保存了数据的原来格式

array = np.array([1, 10, 3.5, 'str'], dtype=np.object)

3.数值计算

16. .sum(axis=0) # 进行数组的加和操作

import numpy as np

tang_array = np.array([[1, 2, 3],

                       [4, 5, 6]])

# 对axis=0,进行行与行进行加和

print(tang_array.sum(axis=0))

# 进行所有数据的加和
print(tang_array.min(axis=0))


print(tang_array.sum())

print(tang_array.sum(axis=-1))




17. .prod(axis=0) # 进行数组之间的乘积操作,axis=0表示行与行之间进行乘积




print(tang_array.prod())  # 所有元素进行相乘操作


print(tang_array.prod(axis=1))




18. .min(axis=0) 找出数组中数据最小的值，axis=0表示找出每一列的最小值,从上到下的操作




print(tang_array.min(axis=0))




19 .max(axis=0) # 找出数组中数据最大值的操作




print(tang_array.max(axis=0))




20  .argmax(axis=1) # 找出数组中每一行的最大值的位置




print(tang_array.argmax(axis=1))




21 .mean(axis=1)  # 找出数组中每一行均值的大小




print(tang_array.mean(axis=1))




22. std(axis=1) # 求出数组中每一行的标准差




print(tang_array.std(axis=1))




23. .var(axis=1) # 求出数组中每一行的方差




print(tang_array.var(axis=1))




24. .clip(2, 4)进行数据的范围限制, 小于2的用2表示，大于4的用4表示




print(tang_array.clip(2, 4))




25. .round(decimals=1) # 进行四舍五入，decimals表示保留小数点的后几位数




tang_array = np.array([1.12, 2.12, 3.12, 4.6])

print(tang_array.round(decimals=1))




4.排序


26. np.sort(value, axis=0)# 对数据进行排序操作




import numpy as np

tang_array = np.array([[1.5, 1.3, 7.5],

                       [5.6, 7.8, 1.2]])

# 对每一列进行排序

print(np.sort(tang_array, axis=0))




27.  .argsort(axis=0) # 打印排序后的索引位置




print(tang_array.argsort(axis=0))




28. np.linspace(0, 10, 11) # 进行范围的数据拆分




tang_array = np.linspace(0, 10, 11)




29. np.searchsorted(tang, value) # 将value插入tang_array 返回的是插入后的索引值




print(np.searchsorted(tang_array, value))




30. np.lexsort  # 指定列队数组进行排序操作




tang_array = np.array([[1, 0, 6],

                       [2, 7, 0],

                       [3, 3, 1],

                       [2, 4, 0]])

index = np.lexsort([tang_array[:, 2]])


print(tang_array[index])




5-数组形状


31. np.reshape(value, (2, 5)) # 进行矩阵的维度变化




tang_array = np.arange(10)

print(tang_array.shape)

# 通过.shape改变数据的维度

tang_array.shape = 2, 5

print(np.reshape(tang_array, (2, 5)))

print(tang_array)




32. np.newaxis # 表示增加一个矩阵维度




# 新增加一个维度 np.newaxis

tang_array = np.array([[1, 2],

                       [3, 4]])

tang_array = tang_array[:, :, np.newaxis]

print(tang_array.shape)




33 .squeeze(axis=3)  # 表示指定一个维度进行去除




print(tang_array.squeeze(axis=3).shape)




34 .transpose() 表示进行转置操作




tang_array = np.arange(0, 10, 1)

tang_array.shape = 2, 5

print(tang_array.transpose())




35. np.concatenate((a, b), axis=0)  # 进行矩阵的串接操作,(a, b)表示需要串接的tuple,axis=0进行上下的串接




a = np.array([[123, 456, 789], [3234, 456, 134]])

b = np.array([[123, 456, 789], [123, 546, 134]])

c = np.concatenate((a, b), axis=0)

print(c)




36. np.vstack((a, b)) # 进行矩阵的上下位置上的串接




c = np.vstack((a, b))

print(c)




37. np.hstack((a, b)) # 进行矩阵左右位置上的串接




c = np.hstack((a, b))

print(c)




38. .flatten() # 进行拉平操作,拉成一个维度




print(c.flatten())




39. .ravel()  # 进行拉平操作,也是拉成一个维度




print(c.ravel())




6-数组生成


40. np.arange(0, 10, 1)   # 0表示开始，10表示结束，1表示中间间隔




import numpy as np

# 根据np.arange进行数组1表示开始位置，10表示末位置, 2表示间隔

print(np.arange(1, 10, 2, dtype=np.float32))




41. np.linspace(0, 9, 10)  # 0表示起始位置,9表示结束，10表示拆分成10份




print(np.linspace(0, 9, 10))




42. np.logspace(0, 1, 11)  # 0表示起始位置, 1表示终止位置，11表示拆成11分，然后在输入




print(np.logspace(0, 1, 11))  #等价于10**0.1




43. np.meshgrid(x, y)   # 生成一个网格矩阵




x = np.linspace(0, 10, 11)

y = np.linspace(10, 20, 11)

x, y = np.meshgrid(x, y)

print(x)

print(y)




44. np.r_[0:10:1] 构造一个行向量




print(np.r_[0:10:1])




45. np.c_[0:10:1] # 构造一个列向量




print(np.c_[0:10:1])




46. np.zeros(3)




import numpy as np

# np.zeros 构造一个零矩阵

print(np.zeros(3))

print(np.zeros((2, 3)))




47. np.ones((3, 3))  # np.ones((3, 3))  表示3*3的维度




print(np.ones((3, 3)))




48. np.empty(size)  生成一个空矩阵




a = np.empty(6)

print(a)




49 np.zeros_like() 生成一个维度相同的零矩阵




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

tang_array2 = np.zeros_like(tang_array)

print(tang_array2)




50  np.ones_like() 生成一个维度相同的1矩阵




tang_array3 = np.ones_like(tang_array)

print(tang_array3)




51 np.identity(5)  # 生成一个形状是5的单位矩阵




print(np.identity(5))




7-运算


52. np.multiply(x, y) #将x和y进行对应位置相乘操作




import numpy as np 

x = np.array([5, 5])

y = np.array([2, 2])

# np.multiply(x, y) 将x和y进行对应位置相乘操作

print(np.multiply(x, y))




53. np.dot(x, y) #将x和y进行点乘操作，即矩阵运算(2, 1) * (1, 2) = (2, 2)




print(np.dot(x.reshape(2, 1), y.reshape(1, 2)))




54 # ndarray会进行数据的自动补全操作




x = np.array([1, 1, 1])

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

print(x + y)




55 np.logical_and # 如果两个都是真的就是真




x = np.array([1, 0, 1])

y = np.array([1, 1, 0])

print(x==y)

print(np.logical_and(x, y))




56. np.logical_or # 如果两个中有一个为真就是真




print(np.logical_or(x, y))




57. np.logical_not # 如果第二个数为1就是1，否者两个数都为0，等于1




print(np.logical_not(x, y))




8-随机矩阵


58. np.random.rand(3, 2)  # 构造一个(3, 2)的随机矩阵




import numpy as np

# 构造一个0，1之间的随机矩阵

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




59. np.random.randint(0, 3, size=(2, 5))  # 构造一个0到2的随机整数矩阵，矩阵的维度是2，5




print(np.random.randint(0, 3, size=(5, 4)))




60 np.random.sample() # 返回一个0到1的随机数




print(np.random.sample())




61. np,random.uniform(0, 3, size=(2, 5)) # 从一个均匀的分布中随机取值




print(np.random.uniform(0, 1, size=(1, 1)))




62. np.random.normal(mu, sigma, size)  # 根据均值和标准差进行随机生成高斯矩阵




m = 0

sigma = 0.1 #标准差

print(np.random.normal(m, sigma, size=(10, 1)))




63. np.set_printoptions(precision=3) # 进行输出的精度设置，3表示的小数点的个数




np.set_printoptions(precision=3)

mu, sigma = 0, 0.1

n = np.random.normal(mu, sigma, 10)

print(n)




64 np.random.shuffle()  #对样本进行洗牌操作




tang_array = np.arange(0, 10, 1)

np.random.shuffle(tang_array)

print(tang_array)




65 np.random.seed(100)  # 设置随机种子，让每次随机获的参数的结果相同，为了更好的进行对比




np.random.seed(100)

x = np.random.normal(0, 0.1, size=(1, 10))

print(x)




9-读写


66. np.loadtxt('tang.txt', delimiter=",", skiprows=1), delimiter 表示分割符， skiprows表示去除第一行, usecols指定使用那几列数据




y = np.loadtxt('tang.txt', delimiter=',', skiprows=1)

print(y)




67. np.savetxt('tang2.txt', tang_array, fmt='%.2f', delimiter=',')




tang_array = np.array([[1, 2, 3], [4, 5, 6]], dtype=np.float32)

np.savetxt('tang2.txt', tang_array, fmt='%.2f', delimiter=',')




68. 进行单个array参数的载入和读取，保存的格式是npy




tang_array = np.array([1, 2, 3, 4], dtype=np.float32)

np.save('tang3.npy', tang_array)  # 写入文件

tang_array = np.load('tang3.npy')  # 读取文件

print(tang_array)




69. 进行多个array参数的载入和读取，使用的是np.savez，保存的格式是.npz,读取时使用key




tang_array = np.array([1, 2, 3, 4], dtype=np.float32)

tang_array2 = np.array([4, 5, 6, 7], dtype=np.float32)

np.savez('tang.npz', a=tang_array, b=tang_array2)

data = np.load('tang.npz')

print(data['a'])

print(data['b'])




练习题-1


70. np.__version__  # 打印numpy当前的版本




import numpy as np

print(np.__version__)




71 # 构造一个全零矩阵，并打印其所占内存数




z = np.zeros((5, 5))

print(z.size * z.itemsize)

print(z.nbytes)




72 # 打印一个函数的帮助文档 help(np.info(np,add))




print(help(np.info(np.add)))




73. # 创建一个10-49的数组，并将其倒序排列




tang_array = np.arange(10, 50, 1)

tang = tang_array[::-1]

print(tang)




74  np.nonzero(tang_array) # 找出一个数组中不为0的索引值




print(np.nonzero([1, 2, 3, 4, 5, 0, 0, 3]))




75 # 随机构造一个3*3矩阵， 打印其最大值和最小值




np.random.seed(9)

tang_array = np.random.randint(0, 10, size=(5, 6))

print(tang_array.min())

print(tang_array.max())




76 np.pad(tang_array, add_size, 'constant', constant_values=0) 构造一个5*5的矩阵，令其值为1，在最外层加上一圈0




tang_array = np.ones((5, 5))

tang_array2 = np.pad(tang_array, 1, 'constant', constant_values=0)

print(tang_array2)




77.  np.unravel_index(100, (6, 7, 8))   # 构建一个shape为(6, 7, 8)的矩阵，并找出第100个元素的索引值




print(np.unravel_index(100, (6, 7, 8)))




78. # 对一个5*5矩阵做0到1归一化操作




tang_array = np.random.random((5, 5))

tang_array = (tang_array - tang_array.min()) / (tang_array.max() - tang_array.min())




79. np.intersect1d(z1, z2)  # 找出两个数组相同的数




 np.random.randint(0, 11, 10)

z2 = np.random.randint(0, 11, 10)

print(np.intersect1d(z1, z2))




80. np.datetime64('today', 'D')  np.timedelta64(1, 'D') # 得到昨天今天明天




yesterday = np.datetime64('today', 'D') - np.timedelta64(1, 'D')

today = np.datetime64('today', 'D')

tomorrow = np.datetime64('today', 'D') + np.timedelta64(1, 'D')

print(yesterday)




81. 得到一个月中所有的天数




print(np.arange('2017-10', '2017-11', dtype='datetime64[D]'))




82. np.floor(value) # 取出一个数的整数部分




tang_array = np.random.uniform(0, 10, 10)

print(np.floor(tang_array))




83 z.flags.writeable # 使得这个数组不能被改变




z = np.zeros(5)

z.flags.writeable = False

z[0] = 1




84. np.set_printoptin(threshold=np.nan)  # 使得数组全部打印出来




np.set_printoptions(threshold=np.nan)

z = np.zeros((5, 5))

print(z)




85.# 在一个数组中，找出最接近一个数的索引




z = np.arange(100)

v = np.random.uniform(0, 100)

print(v)

index = np.abs(z - v).argmin()

print(index)




86 # 进行float32与int32的类型转换




z = np.arange(10, dtype=np.float32)

l = z.astype(np.int32)

print(l.dtype)




87. # 打印数组的元素坐标与值




z = np.arange(9).reshape(3, 3)

for index, value in np.ndenumerate(z):

    print(index, value)




88. 按照数组的某一列进行排序




z = np.random.randint(0, 10, (4, 3))

print(z[z[:, 1].argsort()])




89. np.bincount(tang_array) # 统计数组中元素的个数




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

print(np.bincount(z))




90. 对最后两个维度进行加和操作




tang_array = np.random.randint(0, 10, (4, 4, 4, 4))

print(tang_array.sum(axis=(-2, -1)))




91 # 交换矩阵的两行




tang_array = np.random.randint(0, 10, (3, 4))

tang_array[[1, 2]] = tang_array[[2, 1]]

print(tang_array)




92 #找出数组中最常出现的数字




z = np.random.randint(0, 10, 10)

print(np.bincount(z).argmax())




93 np.argpartition(-z, n)[:n]    #找出K个最大值的索引和值




z = np.arange(10000)

np.random.shuffle(z)

n = 5

print(np.argpartition(-z, n)[:n])




94. np.all(x==y, aixs=1) #找出一行中都相同的数，打印True




# 找出所有元素都相同的数据

x = np.array([[1, 1]])

p = np.array([[1, 1]])

print(np.all(x == p, axis=1))

z = np.random.randint(0, 5, (10, 3))

print(np.all(z[:, 1:]==z[:, :-1]))


												


											
np归纳总结(全)第一天的更多相关文章
	

    
								
  1. NP、NP-完全、NP-难问题
		
    What are the differences between NP, NP-Complete and NP-Hard? 0. 基本定义 判定问题(decision problem):一个答案是是或 ...
    
		
    2. 
						
  2. IT面试最全逻辑题，收藏后成功率提高10%
		
    这是小学二年级的数学题: 猫妈妈钓到一些鱼,平均分给了7只小猫,每只小猫分到的鱼和剩下的鱼刚好一样多.猫妈妈最多钓到了多少条鱼? 这个是出来工作后的现场面试题: [1]假设有一个池塘,里面有无穷多的水 ...
    
		
    3. 
						
  3. 小小知识点（六）——算法中的P问题、NP问题、NP完全问题和NP难问题
		
    转自CSDN默一鸣 https://blog.csdn.net/yimingsilence/article/details/80004032 在讨论算法的时候,常常会说到这个问题的求解是个P类问题,或 ...
    
		
    4. 
						
  4. 设置Eclipse的类文件和xml文件代码自动补全
		
    原文:https://blog.csdn.net/erlian1992/article/details/53706736 我们在平常编写代码的时候,不会记住大多数的类和文件的属性,方法等等,这就需要我 ...
    
		
    5. 
						
  5. 在vim编辑器python实现tab补全功能
		
    在vim编辑器中实现python tab补全插件有Pydiction,Pydiction可以实现下面python代码的自动补全: 1. 简单python关键词补全 2. python函数补全带括号 3 ...
    
		
    6. 
						
  6. 深度学习原理与框架-神经网络-cifar10分类(代码)  1.np.concatenate(进行数据串接) 2.np.hstack(将数据横着排列) 3.hasattr(判断.py文件的函数是否存在) 4.reshape(维度重构)  5.tanspose(维度位置变化) 6.pickle.load(f文件读入) 7.np.argmax(获得最大值索引) 8.np.maximum(阈值比较)
		
    横1. np.concatenate(list, axis=0) 将数据进行串接,这里主要是可以将列表进行x轴获得y轴的串接 参数说明:list表示需要串接的列表,axis=0,表示从上到下进行串接  ...
    
		
    7. 
						
  7. 撩课-Web架构师养成系列第一篇
		
    前言 Web架构师养成系列共15篇,每周更新一篇,主要分享.探讨目前大前端领域(前端.后端.移动端)企业中正在用的各种成熟的.新的技术.部分文章也会分析一些框架的底层实现,让我们做到知其然知其所以然. ...
    
		
    8. 
						
  8. 在vim编辑器中实现python的tab补全
		
    在vim编辑器中实现python的tab补全 在vim编辑器中实现python tab补全插件有Pydiction,Pydiction可以实现下面python代码的自动补全:   1.简单python ...
    
		
    9. 
						
  9. eclispe中打点不会提示的解决方法，以及自动补全
		
    Eclipse中打点无提示的解决办法 建了个JAVA工程,然后发现输入代码后,在输入.后面不会弹出来我所要的函数.  alt+/      提示No Default Proposals 自己找了半天, ...
    
		
    10. 
		

	


随机推荐
	

    
									
  1. 安装完Linux Mint后，发现系统中竟没有中文输入法
			
    安装完Linux Mint后,发现系统中竟没有中文输入法,语言支持之后自动更新过程中有些安装包下载失败. 可以采取下面的方法安装上中文输入法. 1. 安装iBus: sudo add-apt-repo ...
    
			
    2. 
						
  2. 什么是API？我们常说调用API
			
    如果你不知道 API 是什么,说明你英语真的很差. API 就是 Application Programming Interface 三个单词,如果你不能顾名思义的话,我就举例说明. 1. DOM A ...
    
			
    3. 
						
  3. 在ubuntu16上进行nginx+uwsgi+django部署的简要步骤
			
    网上有很多部署教程,说了一大堆,遇到坑还是要自己一个个解决,这里有几个比较重要的坑大家一定要注意. 1.首先要安装python和python-dev环境,如果没有安装python-dev后面安装有些依 ...
    
			
    4. 
						
  4. centos6 Nginx+Tomcat负载均衡配置
			
    一.Nginx简介 Nginx是一个web服务器也可以用来做负载均衡及反向代理使用,目前使用最多的就是负载均衡,具体简介我就不介绍了百度一下有很多,下面直接进入安装步骤 二.Nginx安装 1.下载N ...
    
			
    5. 
						
  5. J2EE课程设计——企业人力资源管理系统
			
    一.项目名称:企业人力资源管理系统 小组成员:冯雨倩 汤杰 二.项目需求: 随着现在计算机技术的不断完善,以及现代经济的不断发展,传统的管理技术不再满足企业的需要,越来越多的企业注重计算机信息管理系统 ...
    
			
    6. 
						
  6. 201621123010 《Java程序设计》第2周学习总结
			
    1.本周学习总结 Java有基本数据类型(类似c)和引用数据类型(不同于c)两种数据类型. Java是面向对象的语言,引用类型变量存放指向对象的引用,而不是该对象本身.因此判断两对象值是否相等时,需使 ...
    
			
    7. 
						
  7. 使用C++实现二叉搜索树的数据结构
			
    需要注意的地方: ①二叉搜索树删除一个指定结点R,若R为叶子结点,则将R的父结点中指向R的指针改为指向nullptr:若R的左右子结点一个为空,一个非空,则将R的父结点中指向R的指针改为指向R的非空子 ...
    
			
    8. 
						
  8. 2017年7月ROS学习资料小结
			
    <孙子兵法·谋攻篇>:"上兵伐谋,其次伐交,其次伐兵,其下攻城:攻城之法为不得已." 任何发生在自己国土上的战争,即便胜利,也饱含屈辱. ----~~~~----Gaz ...
    
			
    9. 
						
  9. python 读写三菱PLC数据，使用以太网读写Q系列，L系列，Fx系列的PLC数据
			
    本文将使用一个gitHub开源的组件技术来读写三菱的plc数据,使用的是基于以太网的TCP/IP实现,不需要额外的组件,读取操作只要放到后台线程就不会卡死线程,本组件支持超级方便的高性能读写操作 gi ...
    
			
    10. 
						
  10. SM2的非对称加解密java工具类
			
    maven依赖 <dependency> <groupId>org.bouncycastle</groupId> <artifactId>bcprov- ...
    
			
    11.