array的运算
对于一维矩阵~
In [2]: a=np.array([10,20,30,40]) #array([10, 20, 30, 40])
In [3]: b=np.arange(1,5,1) #array([1, 2, 3, 4])
主要是相乘的操作,使用 dot()函数,如
In [26]: a=np.array([[1,1],[0,1]])
Out[26]:
array([[1, 1],
[0, 1]])
In [27]: b=np.arange(4).reshape((2,2))
Out[27]:
array([[0, 1],
[2, 3]])
In [28]: a.dot(b)
Out[28]:
array([[2, 4],
[2, 3]])
关于一些函数的使用 如最常见的 sum(), min(), max() ,mean()
In [34]: a=np.random.random((2,3))
Out[35]:
array([[ 0.98019406, 0.73626175, 0.54824511],
[ 0.20193906, 0.66793905, 0.25067862]])
In [36]: np.sum(a)
Out[36]: 3.3852576544623996
In [37]: np.min(a)
Out[37]: 0.20193906400523154
In [38]: np.max(a)
Out[38]: 0.98019406264193432
In [39]: np.mean(a)
对于一维矩阵~
In [2]: a=np.array([10,20,30,40]) #array([10, 20, 30, 40])
In [3]: b=np.arange(1,5,1) #array([1, 2, 3, 4])
常见的类型有
- a+b #array([11, 22, 33, 44])
- a-b #array([ 9, 18, 27, 36])
- a*b #array([ 10, 40, 90, 160])
- a**2 #array([ 100, 400, 900, 1600]) 双星表示乘方,如**2表示二次方,**3表示三次方
- 10*np.sina(a) np.sum(a) # array([-5.44021111, 9.12945251, -9.88031624, 7.4511316 ]) ; 100 调用 numpy中的函数。
- a<32 #array([ True, True, True, False], dtype=bool) #进行逻辑判断, 返回的是一个bool类型的矩阵,即对满足要求的返回True,不满足的返回Fals
主要是相乘的操作,使用 dot()函数,如
In [26]: a=np.array([[1,1],[0,1]])
Out[26]:
array([[1, 1],
[0, 1]])
In [27]: b=np.arange(4).reshape((2,2))
Out[27]:
array([[0, 1],
[2, 3]])
In [28]: a.dot(b)
Out[28]:
array([[2, 4],
[2, 3]])
关于一些函数的使用 如最常见的 sum(), min(), max() ,mean()
In [34]: a=np.random.random((2,3))
Out[35]:
array([[ 0.98019406, 0.73626175, 0.54824511],
[ 0.20193906, 0.66793905, 0.25067862]])
In [36]: np.sum(a)
Out[36]: 3.3852576544623996
In [37]: np.min(a)
Out[37]: 0.20193906400523154
In [38]: np.max(a)
Out[38]: 0.98019406264193432
In [39]: np.mean(a)
Out[39]: 0.56420960907706663
如果你需要对行或者列进行查找运算,就需要在上述代码中为 axis 进行赋值。 当axis的值为0的时候,将会以列作为查找单元, 当axis的值为1的时候,将会以行作为查找单元。
In [40]: a
Out[40]:
array([[ 0.98019406, 0.73626175, 0.54824511],
[ 0.20193906, 0.66793905, 0.25067862]])
In [41]: print "sum",np.sum(a,axis=1)
sum [ 2.26470092 1.12055673]
In [42]: print "min",np.min(a,axis=0)
min [ 0.20193906 0.66793905 0.25067862]
In [43]: print "max",np.max(a,axis=1)
max [ 0.98019406 0.66793905]