代码

import numpy as np

A = np.arange(3,15)
print('-1-')
print(A)
print('-2-')
print(A[3]) A = np.arange(3,15).reshape((3,4))
print('-3-')
print(A[1]) print('-4-')
print(A[2][1]) # 第一行和第二行
print('-5-')
print(A[1:3]) print('-6-')
for row in A:
print (row) print('-7-')
for column in A.T:
print (column) print('-8-')
for item in A.flat:
print (item) # 迭代器
print('-9-')
print(A.flat) # 展成一行
print('-10-')
print(A.flatten()) A = np.array([1,1,1])
B = np.array([2,2,2]) # 上下合并
print('-11-')
print(np.vstack((A,B))) C = np.vstack((A,B))
print('-12-')
print(A.shape, C.shape) # 左右合并
D = np.hstack((A,B))
print('-13-')
print(D)
print('-14-')
print(A.shape, D.shape) #横向的数列转化到列,行向加维度
print('-15-')
print(A[np.newaxis,:]) #纵向的数列转化到行,纵向的添加维度
print('-16-')
print(A[:,np.newaxis]) A = np.array([1,1,1])[:,np.newaxis]
B = np.array([2,2,2])[:,np.newaxis] # 三个向量的横向合并
print('-17-')
print(np.hstack((A,A,B))) # 三个向量的竖向合并
C = np.concatenate((A,B,B,A))
print('-18-')
print(C) # 三个向量的竖向合并
C = np.concatenate((A,B,B,A), axis=0)
print('-19-')
print(C) # 三个向量的横向合并
C = np.concatenate((A,B,B,A), axis=1)
print('-20-')
print(C) A = np.arange(12).reshape((3,4))
print('-21-')
print(A) #分成两块,按列划分,只能进行相等的划分
print('-22-')
print(np.split(A,2,axis = 1)) print('-23-')
print(np.split(A,3,axis = 0)) #分成两块,按列划分,进行不相等的划分
print('-24-')
print(np.array_split(A,3,axis = 1)) # 垂直划分
print('-25-')
print(np.vsplit(A,3))
# 竖直划分
print('-26-')
print(np.hsplit(A,2)) a=np.arange(4)
b = a # 引用复制
c = a # abcd都是一样
d = a a[0] = 11 print('-27-')
print(b,c,d) # 都是11 d is a e = a.copy() # deep copy

  

输出

-1-
[ 3 4 5 6 7 8 9 10 11 12 13 14]
-2-
6
-3-
[ 7 8 9 10]
-4-
12
-5-
[[ 7 8 9 10]
[11 12 13 14]]
-6-
[3 4 5 6]
[ 7 8 9 10]
[11 12 13 14]
-7-
[ 3 7 11]
[ 4 8 12]
[ 5 9 13]
[ 6 10 14]
-8-
3
4
5
6
7
8
9
10
11
12
13
14
-9-
<numpy.flatiter object at 0x000002A6F47AB7B0>
-10-
[ 3 4 5 6 7 8 9 10 11 12 13 14]
-11-
[[1 1 1]
[2 2 2]]
-12-
(3,) (2, 3)
-13-
[1 1 1 2 2 2]
-14-
(3,) (6,)
-15-
[[1 1 1]]
-16-
[[1]
[1]
[1]]
-17-
[[1 1 2]
[1 1 2]
[1 1 2]]
-18-
[[1]
[1]
[1]
[2]
[2]
[2]
[2]
[2]
[2]
[1]
[1]
[1]]
-19-
[[1]
[1]
[1]
[2]
[2]
[2]
[2]
[2]
[2]
[1]
[1]
[1]]
-20-
[[1 2 2 1]
[1 2 2 1]
[1 2 2 1]]
-21-
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
-22-
[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2, 3],
[ 6, 7],
[10, 11]])]
-23-
[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,
9, 10, 11]])]
-24-
[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2],
[ 6],
[10]]), array([[ 3],
[ 7],
[11]])]
-25-
[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,
9, 10, 11]])]
-26-
[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2, 3],
[ 6, 7],
[10, 11]])]
-27-
[11 1 2 3] [11 1 2 3] [11 1 2 3]

  

12-numpy笔记-莫烦基本操作2的更多相关文章

  1. 16-numpy笔记-莫烦pandas-4

    代码 import pandas as pd import numpy as np dates = pd.date_range('20130101', periods=6) df=pd.DataFra ...

  2. 15-numpy笔记-莫烦pandas-3

    代码 import pandas as pd import numpy as np dates = pd.date_range('20130101', periods=6) df=pd.DataFra ...

  3. 14-numpy笔记-莫烦pandas-2

    代码 import pandas as pd import numpy as np dates = pd.date_range('20130101', periods=6) df=pd.DataFra ...

  4. 13-numpy笔记-莫烦pandas-1

    代码 import pandas as pd import numpy as np s = pd.Series([1,3,6,np.nan, 44,1]) print('-1-') print(s) ...

  5. 11-numpy笔记-莫烦基础操作1

    代码 import numpy as np array = np.array([[1,2,5],[3,4,6]]) print('-1-') print('数组维度', array.ndim) pri ...

  6. 18-numpy笔记-莫烦pandas-6-plot显示

    代码 import pandas as pd import numpy as np import matplotlib.pyplot as plt data = pd.Series(np.random ...

  7. 17-numpy笔记-莫烦pandas-5

    代码 import pandas as pd import numpy as np left=pd.DataFrame({'key':['K0','K1','K2','K3'], 'A':['A0', ...

  8. tensorflow学习笔记-bili莫烦

    bilibili莫烦tensorflow视频教程学习笔记 1.初次使用Tensorflow实现一元线性回归 # 屏蔽警告 import os os.environ[' import numpy as ...

  9. 莫烦大大TensorFlow学习笔记(9)----可视化

      一.Matplotlib[结果可视化] #import os #os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' import tensorflow as tf i ...

随机推荐

  1. NOIP201310华容道

    题目描述 Description 小 B 最近迷上了华容道,可是他总是要花很长的时间才能完成一次.于是,他想到用编程来完成华容道:给定一种局面, 华容道是否根本就无法完成,如果能完成, 最少需要多少时 ...

  2. CF1207G Indie Album

    题目链接 problem 有\(n\)个字符串,对于第\(i\)个字符串通过以下两种方式中的一个给出. \(1\; c\),该字符串只含一个字符\(c\). \(2\ x\ c\),该字符串为第\(x ...

  3. Paper | MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications

    目录 1. 故事 2. MobileNet 2.1 深度可分离卷积 2.2 网络结构 2.3 引入两个超参数 3. 实验 本文提出了一种轻量级结构MobileNets.其基础是深度可分离卷积操作. M ...

  4. RSA加密与解密

    /// <summary> /// RSA 公钥加密 /// </summary> /// <param name="content">要加密的 ...

  5. 内核发送uevent的API,用户空间解析uevent(转)

    #include <stdio.h>#include <string.h>#include <sys/types.h>#include <unistd.h&g ...

  6. AOP软件设计

    什么是面向方面的编程? 为什么面向方面的软件设计? 术语 关注 视口 关注点分离 人工制品 横切 方面 编织 零件 形式主义 第二节 案例研究 关注 人工制品 横切 方面 AspectJ 加入点 切入 ...

  7. Python基础-day02-3

    循环 目标 程序的三大流程 while 循环基本使用 break 和 continue while 循环嵌套 01. 程序的三大流程 在程序开发中,一共有三种流程方式: 顺序 -- 从上向下,顺序执行 ...

  8. Linux shell自动读mongo数据、远程获取文件大小示例脚本

    1.示例1 功能:对mongoDB导出数据,根据sid的不同状态进行统计 技术点:shell bash  读写文件.字符串截取.函数.用多个文件提到的map.grep查找并赋值给变量 #!/bin/b ...

  9. python正则图片爬取

    # conding:utf8 import requests import re import time if __name__ == "__main__": # 所有的数据 ur ...

  10. 基于直接缓冲区和非直接缓冲区的javaIO文件操作

    基本概念: 1. 非直接缓冲区:  指的是通过jvm来缓存数据的,应用程序要读取本地数据要经历从本地磁盘到物理内存,然后copy到jvm中,然后再通过流的方式读取到应用程序中,写的操作正好与之相反. ...