Numpy.nonzero()返回的是数组中,非零元素的位置.如果是二维数组就是描述非零元素在几行几列,三维数组则是描述非零元素在第几组中的第几行第几列. 举例如下: 二维数组: a = np.array([[, , ], [, , ], [, , ]]) b = np.nonzero(a) print(b) 结果为:(array([0, 0, 1, 2], dtype=int64), array([0, 2, 1, 2], dtype=int64)) 第一个array描述行,第二个array描

np.argsort函数 觉得有用的话,欢迎一起讨论相互学习~Follow Me numpy.argsort(a, axis=-1, kind='quicksort', order=None) 功能: 将矩阵a按照axis排序,并返回排序后的下标 参数: a:输入矩阵, axis:需要排序的维度 返回值: 输出排序后的下标 import numpy as np x1 = np.array([3, 1, 2]) print(np.argsort(x1)) # [1 2 0] # axis=0 #沿

np.diff函数 觉得有用的话,欢迎一起讨论相互学习~Follow Me 数组中a[n]-a[n-1] import numpy as np a=np.array([1, 6, 7, 8, 12]) diff_x1 = np.diff(a) print("diff_x1",diff_x1) # diff_x1 [5 1 1 4] # [6-1,7-6,8-7,12-8] 高维数组同样适用 二维数组 b=np.array([[1, 6, 7, 8, 12],[1, 6, 7, 8, 1

举三个例子,就能清楚的看到 np.nonzero() 这个函数返回值的意义 一. #例1 一维数组 import numpy as np a = [0,1,2,0,3,0] b = np.nonzero(a) print(b) 输出: (array([1, 2, 4], dtype=int64),) nonzero()用于得到数组中非零元素的位置(数组索引),如上例中数组a中索引1,2,4中的元素不为0,即返回值 二. #例2 二维数组 import numpy as np a =[[1,2,3

转自:https://docs.scipy.org/doc/numpy/reference/generated/numpy.concatenate.html 1.nupmy.concatenate函数 //注意,合并的参数需要再用一对括号括起来. 以下两种创建array结果是不同的.. b2是一个列向量,而b是一个行向量. 以上是科学记数法,e不是2.78那个数. 参数axis设置为None,则将数据flatten之后合并. 如果是两个list的话,则会形成一个list. 以上说明,对于两个列向

np.repeat用法 觉得有用的话,欢迎一起讨论相互学习~Follow Me np.repeat用于将numpy数组重复 一维数组重复三次 import numpy as np # 随机生成[0,5)之间的数,形状为(1,4),将此数组重复3次 pop = np.random.randint(0, 5, size=(1, 4)).repeat(3, axis=0) print("pop\n",pop) # pop # [[0 0 3 1] # [0 0 3 1] # [0 0 3 1

1. 数组的操作: import numpy as np a = np.array([[1, 2], [3, 4]]) print(a) print(type(a)) print(np.mean(a)) print(np.mean(a, axis=0)) # axis=0,计算每一列的均值 print(np.mean(a, axis=1)) # 计算每一行的均值 2.矩阵的操作 import numpy as np num1 = np.array([[1,2,3],[2,3,4],[3,4,5]

>>> import numpy>>> numpy.tile([0,0],5)#在列方向上重复[0,0]5次,默认行1次array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])>>> numpy.tile([0,0],(1,1))#在列方向上重复[0,0]1次,行1次array([[0, 0]])>>> numpy.tile([0,0],(2,1))#在列方向上重复[0,0]1次,行2次array([[0, 0],

函数说明: 1. re.sub(r'[^a-zA-Z0-9\s]', repl='', sting=string)  用于进行字符串的替换,这里我们用来去除标点符号 参数说明:r'[^a-zA-Z0-9\s]' 配对的模式,^表示起始位置,\s表示终止位置,[]表示取中间部分,这个的意思是找出除字符串大小写或者数字组成以外的东西,repl表示使用什么进行替换,这里使用'',即直接替换,string表示输入的字符串 2. stopwords = nltk.corpus.stopwords.word

1.常规函数与排序 常用统计函数: 求和:sum().均值:mean().标准差:std().方差:var().最小值:min().最大值:max().最大值与最小值之差:ptp().最大值的下标:argmax().最小值的下标:argmin().中值:median() 上述函数都可以指定axis,来沿着某一轴操作:除了mean()函数求均值,还可以使用average(),并且可以指定weights参数来指定权值,计算加权平均:argmax()和argmin()如果不指定axis参数,则返回平坦

为了区分三种乘法运算的规则,具体分析如下: import numpy as np 1. np.multiply()函数 函数作用 数组和矩阵对应位置相乘,输出与相乘数组/矩阵的大小一致 1.1数组场景 [code] A = np.arange(1,5).reshape(2,2) A [result] array([[1, 2], [3, 4]]) [code] B = np.arange(0,4).reshape(2,2) B [result] array([[0, 1], [2, 3]]) [

给定一个递增数组a,求它的中位数. np.percentile(a,50) 中位数就是50%处的数字,也可以获得0%.100%处的数字,0%处的数字就是第一个数字,100%处的数字就是最后一个数字.1/(len(a)-1)*100处的数字就是第2个数字,2/(len(a)-1)*100处的数字就是第3个数字,以此类推. import numpy as np a = np.array([1, 2, 3, 6, 7, 11, 13]) for ind, v in enumerate(a): prin

上一篇pandas DataFrame apply()函数(1)说了如何通过apply函数对DataFrame进行转换,得到一个新的DataFrame. 这篇介绍DataFrame apply()函数的另一个用法,得到一个新的pandas Series: apply()中的函数接收的参数为一行(列),把一行(列)通过计算,返回一个值,最后返回一个Series: 下图展示了把DataFrame的各列转换成一个数,最后返回成一个Series: 举个栗子: import numpy as np imp

二.常用库 1.NumPy NumPy是高性能科学计算和数据分析的基础包.部分功能如下: ndarray, 具有矢量算术运算和复杂广播能力的快速且节省空间的多维数组. 用于对整组数据进行快速运算的标准数学函数(无需编写循环). 用于读写磁盘数据的工具以及用于操作内存映射文件的工具. 线性代数.随机数生成以及傅里叶变换功能. 用于集成C.C++.Fortran等语言编写的代码的工具. 首先要导入numpy库:import numpy as np A NumPy函数和属性: 类型 类型代码 说明 i

通用函数(即ufunc)是一种对ndarray中的数据执行元素级运算的函数.可以将其看做简单函数(接受一个或多个标量值,并产生一个或多个标量值)的矢量化包装器. sqrt 和 exp为一元(unary)ufunc,add或maxinum接受2个数组,因此也叫二元(binary) ufunc, 并返回一个结果数组 import numpy as np arr = np.arange(10) np.sqrt(arr) Out[110]: array([ 0. , 1. , 1.41421356, 1

np.percentile(a, q, axis=None, out=None, overwrite_input=False, interpolation='linear', keepdims=False) 作用:找到一组数的分位数值,如四分位数等 函数参数说明: a : array,用来算分位数的对象,可以是多维的数组 q : 介于0-100的float,用来计算是几分位的参数,如四分之一位就是25,如要算两个位置的数就(25,75) axis : 坐标轴的方向,一维的就不用考虑了,多维的就用

在Python很多库中,使用文件名的地方都可以使用文件对象来替代. 在下述三种方法中,都是如此. 一.a.tofile()和np.fromfile() numpy中的ndarray对象有一个函数tofile(文件名,sep=None),如果指明sep参数,以文本形式打开文件:没有指明sep参数,以二进制形式打开文件. 这种方式的特点如下: 无格式 默认使用二进制,指明sep参数则以文本方式读写文件 不保留数组类型.形状信息 最节省空间 因为最简单,所以更便于交流 在读入文件时,需要指明dtype

1.np.prod()函数用来计算所有元素的乘积,对于有多个维度的数组可以指定轴,如axis=1指定计算每一行的乘积. 2.np.lib.pad()函数用来把原来的list在原来的维度上进行扩展 例1:(5,3)表示在左边填充5个4,在右边填充3个6 例2: (3,2)表示在上面填充3行,下面填充2行; (2,3)表示在垂直方向上,左边加2列,右边加3列,默认的数值用常数1来填充 例3: 使用的是最大值模式的填充

output   array([[ 0.24747071, -0.43886742],   [-0.03916734, -0.70580089],   [ 0.00462337, -0.51431584],   ...,   [ 0.15071507, -0.57029653],   [ 0.06246116, -0.33766761],   [ 0.08218585, -0.59906501]], dtype=float32)       ipdb> np.shape(output)   (6

今天在完成深度学习的相关编程作业的时候,发现代码中出现了一个关于np.eye()的函数,这个函数的用法非常的简单,但是在预制的代码中,这个函数的用法并非单单制造一个对角矩阵,而是通过其来将一个label数组,大小为(1,m)或者(m,1)的数组,转化成one-hot数组.例如他可以将类别总数为6的labels=[1,2,3,0,1,1]的数组转化成数组[[0,1,0,0,0,0],[0,0,1,0,0,0],[0,0,0,1,0,0],[0,0,0,0,0,0],[0,1,0,0,0,0],[0