python中numpy的知识点总结.docx
- 文档编号:5627143
- 上传时间:2022-12-29
- 格式:DOCX
- 页数:8
- 大小:15.77KB
python中numpy的知识点总结.docx
《python中numpy的知识点总结.docx》由会员分享,可在线阅读,更多相关《python中numpy的知识点总结.docx(8页珍藏版)》请在冰豆网上搜索。
python中numpy的知识点总结
python中numpy的知识点总结
####数据的布尔值判断####
importnumpyasnp
x=np.array([1,2,3,4,5])
x
Out[1]:
array([1,2,3,4,5])
#判断X是否小于2
x<2
Out[2]:
array([True,False,False,False,False])
#判断X小于2或者大于4
(x<2)|(x>4)
Out[4]:
array([True,False,False,False, True])
mask=x<3
mask
Out[5]:
array([True, True,False,False,False])
x[mask]
Out[6]:
array([1,2])
np.sum(x<3)
Out[7]:
2
y=np.array([[1,2,3,4,5],[6,7,8,9,10]])
y
Out[8]:
array([[1, 2, 3, 4, 5],
[6, 7, 8, 9,10]])
x==y[0,]
Out[9]:
array([True, True, True, True, True])
#两个数组比较
a1=np.arange(9).reshape(3,3)
a2=np.arange(9,0,-1).reshape(3,3)
a1 Out[10]: array([[True, True, True], [True, True,False], [False,False,False]]) #####数据的切片选择(开始位,结束位,步长) #位置值从0开始的 x=np.arange(0,10) x[4: 6] Out[11]: array([4,5]) #从0开始,步长为2的数据,: : 表示所有数据 x[: : 2] Out[12]: array([0,2,4,6,8]) #倒序 x[: : -1] Out[13]: array([9,8,7,6,5,4,3,2,1,0]) #取前6个数据 x[: 6] Out[14]: array([0,1,2,3,4,5]) #从第2的位置开始选 x[2: ] Out[15]: array([2,3,4,5,6,7,8,9]) #二维数据的切片处理,生成0-15的数字,4行4列 y=np.arange(0,16).reshape(4,4) y Out[16]: array([[0, 1, 2, 3], [4, 5, 6, 7], [8, 9,10,11], [12,13,14,15]]) #y[行,列],取所有行和第二列与第三列 y[: 1: 3] Out[17]: array([[1, 2], [5, 6], [9,10], [13,14]]) y[1: 3,2: 4] Out[18]: array([[6, 7], [10,11]]) #y[: : ]中的: 表示取所有 y[[1,3],: ] Out[19]: array([[4, 5, 6, 7], [12,13,14,15]]) ####数据的维度变化##### x=np.arange(0,9) y=x.reshape(3,3) y Out[20]: array([[0,1,2], [3,4,5], [6,7,8]]) x=np.arange(0,9) y=x.reshape(3,3) y Out[21]: array([[0,1,2], [3,4,5], [6,7,8]]) #返回一个新的数组,不是修改原来的数组 y.reshape(9) Out[22]: array([0,1,2,3,4,5,6,7,8]) y Out[23]: array([[0,1,2], [3,4,5], [6,7,8]]) #修改数据 reshaped=y.reshape(np.size(y)) raveled=y.ravel()#将数据展开成一维的 reshaped[2]=1000 raveled[5]=2000 y Out[24]: array([[ 0, 1,1000], [ 3, 4,2000], [ 6, 7, 8]]) y=np.arange(0,9).reshape(3,3) flattened=y.flatten()#将数据展开成一维的 flattened[0]=1000 flattened Out[25]: array([1000, 1, 2, 3, 4, 5, 6, 7, 8]) flattened.shape=(3,3) flattened Out[26]: array([[1000, 1, 2], [ 3, 4, 5], [ 6, 7, 8]]) #数据的转置 flattened.T Out[27]: array([[1000, 3, 6], [ 1, 4, 7], [ 2, 5, 8]]) ####数据的合并处理#### a=np.arange(9).reshape(3,3) b=(a+1)*10 a Out[28]: array([[0,1,2], [3,4,5], [6,7,8]]) b Out[29]: array([[10,20,30], [40,50,60], [70,80,90]]) #水平方向 np.hstack((a,b)) Out[30]: array([[0, 1, 2,10,20,30], [3, 4, 5,40,50,60], [6, 7, 8,70,80,90]]) #垂直方向 np.vstack((a,b)) Out[31]: array([[0, 1, 2], [3, 4, 5], [6, 7, 8], [10,20,30], [40,50,60], [70,80,90]]) #axis=1横轴方向,axis=0竖轴方向 np.concatenate((a,b),axis=1) Out[32]: array([[0, 1, 2,10,20,30], [3, 4, 5,40,50,60], [6, 7, 8,70,80,90]]) #每列相互拼接 np.dstack((a,b)) Out[33]: array([[[0,10], [1,20], [2,30]], [[3,40], [4,50], [5,60]], [[6,70], [7,80], [8,90]]]) #两列拼接 one_d_a=np.arange(5) one_d_b=(one_d_a+1)*10 np.column_stack((one_d_a,one_d_b)) Out[36]: array([[0,10], [1,20], [2,30], [3,40], [4,50]]) ##行叠加 np.row_stack((one_d_a,one_d_b)) Out[37]: array([[0, 1, 2, 3, 4], [10,20,30,40,50]]) ####通用函数#### m=np.arange(10,19).reshape(3,3) print(m) print("{0}minoftheentirematrix".format(m.min())) print("{0}maxofentirematrix".format(m.max())) ##最小值、最大值的位置 print("{0}positionoftheminvalue".format(m.argmin())) print("{0}positionofthemaxvalue".format(m.argmax())) #每列、每行的最小值 print("{0}minsdowneachcolumn".format(m.min(axis=0))) print("{0}minsacrosseachrow".format(m.min(axis=1))) #每列、每行的最大值 print("{0}maxsdowneachcolumn".format(m.max(axis=0))) print("{0}maxsacrosseachrow".format(m.max(axis=1))) [[101112] [131415] [161718]] 10minoftheentirematrix 18maxofentirematrix 0positionoftheminvalue 8positionofthemaxvalue [101112]minsdowneachcolumn [101316]minsacrosseachrow [161718]maxsdowneachcolumn [121518]maxsacrosseachrow #平均值,标准差,方差 a Out[41]: array([1,2,3,4,5,6,7,8,9]) a=np.arange(1,10) a.mean(),a.std(),a.var() Out[39]: (5.0,2.581988897471611,6.666666666666667) #求和,乘积 a.sum(),a.prod() Out[40]: (45,362880) #累加和,累加乘 a.cumsum(),a.cumprod() Out[42]: (array([1, 3, 6,10,15,21,28,36,45],dtype=int32), array([ 1, 2, 6, 24, 120, 720, 5040, 40320, 362880],dtype=int32))
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- python numpy 知识点 总结