常用，常忘

1.随机矩阵

np.random.rand(4,3)

array([[ 0.06679473,  0.71073515,  0.5694172 ],

       [ 0.95018143,  0.60161401,  0.8076899 ],

       [ 0.40341822,  0.72154255,  0.92283012],

       [ 0.81143322,  0.87853742,  0.38013707]])

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

array([[1, 9, 5],

       [6, 1, 1],

       [8, 2, 0],

       [3, 4, 3]])

numpy概览

import numpy as np

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

array.shape

(4,)

array2=np.array([[1,2,3,4],[2,3,4,1]])

array2.shape

(2, 4)

array3=np.array([[1,2,3,4],[2,3,4,1]])

type(array3)

numpy.ndarray

np.array的结构

1. dtype  数据类型

2. itemsize 占了多少字节

3. shape  形状

4. size  数据个数

5. ndim  维度

6. fill填充

7. 索引和切片

* 要求array里面的数据是同一种类型，如果不是，numpy会转为一种

* int<float<String（取值类型顺序）

import numpy as np

array1=np.array([1,2,3,4])

array1.dtype

# >>>  dtype('int32')

array2=np.array([1,2,3,4.5])

array2.dtype

#>>>  dtype('float64')

array3=np.array([1,'2',3,4.5])

array3.dtype

#>>>dtype('<U11') 

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

print(weidu.dtype)

print(weidu.itemsize)

print(weidu.shape)

print(weidu.size)

print(weidu.ndim)

#>>> nt32

#>>> 4

#>>> (3, 3)

#>>> 9

#>>> 2

weidu2=np.array([[1,2,3],[1,3,2],[4,2,1]])

weidu2.fill(0)

print(weidu2)

# >>>

[[0 0 0]

 [0 0 0]

 [0 0 0]]

矩阵格式（多维的形式）

多维度的取值方式和list不同
nb.array.copy 深度复制
arange(0,100,10) 0到100 , 差值10构造等差数组
布尔数组作为索引取值
随机值random.rand(10) 0到1制作10个随机数生成np数组

weidu3=np.array([[1,2,3],[1,3,2],[4,2,1]])

print(weidu3[1,1])

print(weidu[:,1]) #每一行的第二个数

print(weidu[:,0:2]) #每一行的第一和第二个数

weidu[:,0:2][0,1]

#>>>

3

[2 3 2]

[[1 2]

 [1 3]

 [4 2]]

2

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

oneCopy=one.copy()

oneCopy[0,1]=100

print(one)

print(oneCopy)

#>>>

[[1 2]

 [3 4]]

[[  1 100]

 [  3   4]]

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

print(pan_array)

print(pan_array.dtype)

print(pan_array.nbytes) # 32位 四个字节 * 6 =24B

#>>>

[1. 2. 3. 4. 5. 6.]

float32

24

布尔数组作为索引取值



indexs=np.array([0,1,0,2,0,1,0],dtype=bool)

print(indexs)

numbers=np.array([10,20,30,4,5,7,8])

result=numbers[indexs]  #在索引为true的地方取值

print(result)

#>>>>

[False  True False  True False  True False]

[20  4  7]

随机数转化为布尔值

random_array=np.random.rand(10)

print(random_array)

boolarray=random_array>0.5

print(boolarray)

#>>>

[0.18501146 0.03588    0.04643065 0.88957392 0.15500452 0.49480942

 0.28144087 0.83287192 0.72878256 0.66462199]

[False False False  True False False False  True  True  True]

按条件找到索引

array_index=np.array([1,2,3,4,5,6,8,2,1,3,11,6,8,12])

result=np.where(array_index > 8)

print(result)

print(array_index[np.where(array_index > 8)])

#>>>

(array([10, 13], dtype=int64),)

[11 12]

np.asarray 重新给np.array指定数值类型---深度copy

pan_int32=np.array([1,2,3],dtype=np.int32)

pan_float32=np.asarray(pan_int32,dtype=np.float32)

print(pan_float32)

print(pan_int32)

np.array的数值计算

sum 求和
prod 求积
min 最小值
max 最大值
argmin最小值的索引
argmax最大值的索引
mean求平均值
std 标准差
var 方差
clip 限定边界值
round
轴用来为超过一维的数组定义的属性，二维数据拥有两个轴：第0轴沿着行的垂直往下，第1轴沿着列的方向水平延伸。

import numpy as np

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

print(pan_array)

print(pan_array.ndim)

sum

np.sum(pan_array)

#>>> 12

指定操作沿着什么轴进行

np.sum(pan_array,axis=0)

#>>> array([2, 4, 6])

np.sum(pan_array,axis=1)

#>>> array([6, 6])

-1指定最后一个维度

np.sum(pan_array,axis=-1)

#>>>

array([6, 6])

prod 求积

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

array_prod.prod()

#>>>

1440

array_prod.prod(axis=0)

#>>>

array([ 2,  4,  9, 20])

array_prod.prod(axis=1)

#>>>

array([24, 60])

array_prod.prod(axis=-1)

#>>>

array([24, 60])

min最小值

array_min=np.array([[1,22,3,5],[1,12,6,7]])

array_min.min()

#>>>

1

array_min.min(axis=0)

#>>>

array([ 1, 12,  3,  5])

array([ 1, 12,  3,  5])

#>>>

array([1, 1])

max最大值

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

array_max.max()

#>>>

5

array_max.max(axis=0)

#>>>

array([5, 4, 3, 4, 5])

array_max.max(axis=1)

#>>>

array([5, 5])

argmin最小值索引

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

argmin.argmin()

#>>>

0

argmin.argmin(axis=0)

#>>>

array([0, 1, 0], dtype=int64)

argmin.argmin(axis=1)

#>>>

array([0, 1], dtype=int64)

argmax

argmax=np.array([[12,5,77,1],[2,3,4,6]])

argmax.argmax()

#>>>

2

argmax.argmax(axis=0)

#>>>

array([0, 0, 0, 1], dtype=int64)

argmax.argmax(axis=1)

#>>>

array([2, 3], dtype=int64)

mean 平均值

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

array_mean.mean()

#>>>

3.0

array_mean.mean(axis=0)

#>>>

array([1.5, 2.5, 3.5, 4.5])

array_mean.mean(axis=1)

#>>>

array([2.5, 3.5])

std 标准差

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

array_std.std()

#>>>

1.224744871391589

array_std.std(axis=0)

#>>>

array([0.5, 0.5, 0.5, 0.5])

array_std.std(axis=-1)

#>>>

array([1.11803399, 1.11803399])

var 方差

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

array_var.var()

#>>>

0.9166666666666666

array_var.var(axis=0)

#>>>

array([0.25, 0.25, 0.25])

array_var.var(axis=1)

#>>>

array([0.66666667, 0.66666667])

clip 边界限定 (超过边界，就按边界取值)



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

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

array_clip.clip(2,4)

#>>>

array([[2, 2, 3, 4],

       [2, 3, 4, 4]])

round四舍五入

array_round=np.array([[1.111,2.222,3.333,4.444],[2.111,3.222,4.333,5.444]])

array_round.round(decimals=1)

#>>>>

array([[1.1, 2.2, 3.3, 4.4],

       [2.1, 3.2, 4.3, 5.4]])

array_round.round(decimals=2)

#>>>

array([[1.11, 2.22, 3.33, 4.44],

       [2.11, 3.22, 4.33, 5.44]])

numpy 排序

sort 升序排序
argsort 排序后的位置
linspace 等差出列造数据
searchsorted 插入序列,返回位置
lexsort 多维度排序

import numpy as np

sort

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

array_sort.sort()

print(array_soprt)

#>>>

[1 2 3 4 5 5]

argsort

array_argsort=np.array([1,5,2,1,3,24,2,6,5])

array_argsort.argsort()

#>>>

array([0, 3, 2, 6, 4, 1, 8, 7, 5], dtype=int64)

lispace

array_linspace=np.linspace(1,10,10)

print(array_linspace)

#>>>

[ 1.  2.  3.  4.  5.  6.  7.  8.  9. 10.]

searchsorted 查看值的位置

array_linspace=np.linspace(1,10,10)

value=np.array([1,3,4,6])

np.searchsorted(array_linspace,value)

# >>>

array([0, 2, 3, 5], dtype=int64)

print(array_linspace)

print(value)

[ 1.  2.  3.  4.  5.  6.  7.  8.  9. 10.]

[1 3 4 6]

lexsort

one=np.array([6,2,4,1,2,3,4,5,6])

two=np.array([1,2,3,4,5,5,6,7,8])

result=np.lexsort([two,one])

result

array([3, 1, 4, 5, 2, 6, 7, 0, 8], dtype=int64)

数组形状

arange(i) 生成0到i的序列,不包括i
shape 维度/形状
reshape 重新设置形状
newaxis 新的维度
squeeze 去掉空维度
transpose/T 变化形状
concatenate 矩阵链接
vstack 垂直合并
hstack 水平合并
flatten
ravel

arange

array_arange=np.arange(10)

print(array_arange)

#>>>

[0 1 2 3 4 5 6 7 8 9]

shape

array_shape=np.arange(10)

array_shape.shape

#>>>

(10,)

reshape

array_reshape=np.arange(10)

array_reshape.reshape(1,10)  #大小必须不能改变 10个元素,变化后还是10个

#>>>

array([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]])

数组的形状

arange(i) 生成0到i的序列,不包括i
shape 维度/形状
reshape 重新设置形状
newaxis 新的维度
squeeze 去掉空维度
transpose/T 变化形状
concatenate 矩阵链接
vstack 垂直合并
hstack 水平合并
flatten
ravel

arange

array_aange=np.arange(10)

#>>>

[0 1 2 3 4 5 6 7 8 9]

shape

array_shape=np.arange(10)

array_shape.shape

#>>>

(10,)

reshape

array_reshape=np.arange(10)

array_reshape.reshape(1,10) #大小必须不能改变 10个元素,变化后还是10个

#>>>

array([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]])

newaxis

array_newaxis=np.arange(10)

array_newaxis=array_newaxis[np.newaxis,:]

print(array_newaxis)

print(array_newaxis.shape)

# >>>

[[0 1 2 3 4 5 6 7 8 9]]

(1, 10)

array_newaxis=np.arange(10)

array_newaxis=array_newaxis[:,np.newaxis]

print(array_newaxis)

print(array_newaxis.shape)

#>>>

[[0]

 [1]

 [2]

 [3]

 [4]

 [5]

 [6]

 [7]

 [8]

 [9]]

(10, 1)

squeeze

array_newaxis=np.arange(10)

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

print(array_newaxis)

print(array_newaxis.shape)

#>>>

[[[0]]

 [[1]]

 [[2]]

 [[3]]

 [[4]]

 [[5]]

 [[6]]

 [[7]]

 [[8]]

 [[9]]]

(10, 1, 1)

array_squeeze=array_newaxis.squeeze()

print(array_squeeze)

#>>>

[0 1 2 3 4 5 6 7 8 9]

transpose 形状转换

array_transpose=np.array([[1,2,3,4,5],[2,3,4,5,6]])

array_transpose.transpose()

#>>>

array([[1, 2],

       [2, 3],

       [3, 4],

       [4, 5],

       [5, 6]])

concatenate数组链接

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

b=np.array([[0,9,8,7,6],[6,7,8,9,0]])

array_concatenate=np.concatenate((a,b))

print(array_concatenate)

#>>>

[[1 2 3 4 5]

 [5 4 3 2 1]

 [0 9 8 7 6]

 [6 7 8 9 0]]

array_concatnate_axis=np.concatenate((a,b),axis=1)

print(array_concatnate_axis)

#>>>

[[1 2 3 4 5 0 9 8 7 6]

 [5 4 3 2 1 6 7 8 9 0]]

array_concatnate_axis.shape

#>>>

(2, 10)

vstack 垂直合并

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

b=np.array([[0,9,8,7,6],[6,7,8,9,0]])

np.vstack((a,b))

#>>>

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

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

       [0, 9, 8, 7, 6],

       [6, 7, 8, 9, 0]])

hstack 水平合并

np.hstack((a,b)) 水平合并

#>>>

array([[1, 2, 3, 4, 5, 0, 9, 8, 7, 6],

       [5, 4, 3, 2, 1, 6, 7, 8, 9, 0]])

flatten 合并成一行

array_flatten=np.array([[1,2,3,4],[4,5,6,7]])

array_flatten.flatten()

#>>>

array([1, 2, 3, 4, 4, 5, 6, 7])

revel合并成一行

array_ravel=np.array([[1,2,3,4],[4,5,6,7]])

array_ravel.ravel()

#>>>

array([1, 2, 3, 4, 4, 5, 6, 7])

数组的生成

arange
linspace
logspace
meshgrid
r_
c_
zeros
ones
empty
fill
zeros_like
ones_likes
identity 基准矩阵

range

array_arange=np.arange(10)

print(array_arange)

array_arang_b=np.arange(1,10,2)

print(array_arang_b)

array_arange_c=np.arange(1,10,5,dtype=np.float32)

#>>>

[0 1 2 3 4 5 6 7 8 9]

[1 3 5 7 9]

linspace

array_linspace=np.linspace(1,10) ##默认等差数列个数为 50。

print(array_linspace)

array_linpsace_a=np.linspace(1,10,2)

#>>>

 [1.          1.18367347  1.36734694  1.55102041  1.73469388  1.91836735

  2.10204082  2.28571429  2.46938776  2.65306122  2.83673469  3.02040816

  3.20408163  3.3877551   3.57142857  3.75510204  3.93877551  4.12244898

  4.30612245  4.48979592  4.67346939  4.85714286  5.04081633  5.2244898

  5.40816327  5.59183673  5.7755102   5.95918367  6.14285714  6.32653061

  6.51020408  6.69387755  6.87755102  7.06122449  7.24489796  7.42857143

  7.6122449   7.79591837  7.97959184  8.16326531  8.34693878  8.53061224

  8.71428571  8.89795918  9.08163265  9.26530612  9.44897959  9.63265306

  9.81632653 10.        ]

logspace

np.logspace(0,1,5)  # 10的0次幂到10的1次幂  5个等比列数据

#>>>

array([ 1.        ,  1.77827941,  3.16227766,  5.62341325, 10.        ])

meshgrid

x=np.linspace(-10,10,5)

print(x)

y=np.linspace(-20,20,5)

print(y)

#>>>

[-10.  -5.   0.   5.  10.]

[-20. -10.   0.  10.  20.]

x1,y1=np.meshgrid(x,y)

print(x1)

print(y1)

#>>>

[[-10.  -5.   0.   5.  10.]

 [-10.  -5.   0.   5.  10.]

 [-10.  -5.   0.   5.  10.]

 [-10.  -5.   0.   5.  10.]

 [-10.  -5.   0.   5.  10.]]

[[-20. -20. -20. -20. -20.]

 [-10. -10. -10. -10. -10.]

 [  0.   0.   0.   0.   0.]

 [ 10.  10.  10.  10.  10.]

 [ 20.  20.  20.  20.  20.]]

r_ row 行向量

np.r_[0:10:1]

#>>>

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

c_ col 列向量

np.c_[0:10:1]

#>>>

array([[0],

       [1],

       [2],

       [3],

       [4],

       [5],

       [6],

       [7],

       [8],

       [9]])

zeros填充0

np.zeros(5)

array([0., 0., 0., 0., 0.])

np.zeros((5,5))

array([[0., 0., 0., 0., 0.],

       [0., 0., 0., 0., 0.],

       [0., 0., 0., 0., 0.],

       [0., 0., 0., 0., 0.],

       [0., 0., 0., 0., 0.]])

ones填充1

np.ones(5)

#>>>

array([1., 1., 1., 1., 1.])

np.ones((5,5))

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., 1.]])

empty空地址

np.empty(5)

np.empty((5,5))

fill 自定义填充

a=np.empty((5,5))

a.fill(3)

print(a)

#>>>

[[3. 3. 3. 3. 3.]

 [3. 3. 3. 3. 3.]

 [3. 3. 3. 3. 3.]

 [3. 3. 3. 3. 3.]

 [3. 3. 3. 3. 3.]]

zeros_like ones_like

temp=np.arange(0,10,2)

print(temp)

#>>>

[0 2 4 6 8]

result=np.zeros_like(temp)

print(result)

#>>>

[0 0 0 0 0]

result_ones=np.ones_like(temp)

print(result_ones)

#>>>

[1 1 1 1 1]

identity 对角矩阵

np.identity(5)

#>>>

array([[1., 0., 0., 0., 0.],

       [0., 1., 0., 0., 0.],

       [0., 0., 1., 0., 0.],

       [0., 0., 0., 1., 0.],

       [0., 0., 0., 0., 1.]])

numpy基础一的更多相关文章

利用Python进行数据分析(5) NumPy基础: ndarray索引和切片
概念理解索引即通过一个无符号整数值获取数组里的值. 切片即对数组里某个片段的描述. 一维数组一维数组的索引一维数组的索引和Python列表的功能类似: 一维数组的切片一维数组的切片语法格式为a ...
《利用python进行数据分析》读书笔记--第四章 numpy基础：数组和矢量计算
http://www.cnblogs.com/batteryhp/p/5000104.html 第四章 Numpy基础:数组和矢量计算第一部分:numpy的ndarray:一种多维数组对象实话说, ...
利用Python进行数据分析——Numpy基础：数组和矢量计算
利用Python进行数据分析--Numpy基础:数组和矢量计算 ndarry,一个具有矢量运算和复杂广播能力快速节省空间的多维数组对整组数据进行快速运算的标准数学函数,无需for-loop 用于读写 ...
numpy 基础操作
Numpy 基础操作¶ 以numpy的基本数据例子来学习numpy基本数据处理方法主要内容有: 创建数组数组维度转换数据选区和切片数组数据计算随机数数据合并数据统计计算 In [1]: ...
Numpy 基础
Numpy 基础参考https://www.jianshu.com/p/83c8ef18a1e8 import numpy as np 简单创建数组 # 创建简单列表 a = [1, 2, 3, 4 ...
[转]python与numpy基础
来源于:https://github.com/HanXiaoyang/python-and-numpy-tutorial/blob/master/python-numpy-tutorial.ipynb ...
python学习笔记（三）：numpy基础
Counter函数可以对列表中数据进行统计每一个有多少种 most_common(10)可以提取前十位 from collections import Counter a = ['q','q','w' ...
Numpy基础数据结构 python
Numpy基础数据结构 NumPy数组是一个多维数组对象,称为ndarray.其由两部分组成: 实际的数据描述这些数据的元数据 1.一维数组 import numpy as np ar = np.a ...
Python Numpy基础教程
Python Numpy基础教程本文是一个关于Python numpy的基础学习教程,其中,Python版本为Python 3.x 什么是Numpy Numpy = Numerical + Pyth ...
NumPy基础操作
NumPy基础操作(1) (注:记得在文件开头导入import numpy as np) 目录: 数组的创建强制类型转换与切片布尔型索引结语数组的创建相关函数 np.array(), np. ...

随机推荐

怎样理解没有this的构造函数
如果一个构造函数内部没有this, 那可以说这个压根不是构造函数, 因为他并不能返回一个实例对象; function Person(name) { var name = name; }; var li ...
（四）Spring Boot之配置文件-多环境配置
一.Properties多环境配置 1. application.properties配置激活选项 spring.profiles.active=dev 2.添加其他配置文件 3.结果 applica ...
关于__new__和__init__
关于__new__和__init__ 例如一个类 class Foo(object): def __init__(self): print(1) def __new__(self): print(2) ...
[Vuex系列] - Actions的理解之我见
Actions如何定义的恕小端不才,对Action的总结如下: Action 可以提交mutation方法,通过mutation来改变state Action 函数可以接收一个context对象,通 ...
安装theano踩过的坑（gpu）
参考 http://deeplearning.net/software/theano/install.html TensorFlow出了点问题 python3.7的环境 pip安装 keras已经安装 ...
Oracle dump函数的用法
一.函数标准格式: DUMP(expr[,return_fmt[,start_position][,length]]) 基本参数时4个,最少可以填的参数是0个.当完全没有参数时,直接返回null.另外 ...
vue作用域插槽
简而言之,作用域插槽就是让插槽内容能够访问子组件中的数据. 案例如下:有CurUser组件 <template> <span> <!-- 在slot 元素上绑定user, ...
切换composer国内镜像 Laravel China停用，切换阿里云composer全量镜像
composer config -g repo.packagist composer https://packagist.phpcomposer.com Laravel China 镜像完成历史使命, ...
centos7防火墙相关
selinux(保护文件安全) 安全增强型 Linux(Security-Enhanced Linux)简称 SELinux,它是一个 Linux 内核模块,也是 Linux 的一个安全子系统. SE ...
java 接口方法超时异常处理设置超时时间
原文:https://blog.csdn.net/coding_1994/article/details/87728374 使用线程池另起一个线程,可以使用 newFixedThreadPool() ...

numpy基础一

常用，常忘

numpy概览

np.array的结构

矩阵格式（多维的形式）

布尔数组作为索引取值

随机数转化为布尔值

按条件找到索引

np.asarray 重新给np.array指定数值类型---深度copy

np.array的数值计算

sum

指定操作沿着什么轴进行

-1指定最后一个维度

prod 求积

min最小值

max最大值

argmin最小值索引

argmax

mean 平均值

std 标准差

var 方差

clip 边界限定 (超过边界，就按边界取值)

round四舍五入

numpy 排序

sort

argsort

lispace

searchsorted 查看值的位置

lexsort

数组形状

arange

shape

reshape

数组的形状

arange

shape

reshape

newaxis

squeeze

transpose 形状转换

concatenate数组链接

vstack 垂直合并

hstack 水平合并

flatten 合并成一行

revel合并成一行

数组的生成

range

linspace

logspace

meshgrid

r_ row 行向量

c_ col 列向量

zeros填充0

ones填充1

empty空地址

zeros_like ones_like

identity 对角矩阵

numpy基础一的更多相关文章

随机推荐

热门专题