np.mgrid函数

【转】numpy中 meshgrid 和 mgrid 的区别和使用

转自:https://www.cnblogs.com/shenxiaolin/p/8854197.html 一.meshgrid函数 meshgrid函数通常使用在数据的矢量化上. 它适用于生成网格型数据,可以接受两个一维数组生成两个二维矩阵,对应两个数组中所有的(x,y)对. 示例展示: 由上面的示例展示可以看出,meshgrid的作用是: 根据传入的两个一维数组参数生成两个数组元素的列表. 如果第一个参数是xarray,维度是xdimesion, 第二个参数是yarray,维度是ydimes

np.mgrid的用法

功能:返回多维结构,常见的如2D图形,3D图形 np.mgrid[ 第1维,第2维 ,第3维 , …] 第n维的书写形式为: a:b:c c表示步长,为实数表示间隔:该为长度为[a,b),左开右闭或: a:b:cj cj表示步长,为复数表示点数:该长度为[a,b],左闭右闭举例说明: 1)生成1D数组: a=np.mgrid[-::3j] a 在[-4,4]区间内取3个值返回: array([-., ., .]) 2)生成个2D矩阵: mgrid[[::3j, ::2j]] 生成的是3*2

np.mgrid 用法

import numpy as np dtype=np.float32 num_anchors = 6 y, x = np.mgrid[0:4, 0:4] print(y) print(x) y = np.expand_dims(y, axis=-1) x = np.expand_dims(x, axis=-1) h = np.ones((num_anchors, ), dtype=dtype) w = np.ones((num_anchors, ), dtype=dtype) xmin = x

np.argsort函数

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

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

Numpy中np.random.randn与np.random.rand的区别，及np.mgrid与np.ogrid的理解

np.random.randn是基于标准正态分布产生的随机数,np.random.rand是基于均匀分布产生的随机数,其值在[0,1). np.mgrid 与np.ogrid的理解及区别:np.mgrid 与np.ogrid的目的都是为创建一个格栅区域,而mgrid返回的是相同维度的数组,ogrid仅返回本维度的数组,而创建格栅区域可以i这样理解:如果要确定一点(x,y),则对于mgrid返回值而言,首先取出所有数组的第x行,然后再第x行取出第y个数字,因此,mgrid的第一个数组x,每行都是相

理解np.nonzero()函数

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

Py之np.concatenate函数【转载】

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函数

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

np.mean()函数

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]

np.cumsum()函数和正则表达式的含义

np.tile 函数使用

>>> 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],

利用griddata进行二维插值

有时候会碰到这种情况: 实际问题可以抽象为 \(z = f(x, y)\) 的形式,而你只知道有限的点 \((x_i,y_i,z_i)\),你又需要局部的全数据,这时你就需要插值,一维的插值方法网上很多,不再赘述,这里仅介绍二维的插值法这里主要利用 scipy.interpolate 包里 griddata 函数 griddata(points, values, xi, method='linear', fill_value=numpy.nan, rescale=False) points:二

scikit-learn工具学习 - random,mgrid,np.r_ ,np.c_, scatter, axis, pcolormesh, contour, decision_function

yuanwen: http://blog.csdn.net/crossky_jing/article/details/49466127 scikit-learn 练习题题目:Try classifying classes 1 and 2 from the iris dataset with SVMs, with the 2 first features. Leave out 10% of each class and test prediction performance on these o

机器学习入门-文本数据-构造词频词袋模型 1.re.sub(进行字符串的替换) 2.nltk.corpus.stopwords.words(获得停用词表) 3.nltk.WordPunctTokenizer(对字符串进行分词操作) 4.np.vectorize(对函数进行向量化) 5. CountVectorizer(构建词频的词袋模型)

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