Numpy 小结
Python 真火来学习一下，先来看一个库 NumPy。NumPy是Python语言的一个扩充程序库。支持高级大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
1. 读取文件
numpy.genfromtxt() 用于读取 txt 文件，其中传入的参数依次为：
- 需要读取的 txt 文件位置，此处文件与程序位于同一目录下
- 分割的标记
- 转换类型，如果文件中既有文本类型也有数字类型，就先转成文本类型
help(numpy.genfromtxt)用于查看帮助文档：
如果不想看 API 可以启动一个程序用 help 查看指令的详细用法
Python
|
1
2
3
4
5
6
|
import numpy
world_alcohol = numpy.genfromtxt("world_alcohol.txt", delimiter=",",dtype=str)
print(type(world_alcohol))
print(world_alcohol)
print(help(numpy.genfromtxt))
|
2. 构造 ndarray
numpy.array()构造 ndarray
numpy.array()中传入数组参数，可以是一维的也可以是二维三维的。numpy 会将其转变成 ndarray 的结构。
Python
|
1
2
|
vector = numpy.array([1,2,3,4])
matrix = numpy.array([[1,2,3],[4,5,6]])
|
传入的参数必须是同一结构,不是同一结构将发生转换。
Python
|
1
2
3
|
vector = numpy.array([1,2,3,4])
array([1, 2, 3, 4])
|
均为 int 类型
Python
|
1
2
3
|
vector = numpy.array([1,2,3,4.0])
array([ 1., 2., 3., 4.])
|
转为浮点数类型
Python
|
1
2
3
|
vector = numpy.array([1,2,'3',4])
array(['1', '2', '3', '4'],dtype='<U21')
|
转为字符类型
利用 .shape 查看结构
能够了解 array 的结构，debug 时通过查看结构能够更好地了解程序运行的过程。
Python
|
1
2
3
4
|
print(vector.shape)
print(matrix.shape)
(4,)
(2, 3)
|
利用 dtype 查看类型
Python
|
1
2
3
4
|
vector = numpy.array([1,2,3,4])
vector.dtype
dtype('int64')
|
ndim 查看维度
一维
Python
|
1
2
3
4
|
vector = numpy.array([1,2,3,4])
vector.ndim
1
|
二维
Python
|
1
2
3
4
5
6
|
matrix = numpy.array([[1,2,3],
[4,5,6],
[7,8,9]])
matrix.ndim
2
|
size 查看元素数量
Python
|
1
2
|
matrix.size
9
|
3. 获取与计算
numpy 能使用切片获取数据
Python
|
1
2
3
|
matrix = numpy.array([[1,2,3],
[4,5,6],
[7,8,9]])
|
根据条件获取
numpy 能够依次比较 vector 和元素之间是否相同
Python
|
1
2
3
4
|
vector = numpy.array([5, 10, 15, 20])
vector == 10
array([False, True, False, False], dtype=bool)
|
根据返回值获取元素
Python
|
1
2
3
4
5
6
7
|
vector = numpy.array([5, 10, 15, 20])
equal_to_ten = (vector == 10)
print(equal_to_ten)
print(vector[equal_to_ten])
[False True False False]
[10]
|
进行运算之后获取
Python
|
1
2
|
vector = numpy.array([5, 10, 15, 20])
equal_to_ten_and_five = (vector == 10) & (vector == 5)
|
Python
|
1
2
|
vector = numpy.array([5, 10, 15, 20])
equal_to_ten_or_five = (vector == 10) | (vector == 5)
|
类型转换
将整体类型进行转换
Python
|
1
2
3
4
5
6
7
|
vector = numpy.array([5, 10, 15, 20])
print(vector.dtype)
vector = vector.astype(str)
print(vector.dtype)
int64
<U21
|
求和
sum() 能够对 ndarray 进行各种求和操作，比如分别按行按列进行求和
Python
|
1
2
3
4
5
6
7
8
9
10
|
matrix = numpy.array([[1,2,3],
[4,5,6],
[7,8,9]])
print(matrix.sum())
print(matrix.sum(1))
print(matrix.sum(0))
45
[ 6 15 24]
[12 15 18]
|
sum(1) 是 sum(axis=1)) 的缩写，1表示按照 x轴方向求和，0表示按照y轴方向求和
4. 常用函数
reshape
生成从 0-14 的 15 个数字，使用 reshape(3,5) 将其构造成一个三行五列的 array。
Python
|
1
2
3
4
5
6
7
|
import numpy as np
arr = np.arange(15).reshape(3, 5)
arr
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
|
zeros
生成指定结构的默认为 0. 的 array
Python
|
1
2
3
4
5
|
np.zeros ((3,4))
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
|
ones
生成一个三维的 array,通过 dtype 指定类型
Python
|
1
2
3
4
5
6
7
8
9
|
np.ones( (2,3,4), dtype=np.int32 )
array([[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]],
[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]]])
|
range
指定范围和数值间的间隔生成 array，注意范围包左不包右
Python
|
1
2
3
|
np.arange(0,10,2)
array([0, 2, 4, 6, 8])
|
random 随机数
生成指定结构的随机数，可以用于生成随机权重
Python
|
1
2
3
4
|
np.random.random((2,3))
array([[ 0.86166627, 0.37756207, 0.94265883],
[ 0.9768257 , 0.96915312, 0.33495431]])
|
5. ndarray 运算
元素之间依次相减相减
Python
|
1
2
3
4
5
|
a = np.array([10,20,30,40])
b = np.array(4)
a - b
array([ 6, 16, 26, 36])
|
乘方
Python
|
1
2
|
a**2
array([ 100, 400, 900, 1600])
|
开根号
Python
|
1
2
3
4
|
np.sqrt(B)
array([[ 1.41421356, 0. ],
[ 1.73205081, 2. ]])
|
e 求方
Python
|
1
2
3
4
|
np.exp(B)
array([[ 7.3890561 , 1. ],
[ 20.08553692, 54.59815003]])
|
向下取整
Python
|
1
2
3
4
5
|
a = np.floor(10*np.random.random((2,2)))
a
array([[ 0., 0.],
[ 3., 6.]])
|
行列变换
Python
|
1
2
3
4
|
a.T
array([[ 0., 3.],
[ 0., 6.]])
|
变换结构
Python
|
1
2
3
4
|
a.resize(1,4)
a
array([[ 0., 0., 3., 6.]])
|
6. 矩阵运算
矩阵之间的运算
Python
|
1
2
3
4
|
A = np.array( [[1,1],
[0,1]] )
B = np.array( [[2,0],
[3,4]] )
|
对应位置一次相乘
Python
|
1
2
3
4
|
A*B
array([[2, 0],
[0, 4]])
|
矩阵乘法
Python
|
1
2
3
4
5
|
print (A.dot(B))
print(np.dot(A,B))
[[5 4]
[3 4]]
|
横向相加
Python
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
a = np.floor(10*np.random.random((2,2)))
b = np.floor(10*np.random.random((2,2)))
print(a)
print(b)
print(np.hstack((a,b)))
[[ 2. 3.]
[ 9. 3.]]
[[ 8. 1.]
[ 0. 0.]]
[[ 2. 3. 8. 1.]
[ 9. 3. 0. 0.]]
|
纵向相加
Python
|
1
2
3
4
5
6
|
print(np.vstack((a,b)))
[[ 2. 3.]
[ 9. 3.]
[ 8. 1.]
[ 0. 0.]]
|
矩阵分割
Python
|
1
2
3
4
|
#横向分割
print( np.hsplit(a,3))
#纵向风格
print(np.vsplit(a,3))
|
7. 复制的区别
地址复制
通过 b = a 复制 a 的值，b 与 a 指向同一地址，改变 b 同时也改变 a。
Python
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
a = np.arange(12)
b = a
print(a is b)
print(a.shape)
print(b.shape)
b.shape = (3,4)
print(a.shape)
print(b.shape)
True
(12,)
(12,)
(3, 4)
(3, 4)
|
复制值
通过 a.view() 仅复制值，当对 c 值进行改变会改变 a 的对应的值，而改变 c 的 shape 不改变 a 的 shape
Python
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
a = np.arange(12)
c = a.view()
print(c is a)
c.shape = 2,6
c[0,0] = 9999
print(a)
print(c)
False
[9999 1 2 3 4 5 6 7 8 9 10 11]
[[9999 1 2 3 4 5]
[ 6 7 8 9 10 11]]
|
完整拷贝
a.copy() 进行的完整的拷贝，产生一份完全相同的独立的复制
Python
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
a = np.arange(12)
c = a.copy()
print(c is a)
c.shape = 2,6
c[0,0] = 9999
print(a)
print(c)
False
[ 0 1 2 3 4 5 6 7 8 9 10 11]
[[9999 1 2 3 4 5]
[ 6 7 8 9 10 11]]
|
Numpy 小结的更多相关文章
- numpy小结
<python数据科学>笔记 在线版地址:https://github.com/jakevdp/PythonDataScienceHandbook 1.常用np简写 import num ...
- numpy小结（一）
1.np.zero(10) 创建一个包含10个元素的一维数组 np.ones((10,10)) 创建一个包含10*10个元素1的二维数组 2.np.arange(10,50) ...
- python 基础及资料汇总
Python 包.模块.类以及代码文件和目录的一种管理方案 Numpy 小结 用 Python 3 的 async / await 做异步编程 K-means 在 Python 中的实现 ...
- 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 ...
- 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 ...
- numpy.random模块用法小结
原文作者:aircraft 原文链接:https://www.cnblogs.com/DOMLX/p/9751471.html 1.np.random.random()函数参数 np.random.r ...
- scikit-learn随机森林调参小结
在Bagging与随机森林算法原理小结中,我们对随机森林(Random Forest, 以下简称RF)的原理做了总结.本文就从实践的角度对RF做一个总结.重点讲述scikit-learn中RF的调参注 ...
- scikit-learn 梯度提升树(GBDT)调参小结
在梯度提升树(GBDT)原理小结中,我们对GBDT的原理做了总结,本文我们就从scikit-learn里GBDT的类库使用方法作一个总结,主要会关注调参中的一些要点. 1. scikit-learn ...
- scikit-learn Adaboost类库使用小结
在集成学习之Adaboost算法原理小结中,我们对Adaboost的算法原理做了一个总结.这里我们就从实用的角度对scikit-learn中Adaboost类库的使用做一个小结,重点对调参的注意事项做 ...
随机推荐
- JS里面的call, apply以及bind
参考了这篇文章:http://www.tuicool.com/articles/EVF3Eb 给几个例子 function add(a,b) { alert(a+b); } function sub( ...
- basePath 方便
String path = request.getContextPath()+"/";String basePath = request.getScheme() + ": ...
- 江湖问题研究-- intent传递有没有限制大小，是多少？
出门一步,便是江湖.江湖上有很多流言. 比方这条: intent传递是有限制大小的,详细在40KB左右. 当然也有传言说是1M左右. 数百头母驴为何半夜慘叫? 小卖部安全套为何屡遭黑手? 女生宿舍内裤 ...
- Java数据库访问技术
1.Java集合: Collection Map List: 位于 java.util包中. Arraylist 顺序结构.Linkedlist 链表结构 // List<NewsClassif ...
- linux查看命令总结
通过命令+文件名查看内容.如下命令可以查看.1, cat :由第一行开始显示文件内容:2,tac:从最后一行开始显示,可以看出tac与cat字母顺序相反:3,nl:显示的时候输出行号:4,more:一 ...
- iOS 倒计时NSTimer
项目中可能会遇到有些倒计时的地方 比方 手机验证的时候,验证码一般都会有一个时间限制,此时在输入验证码的地方就须要展示一个倒计时 详细实现方式是使用了iOS 自带的 NSTimer 上代码 首先新建 ...
- 用Camshift算法对指定目标进行跟踪
原理 Camshift算法是Continuously Adaptive Mean Shift algorithm的简称. 它是一个基于MeanSift的改进算法.它首次由Gary R.Bradski等 ...
- 轻松搞定RabbitMQ（一）——RabbitMQ基础知识+HelloWorld
转自 http://blog.csdn.net/xiaoxian8023/article/details/48679609 本文是简单介绍一下RabbitMQ,参考官网上的教程.同时加入了一些自己的理 ...
- Linux中的du和df命令
现在也将前阵子学习到du/df两个命令总结一下吧.前阵子测试工作中有遇到过由于磁盘空间满导致程序无法执行到情况,所以使用了df和du两个命令. du查看目录大小,df查看磁盘使用情况.我常使用的命令( ...
- Asp.net core 初探
写这篇博客的主要目的是加深自己的印象. 后续每天都会写一些自己的学习心得. Ubuntu :16.04 桌面版 .net core : dotnet-dev-1.0.0-preview2-003121 ...