这篇文章主要介绍Python的numpy库中的一些函数,做备份,以便查找。
(1)将矩阵转换为列表的函数:numpy.matrix.tolist()
返回list列表
Examples
>>> x = np.matrix(np.arange(12).reshape((3,4))); x
matrix([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> x.tolist()
[[0, 1, 2, 3], [4, 5, 6, 7], [8, 9, 10, 11]]
Notes:(数组能够被重新构造)
The array may be recreated, a=np.array(a.tolist()).
Examples
>>> a = np.array([1, 2])
>>> a.tolist()
[1, 2]
>>> a = np.array([[1, 2], [3, 4]])
>>> list(a)
[array([1, 2]), array([3, 4])]
>>> a.tolist()
[[1, 2], [3, 4]]
(3)numpy.mean()计算矩阵或数组的均值:
Examples
>>> a = np.array([[1, 2], [3, 4]]) #对所有元素求均值
>>> np.mean(a)
2.5
>>> np.mean(a, axis=0) #对每一列求均值
array([ 2., 3.])
>>> np.mean(a, axis=1) #对每一行求均值
array([ 1.5, 3.5])
Examples
>>> a = np.array([[1, 2], [3, 4]]) #对所有元素求标准差
>>> np.std(a)
1.1180339887498949
>>> np.std(a, axis=0) #对每一列求标准差
array([ 1., 1.])
>>> np.std(a, axis=1) #对每一行求标准差
array([ 0.5, 0.5])
(5)numpy.newaxis为数组增加一个维度:
Examples:
-
1, 2, 3],[ 4, 5, 6],[ 7, 8, 9]]) #先输入3行2列的数组aa=np.array([[
-
2]b=a[:,:
-
#当数组的行与列都大于1时,不需增加维度b.shape
-
( 3, 2)
-
2]c=a[:,
-
#可以看到,当数组只有一列时,缺少列的维度c.shape
-
( 3,)
-
-
array([ 3, 6, 9])
-
2,np.newaxis] #np.newaxis实现增加列的维度d=a[:,
-
-
array([[ 3],
-
[ 6],
-
[ 9]])
-
#d的维度成了3行1列(3,1)d.shape
-
( 3, 1)
-
2, None] #None与np.newaxis实现相同的功能e=a[:,
-
-
array([[ 3],
-
[ 6],
-
[ 9]])
-
-
( 3, 1)
(6)numpy.random.shuffle(index): 打乱数据集(数组)的顺序:
Examples:
-
for i in range( 10)]index = [i
-
-
[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
-
-
-
[ 7, 9, 3, 0, 4, 1, 5, 2, 8, 6]
(7)计算二维数组某一行或某一列的最大值最小值:
-
import numpy as np
-
15).reshape( 5, 3) #构造一个5行3列的二维数组a = np.arange(
-
-
array([[ 0, 1, 2],
-
[ 3, 4, 5],
-
[ 6, 7, 8],
-
[ 9, 10, 11],
-
[ 12, 13, 14]])
-
0].min() ##取第0列的最小值,其他列同理b = a[:,
-
-
0
-
0,:].max() ##取第0行的最大值,其他行同理c = a[
-
-
2
(8)向数组中添加列:np.hstack()
-
n = np.array(np.random.randn( 4, 2))
-
-
n
-
Out[ 153]:
-
array([[ 0.17234 , -0.01480043],
-
[ -0.33356669, -1.33565616],
-
[ -1.11680009, 0.64230761],
-
[ -0.51233174, -0.10359941]])
-
-
l = np.array([ 1, 2, 3, 4])
-
-
l
-
Out[ 155]: array([ 1, 2, 3, 4])
-
-
l.shape
-
Out[ 156]: ( 4,)
可以看到,n是二维的,l是一维的,如果直接调用np.hstack()会出错:维度不同。
-
n = np.hstack((n,l))
-
ValueError: all the input arrays must have same number of dimensions
-
n = np.hstack((n,l[:,np.newaxis])) ##注意:在使用np.hstack()时必须用()把变量括起来,因为它只接受一个变量
-
-
n
-
Out[ 161]:
-
array([[ 0.17234 , -0.01480043, 1. ],
-
[ -0.33356669, -1.33565616, 2. ],
-
[ -1.11680009, 0.64230761, 3. ],
-
[ -0.51233174, -0.10359941, 4. ]])
-
n = np.array([[ 1, 2, 3, 4, 5, 6],[ 11, 22, 33, 44, 55, 66],[ 111, 222, 333, 444, 555, 666]]) ##产生一个三行六列容易区分的数组
-
-
n
-
Out[ 166]:
-
array([[ 1, 2, 3, 4, 5, 6],
-
[ 11, 22, 33, 44, 55, 66],
-
[ 111, 222, 333, 444, 555, 666]])
-
-
sample = [[] for i in range( 3)] ##产生三行一列的空列表
-
Out[ 172]: [[], [], []]
-
for i in range( 0, 6, 2): ##每间隔一列便添加到sample中
-
sample = np.hstack((sample,n[:,i,np.newaxis]))
-
-
-
sample
-
Out[ 170]:
-
array([[ 1., 3., 5.],
-
[ 11., 33., 55.],
-
[ 111., 333., 555.]])