1.numpy_overview
官网文档:https://www.numpy.org.cn/
Numpy 简介
导入numpy
Numpy是Python的一个很重要的第三方库,很多其他科学计算的第三方库都是以Numpy为基础建立的。
Numpy的一个重要特性是它的数组计算。
在使用Numpy之前,我们需要导入numpy包:
from numpy import *
使用前一定要先导入 Numpy 包,导入的方法有以下几种:
import numpy
import numpy as np
from numpy import *
from numpy import array, sin
事实上,在ipython中可以使用magic命令来快速导入Numpy的内容。
%pylab
Using matplotlib backend: Qt4Agg
Populating the interactive namespace from numpy and matplotlib
数组上的数学操作
假如我们想将列表中的每个元素增加1,但列表不支持这样的操作(报错):
a = [1, 2, 3, 4]
a + 1
---------------------------------------------------------------------------
TypeError Traceback (most recent call last)
<ipython-input-3-068856d2a224> in <module>()
1 a = [1, 2, 3, 4]
----> 2 a + 1
TypeError: can only concatenate list (not "int") to list
转成 array :
a = array(a)
a
array([1, 2, 3, 4])
array 数组支持每个元素加 1 这样的操作:
a + 1
array([2, 3, 4, 5])
与另一个 array 相加,得到对应元素相加的结果:
b = array([2, 3, 4, 5])
a + b
array([3, 5, 7, 9])
对应元素相乘:
a * b
array([ 2, 6, 12, 20])
对应元素乘方:
a ** b
array([ 1, 8, 81, 1024])
提取数组中的元素
提取第一个元素:
a[0]
1
提取前两个元素:
a[:2]
array([1, 2])
最后两个元素:
a[-2:]
array([3, 4])
将它们相加:
a[:2] + a[-2:]
array([4, 6])
修改数组形状
查看 array 的形状:
a.shape
(4L,)
修改 array 的形状:
a.shape = 2,2
a
array([[1, 2],
[3, 4]])
多维数组
a 现在变成了一个二维的数组,可以进行加法:
a + a
array([[2, 4],
[6, 8]])
乘法仍然是对应元素的乘积,并不是按照矩阵乘法来计算:
a * a
array([[ 1, 4],
[ 9, 16]])
画图
linspace 用来生成一组等间隔的数据:
a = linspace(0, 2*pi, 21)
%precision 3
a
array([ 0. , 0.314, 0.628, 0.942, 1.257, 1.571, 1.885, 2.199,
2.513, 2.827, 3.142, 3.456, 3.77 , 4.084, 4.398, 4.712,
5.027, 5.341, 5.655, 5.969, 6.283])
三角函数:
b = sin(a)
b
array([ 0.000e+00, 3.090e-01, 5.878e-01, 8.090e-01, 9.511e-01,
1.000e+00, 9.511e-01, 8.090e-01, 5.878e-01, 3.090e-01,
1.225e-16, -3.090e-01, -5.878e-01, -8.090e-01, -9.511e-01,
-1.000e+00, -9.511e-01, -8.090e-01, -5.878e-01, -3.090e-01,
-2.449e-16])
画出图像:
%matplotlib inline
plot(a, b)
[<matplotlib.lines.Line2D at 0xa128ba8>]
从数组中选择元素
假设我们想选取数组b中所有非负的部分,首先可以利用 b 产生一组布尔值:
b >= 0
array([ True, True, True, True, True, True, True, True, True,
True, True, False, False, False, False, False, False, False,
False, False, False], dtype=bool)
mask = b >= 0
画出所有对应的非负值对应的点:
plot(a[mask], b[mask], 'ro')
[<matplotlib.lines.Line2D at 0xa177be0>]
1.numpy_overview的更多相关文章
随机推荐
- tp框架中的一些疑点知识-8
NaN是Number对象的一个属性, 表示一个特殊值, 表示不是一个 数字, 引用/赋值时, 要使用: Number.NaN 判断 一个值是不是 NaN, 用 isNaN() 函数, 它是一个js的全 ...
- fastqc
fastqc用于查看测序数据的质量. 1.下载: http://www.bioinformatics.babraham.ac.uk/projects/download.html#fastqc wget ...
- P3301 [SDOI2013]方程
思路 容斥的挺好的练习题 对于第二个条件,可以直接使m减去suma2,使得第二个条件舍去,然后m再减去n,使得问题转化成有n1个变量要满足小于等于某个数的条件,其他的随便取,求整数解的个数 对n1,以 ...
- P2257 YY的GCD(莫比乌斯反演)
第一次做莫比乌斯反演,推式子真是快乐的很啊(棒读) 前置 若函数\(F(n)\)和\(f(d)\)存在以下关系 \[ F(n)=\sum_{n|d}f(d) \] 则可以推出 \[ f(n)=\sum ...
- Visual Question Answering with Memory-Augmented Networks
Visual Question Answering with Memory-Augmented Networks 2018-05-15 20:15:03 Motivation: 虽然 VQA 已经取得 ...
- Could not stop Cortex-M device! please check the JTAG cable的解决办法
今天程序烧录后,进行调试时keil提示:Could not stop Cortex-M device! please check the JTAG cable 如图: 于是我在网上搜了一下, ...
- @PathVariable与@RequestBody的区别,及前段请求接口的写法。
@PathVariable 1:接受参数时,地址栏为:/{args1}/{args2} 2:用法:(@PathVariable(value = "args")Long id) 3 ...
- 所有JTAG集成电路都应该支持菊花链
菊花链 在电气和电子工程中,菊花链是一种布线方案,其中多个设备按顺序或环形连接在一起.相邻设备才能通信.菊花链可用于电源,模拟信号,数字数据或其组合. 但是由于菊花链的串联特性,如果任何一个设备从链路 ...
- JSON平铺功能的实现(JS操作JSON数据)
一.什么是JSON平铺 JSON平铺分成两种: 平铺的json转树结构的json 例如: { a: 'value', b: 'b1.value' } // 转换成=> { a: 'value', ...
- Spring boot 整合JSP开发步骤
1. 新建Springboot项目,war <dependency> <groupId>org.springframework.boot</groupId> < ...