Python之numpy基本指令

python

https://blog.csdn.net/mmm305658979/article/details/78745637

# -*- coding: utf-8 -*- 多加练习才是真

import numpy as np

from numpy import newaxis

from numpy import pi

import matplotlib.pyplot as plt

from numpy import ogrid

#生成数组(矩阵)

#a = np.array([[1,2,3],[4,5,6]]) #2*3

#a = np.array([1,2,3]) #3*1

#a = np.ones(16,1); a = np.cumsum(a) #生成16*1矩阵,然后累加得到递增值为1-16的矩阵,作用同下

#a = np.arange(15).reshape(3,5) #生成0开始递增的15个数,然后分成3行5列矩阵

#a = np.arange(24).reshape(2,3,4) #生成2*3*4 3维数组

#np.set_printoptions(threshold='nan') #矩阵元素数量过多会自动省略显示,它可以取消省略显示

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

#c = np.arange(10,100,4) #10,14,18.....98;小数间隔也可

#c = np.linspace(0,2,9) #生成0-2等间隔的9个数

#c = np.ogrid[-100:100:3] #生成-100 - 100等间隔三个数

#c = np.zeros((4,4)) #生成4*4全0矩阵

#c = np.ones((4,4),dtype=float) #生成4*4全1矩阵,浮点型

#c = np.eye(2) #生成单位矩阵[[1,0],[0,1]]

#c = np.empty((2,3)) #随机数,不太懂

#c = np.random.random((2,3)) # √生成随机数矩阵,float

#c = np.random.noral(mu,sigma,1000) #生成位置参数和尺寸参数确定的1000个数据

#矩阵的操作

#print(np.sin(1))

#a = np.ravel(a) # (51,1)的array可以变为(51,)

#np.mat(a) #将a变为矩阵

#b = np.floor(a) #矩阵a中没个元素去掉小数点后的数并保存为float格式

#print(a.ndim) #指的是二维矩阵即m*n的矩阵(数组),亦称为秩(rank)

#np.trace(a) #矩阵的迹,对角线上数之和

#print(a.size) #矩阵所包含元素个数

#print(a.shape) #矩阵所包含元素形状如(3,4)

#print(a.reshape(2,-1)) #变形为2行,列数自动计算,a本身不变

#a.resize(16,1) #a本身变形为16行1列,等于a.shape=16,-1

#print(a.T) #矩阵的转置,1维向量并且没加入newaxis时失效

#np.linalg.inv(a) #矩阵的逆矩阵,a*a-1 = 1

#print(a.data) #实际数组元素的缓冲区

#a = np.array([[1,0],[2,3]])

#b = np.array([[2,4],[1,5]])

#c = a*b #a和b对应位置相乘,与matlab中相反

#c = a.dot(b) #等同于c = np.dot(a,b),倆矩阵相乘

#a*=b,a+=b,a-=b #这种运算a,b必须同为整型或浮点型,而a+b(np.add(a,b))则可以int+float

#np.sum([[0, 1], [0, 5]], axis=1) #横着加

#c = a + b #a(4*1),b(1*4) c(4*4)

#c = np.exp(1) #返回e(2.718)的a次方

#c = a**2 #a的平方

#c = a.sum(axis = 0 or 1) or a.max() or a.min #矩阵(0对应每列之和,1对应每行之和)的和,最大值与最小值

#c = a.argmax(axis=0) #返回矩阵每列最大值对应索引号

#a = np.arange(10)

#a[0:6:2] = 100 #0,2,4位置数变成100

#np.sort(a, axis = '-1', kind = 'quicksort') #排序,axis为对第几行排序

#print(a[::-1]) #逆序排列

#print(np.all([[True, False], [True, True]])) #与,返回False

#print(np.any([[True, False], [True, True]])) #或

#ax,bx,cx = np.ix_(a,b,c)  #把a,b,c一维向量变成(x,1,1)(1,x,1)(1,1,x)维度方便他们相乘等


#def f(x,y):

#    return x+y

#a = np.fromfunction(f,(3,4)) #生成3*4矩阵,每个位置值由x和y计算后得到

#a[:,1:3] #返回矩阵a所有行,第2和3列


#矩阵的合并拆分

#print(a[-1]) #返回a最后一行,等于a[-1,:]

#b = [row for row in a] #row表示每一行,迭代输出每一行

#b = [element for element in a.flat] #遍历输出矩阵每一个元素,类似b = a.ravel()

#c = np.vstack((a,b)) #竖向合并a,b,等于np.row_stack((a,b))

#c = np.hstack((a,b)) #横向合并a,b,等于np.column_stack((a,b))

#c = np.hsplit(a,4) #矩阵a分成四等分1(列)|2|3|4

#c = np.vsplit(a,4) #矩阵a分成四等分1(行)/2(行)/3/4

#c = np.hsplit(a,(1,3)) #矩阵a的第2行和第三行一起被分出来


#newaxis对比(非1维矩阵(n*1)无需用,1维需用不然转置合并等都会错误)

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

#b = np.array([[4,5,6]])

#print(a,b)

#c = a[:,newaxis]

#d = b[:,newaxis]

#print(c,d)

#e = np.hstack((a,b))

#g = np.hstack((c,d))

#print(e,g)


#r_与c_ 向量连接

#print(np.r_[np.array([1,2,3]), 0, 0, np.array([4,5,6])]) #r_用于连接行向量

#print(np.c_[np.array([[1,2,3]]), 0, 0, np.array([[4,5,6]])]) #c_用于连接纵向量


#深浅拷贝

#b = a #b变化a跟着变化,简单赋值并没有复制数组。 b is a √

#b = a.view() or a[:] #浅拷贝,b和a共享共同的值但是可以有不同的形状。 b is a ×,b.base is a √ 

#b = a.copy() #深拷贝,b和a互相独立。b is a ×,b.base is a ×


#数据的保存和读取

#np.save("a.npy", a) #括号内首先确定保存的文件名,再确认要保存的数据(单个)

#c = np.load( "a.npy" ) #读取数据

#np.savetxt("a.txt", a) #只能保存一个数组

#np.loadtxt("a.txt")

#np.savez("biubiu.npz",a,b,c)

#r = np.load("biubiu.npz") #读入时变量列表看不到,输入r["arr_0"]返回a,也可以import导入文件


#矩阵元素的查找

#np.searchsorted([1,2,3,4,5], [-10, 10, 2, 3]) #二分查找输出-10等应该插入的位置

#b=np.nonzero(a) #矩阵非0元素位置,二维矩阵a则返回两个向量对应横纵坐标

#b=np.where(a>5) #矩阵中大于5的元素的位置

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

#b = np.array([True,False,True,False])

#print(a[b])

#print(a[a>2])

---------------------

作者:黑山白雪m

来源:CSDN

原文:https://blog.csdn.net/mmm305658979/article/details/78745637?utm_source=copy

版权声明:本文为博主原创文章,转载请附上博文链接!

以上是 Python之numpy基本指令 的全部内容, 来源链接: utcz.com/z/386889.html

回到顶部