py numpy 库

已于 2022-12-08 15:18:38 修改
阅读量2.7k 收藏 8
点赞数 3
分类专栏： python 文章标签： numpy
于 2017-03-23 15:47:10 首次发布
天天开心
本文链接：https://blog.csdn.net/chuchus/article/details/65444580
版权

文章目录

简介

用于矩阵等的科学计算.
可通过 pip install numpy 安装, 通过import numpy as np引入.
矩阵一般用ndarray表示, N-dimensional array object.

构造 ndarray 对象

  • 从 py list 对象中构造
    np.array([[1,2],[3,4]])

  • 自然数数列
    np.arange(x)
    得到 1d array, [0,1,2, … , x-1]等价于 np.array(list(range(x)).

  • 均匀分布
    np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
    指定区间与采样个数, 返回均匀间隔的数组.

  • 指定元素
    手动拼好放到array()的构造函数中.

  • 单位矩阵(方阵)
    np.eye(3), 即对角线元素全为1, 其余元素全为0.

  • 全1矩阵
    np.ones((2,3))

  • 0型矩阵
    np.zeros(shape, dtype=float, order='C')

  • 指定规则
    tile(A, reps) 将A矩阵当作一个元素, 按照重复规则生成新的复合矩阵.如

    arr=np.tile([[1,2],[3,4]], [2,3])
print arr
"""
[[1 2 1 2 1 2]
 [3 4 3 4 3 4]
 [1 2 1 2 1 2]
 [3 4 3 4 3 4]]
"""
arr=np.tile([1.23], 3)
# [1.23, 1.23, 1.23]
print arr

  • random
    见后续章节, random 类.

dtype

python中表示整数类型的只有 int, np 中有 np.int32, np.int64 多种.
当放入中文字符串时, 会观察到类型为 <U3 , 不直观, 先mark.

ndarray 的 shape

print np.array([1,2]).shape # (2L,), type(shape) 是 tuple
print np.array([[1,2]]).shape   #(1L, 2L)
# 注意这两种的区别, 前者是一维数组, 后者是二维数组.
  • np.reshape(a, newshape, order='C')
    调整ndarray的尺寸. 若shape 中某个分量是-1, 代表着这一维度的尺寸会自动计算.
    如 a = np.arange(6).reshape((3, 2))
    或 a = np.arange(6).reshape((3, -1)), 得到
    array([[0, 1],
    [2, 3],
    [4, 5]])
  • expand_dims(a, axis)
    维度扩充.
 Examples
    --------
    >>> x = np.array([1,2])
    >>> x.shape
    (2,)

    >>> y = np.expand_dims(x, axis=0)
    >>> y
    array([[1, 2]])
    >>> y.shape
    (1, 2)

ndarray 的 axis

ndarray是多维的, axis=i 就指定了第i个维度. 很多计算函数都有axis参数可以指定, 得到不同的计算结果.
对于2维数组, 如果axis=0，则沿着纵轴进行操作；axis=1，则沿着横轴进行操作。
但如果是多维的呢？可以总结为一句话：设axis=i，则numpy沿着第i个下标变化的方向进行操作。
if axis=-1 it will be the last dimension.

#axis参数对计算结果的影响
a
Out[178]: 
array([[1, 2],
       [3, 4],
       [5, 6]])

np.mean(a,axis=0)
Out[179]: array([ 3.,  4.])

np.mean(a,axis=1)
Out[180]: array([ 1.5,  3.5,  5.5])

np.mean(a)
Out[181]: 3.5

ndarray 的比较

如果用 is 比较, 则是去比内存区域.
两个相同 shape 的 array, 用 ==判断, 会得到同样 shape 的 bool 数组, 代表 element-wise 的比较结果. 如果想整体比较怎么办?
用 (a==b).all(), 规则是所有元素全为 True, 才返回 True.
当浮点数难以直接比较, 可以通过 np.round() 来指定精度后再比较.

array 切片读写

切片是指按照一定的规则 截取部分.

灵活的切片表达语法

arr[截取表达式]. 最常见用法见下图.
这属于python 中的 slice, getitem() 语法.
在这里插入图片描述
图3-1 ndarray截取示意图

对于二维数据, arr[i,j] 取的是个位于 i行j列 的标量, 等效于 arr[i][j].
arr(i)则执行报错, not a callable object.

补充一些 slice 语法:

  • 当 slice 是一个数组时, 就相当于按照指定的一批 index 批量读取. 也可用于等号左边作赋值, 此时广播机制也可以用.
    Python 3.9.12 (main, Apr  4 2022, 05:22:27) [MSC v.1916 64 bit (AMD64)]

import numpy as np
a=np.arange(10)
a
Out[4]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
b=np.array([2,3,5])
a[b]=88
a
Out[7]: array([ 0,  1, 88, 88,  4, 88,  6,  7,  8,  9])
a[b]
Out[8]: array([88, 88, 88])
  • 当 slice 的 shape 与 array shape 不一致时, 省略的部分等价于默认: 符号.
  • 当某个 axis 上需要指定区间时, 可用 from:to 的左闭右开写法.
  • 当某个 axis 上需要间隔指定时, 可用 (1,3,5) 的tuple写法.
import numpy as np

a = np.arange(0, 2 * 3 * 4).reshape((2, 3, 4))

b1 = a[:, 1]
b2 = a[:, 1, :]
# True
print('(b1 == b2).all()', (b1 == b2).all())

c1 = a[:, :2]
c2 = a[:, (0, 1)]
# True
print('(c1 == c2).all()', (c1 == c2).all())

指定位置保留

import numpy as np
a=np.array(['新','年','快','乐'])
# array(['新', '快', '乐'], dtype='<U1')
b=a[[True,False,True,True]]
# array(['新', '快', '乐'], dtype='<U1')
c=a[[0,2,3]]

常用运算

  • 单个数组

    # 这些常用运算既可以对一个数计算, 也可以对 数组,矩阵中 每一个元素分别计算
np.tanh(x) #求双曲正切
np.sqrt(x) #求平方根
np.log(x) #求e为底的对数
np.log2(x) #求2为底的对数
np.log10(x) #求10为底的对数
np.power(a,b) # 求a^b
np.abs(x) #求x中每个元素的绝对值, 返回同尺寸的ndarray.
np.fill(x) # 数组内的每个元素填充为指定的x

  • 数组间运算

    • 减法
      a.shape=(m,n) b.shape=(n,)
      a-b的效果就是 把二维数组a拆成m个shape为(n,)的一维数组,再逐个相减,再stack堆叠.
    • 乘法
      对应元素相乘.
      a.shape=(m,n) b.shape=(m,n), a*b 与 np.multiply(a,b) 等价, 结果的shape=(m,n).

  • 点乘 np.dot(a,b)
    计算两个数组的点乘, 具体地,

    • 当 a,b 是一维数组时, 理解为向量内积.
    • 当 a,b 是二维矩阵时, 就是矩阵乘法 matrix multiplication.

  • 度&弧度

    np.sin()
"""角度(angle) 有两种表示，度(degree) 和 弧度(radian). 
弧度:度 = pi:180 = 3.1415:180
这里计算的是弧度.
所以想计算正弦30°需要np.sin(30*np.pi/180)"""

  • argmax(a,axis=None)
    找出最大元素的下标. 详细参考: scipy-numpy.argmax

  • y=argsort(a,axis=-1)
    返回排序后元素的原位置, 返回值y怎么解读呢? 第i大的元素, 其原位置为 y[i].
    默认升序排列, 想降序就乘以-1.
    还可用于计算学生成绩排名.

    import numpy as np
score=np.array([9,7,8])
rank_arg=np.argsort(score*-1)
rank=np.argsort(rank_arg)+1
#  ['成绩=9,排名=1', '成绩=7,排名=3', '成绩=8,排名=2']
result=['成绩={},排名={}'.format(k,v) for k,v in zip(score,rank)]

  • 数组的常用统计指标

    x = (0,1,5)
np.var(x)  # 方差=4.66
np.mean(x)  # 均值=2
np.median(x) # 中位数
np.std(x)	# 标准差,即 np.sqrt(np.var(x))
np.percentile(x, (30,50)) # 计算数组的 30-th, 50-th 百分位数, 从小到大

  • 矩阵属性

    import numpy as np
line1=(1,2,3)
line2=(4,5,6)
# 打印矩阵
arr=np.array([line1,line2])
print arr
print arr.ndim,#秩
print arr.I,#逆矩阵
print arr.inverse(),#逆矩阵
print arr.transpose(),#逆矩转置
print arr.T,#逆矩转置
print arr.size ,#元素个数
print arr.shape ,#矩阵大小,2*3
print type(arr)

  • 矩阵运算

    #coding=utf-8
import numpy as np
a=np.array([[1,2],
            [3,4]])

b=np.array([[5,6],
            [7,8]])
print a+b   #对应元素相加
print a-b   #对应元素相减
print np.dot(a,b)   #矩阵乘法
print a*b   #对应元素相乘
print a**2  #每个元素求平方

print a.sum()   #所有元素相加,得到一个type 'numpy.int32'
print a.sum(axis=0) #每列元素相加
print a.sum(axis=1) #每行元素相加

  • 余弦相似度

    import numpy as np

# 勾三弧四的直角三角形的两条边
a = np.array([3, 0])
b = np.array([3, 4])

sim = np.dot(a.T, b) / (np.linalg.norm(a) * np.linalg.norm(b))
print('cosine <a,b> : {0}'.format(sim))
"""cosine <a,b> : 0.6"""

  • 向量计算

    import numpy as np

np.cross(a,b) # 叉乘, 0说明两向量共线(角度为0或180)
np.dot(a,b) #点乘, 0说明正交
np.linalg.norm(a) # 向量a的模

数组广播

broadcasting， 不同 shape 的数组(或标量)作数值运算时，numpy 会对某些较低维度元素作自动 tile 的机制，可减少编码量。

  • 广播条件
    并不是任意两个 shape 的数组都能广播，得满足兼容条件。
    对两个数组的shape作右对齐，若某一列两个维度均大于1且不相等，则报错ValueError: operands could not be broadcast together with shapes ${shape1} ${shape2} .
    触发自动广播后的计算结果，shape的每一列的值为两个数组的较大维度，例子见下：

    A      (3d array): 256 x 256 x 3
B      (1d array):             3
Result (3d array): 256 x 256 x 3

A      (4d array):  8 x 1 x 6 x 1
B      (3d array):      7 x 1 x 5
Result (4d array):  8 x 7 x 6 x 5

A      (2d array):  5 x 4
B      (1d array):      1
Result (2d array):  5 x 4

A      (2d array):  5 x 4
B      (1d array):      4
Result (2d array):  5 x 4

A      (3d array):  15 x 3 x 5
B      (3d array):  15 x 1 x 5
Result (3d array):  15 x 3 x 5

A      (3d array):  15 x 3 x 5
B      (2d array):       3 x 5
Result (3d array):  15 x 3 x 5

A      (3d array):  15 x 3 x 5
B      (2d array):       3 x 1
Result (3d array):  15 x 3 x 5

  • 例子

    import numpy as np

a = np.array([[[1, 2, 3], [4, 5, 6]]])
b = np.array([[[1, 2, 3]]])
print('a.shape={},b.shape={},a+b={}'.format(a.shape, b.shape, a + b))

c = np.tile(b, (1, 2, 1))
print('a.shape={},c.shape={},a+c={}'.format(a.shape, c.shape, a + c))
"""
a.shape=(1, 2, 3),b.shape=(1, 1, 3),a+b=[[[2 4 6]
  [5 7 9]]]
a.shape=(1, 2, 3),c.shape=(1, 2, 3),a+c=[[[2 4 6]
  [5 7 9]]]
"""

array 间拼接

  • np.concatenate(arrays, axis=None, dtype=None)
    用途最广泛的函数. arrays 每个元素必须有相同的 dim.
    下面方法能用到的场景, 该方法也都可以.
    深度学习中, 也都是用这个方法名.

  • np.stack(arrays, axis=0)
    将若干个 shape相同 的 array_like 对象拼接在一起.

  • 纵向拼接

    • np.vstack(tup), vertical stack.
    • np.row_stack = vstack
      以上两个等价于 np.stack(tup, axis=0), 但不要求 first axis 相等, 更实用.

  • 横向拼接

    • np.hstack(tuple), horizontal stack.
      即可. 如 a.shape=(3,4), b.shape=(3,1) , 那么拼接后的shape为(3,5).
    • np.column_stack(tup)
      这里并没有看到 column_stack= hstack, 但应该是一致的.

  • 例子

import numpy as np

a = [1, 2, 3]
b = [5, 6, 7]
c = [a, b]

x = np.stack((a, b))
y = np.row_stack((a, b))
"""
array([[1, 2, 3],
       [5, 6, 7]])
"""
# ValueError: all input arrays must have the same shape
# z = np.stack((a,c))

z = np.row_stack((a, c))
"""
array([[1, 2, 3],
       [1, 2, 3],
       [5, 6, 7]])
"""

d = np.column_stack((a, b))
f = np.stack((a, b), axis=1)
"""
array([[1, 5],
       [2, 6],
       [3, 7]])
'"""

np.random

from numpy import random

常用函数

  • random.rand(*dn)
    随机生成 shape 为 rand(d0, d1, …, dn) 的, 值为 [0,1) 的数组.

  • random.standard_normal(size)
    Draw samples (draw 有抽取的意思) from a standard Normal distribution (mean=0, stdev=1), 即标准正态分布.

  • random.uniform(a,b)
    Get a random number in the range [a, b). By default, it’s [0,1)

  • random.randint(low, high=None, size=None, dtype=‘l’)
    产生[low,high)范围的int型随机数. 返回类型为int 或 ndarray.

  • random.choice(a, size=None, replace=True, p=None)
    从一维数组a中按指定概率作随机采样.

    • a, 待抽样的数据总体
    • size, 抽取个数
    • 是否有放回
    • p, 不指定概率时, 就按均匀分布抽取

  • np.random.permutation(x) -> 一维数组
    返回随机打散后的数组排列, 等价于对数组作 shuffle.
    当 x 为数组时, 属于典型用法.
    当 x 为int时, 等价于先生成 range(0,x) 的数组再打散排列.

例子

from numpy import random
arr=random.standard_normal((2,3))
print(arr.__class__,'\n',arr)
num = random.uniform(0,1)
print(num.__class__,num)
"""
<class 'numpy.ndarray'> 
 [[ 0.27243397 -0.83744812 -0.33860031]
 [-1.36952477 -1.06641186 -0.4565501 ]]
<class 'float'> 0.06643459053873624
"""

ndarray 与 matrix

凡是能用 matrix 的地方, ndarray 也都能满足.
ndarray 可以是多维的, 而matrix只能是二维的, 严格对应数学教材中的矩阵.
matrix.I 矩阵的逆
mat1*mat2 矩阵的乘法.

  • 例子
#coding=utf-8
import numpy as np

arr1=np.array([[1,2],
          [3,4]])
arr2=np.array([[1,2],
          [3,4]])

mat1=np.matrix(arr1)
mat2=np.matrix(arr2)
print mat1*mat2 #矩阵乘法,对应np.dot(a,b)
print ('Inverse',mat1.I)    #矩阵的逆

ndarray 与 list 的互相转换

  • np.array(object,dtype)
  • np.tolist(self)

格式化 print

当 数组尺寸较大, 直接打印会有 ‘…’ 省略, 若是 debug 场景, 则需展现全部元素, 怎么办?

1. np.set_printoptions(edgeitems,linewidth)

该 api 参数众多, 最常用的是这俩.

  • edgeitems=n, 是说数组的一行中, 前n个和后n个作展现, 中间就是省略号. ndarray 是多维数组, 可以把 某层级的 数组当成是 更上一层级的元素, 也遵循 edgeitems 的约定.
# edgeitems=2
[[1. 0. ... 0. 0.]
[0. 1. ... 1. 1.]
...
[1. 1. ... 0. 1.]
[0. 0. ... 1. 0.]]

# edgeitems=3
[[1. 0. 0. ... 0. 0. 0.]
[0. 1. 1. ... 1. 1. 1.]
[0. 1. 0. ... 0. 0. 0.]
...
[1. 1. 1. ... 1. 1. 0.]
[1. 1. 1. ... 0. 0. 1.]
[0. 0. 0. ... 1. 1. 0.]]
  • linewidth 一行的宽度, 单位是字符, 不是元素个数.

2. ndarray.tolist()

很直观, 不再赘述.

内存数组<->文件的 序列与反序列化

str 格式, 可读性高

the following method is intuitive.
np.ndarray -> list -> json_str(持久化且人易读) -> list -> np.array(list_obj)
code sample:

import json
import numpy as np

np_arr = np.array([[1, 2], [7, 8]])
json_str = json.dumps(np_arr.tolist())
arr = json.loads(json_str)
restore_np = np.array(arr)
# True
print((np_arr == restore_np).all())

.npy文件

np.load和np.save是读写磁盘数组数据的两个主要函数，默认情况下，数组是以未压缩的原始二进制格式保存在扩展名为.npy的文件中。

.npz文件

如果你想将多个数组保存到一个文件中的话，可以使用numpy.savez函数。

  • savez(), 函数的第一个参数是文件名，其后的参数都是需要保存的数组.
  • np.load(npzFIle)
  • NpzFile.files 该字段代表着保存的数组名称
  • NpzFile[arrName], 返回指定的数组.

代码示例

import numpy
import numpy as np

# 存储单个 np数组
a = np.arange(5)
np.save('test.npy', a)

# 加载 npz 格式的多数组文件
d = np.load('C:/Users/yichu.dyc/Downloads/ihdp_npci_1-100.train.npz')  # type: np.lib.npyio.NpzFile
# ['ate', 'mu1', 'mu0', 'yadd', 'yf', 'ycf', 't', 'x', 'ymul']
d.files
# (672, 25, 100)
d['x'].shape
yichudu
关注
  • 3
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Python3.3Numpy函数库
12-01
**Python3.3 Numpy函数库** 在编程领域，尤其是数据科学和数据分析中，Python语言因其易读性强、丰富的库支持以及强大的社区而备受青睐。其中，Numpy是Python科学计算的核心库，专为处理大型多维数组和矩阵设计，...
[numpy]数组数据类型的解释
weixin_39564592的博客
07-31 485
dtype(’<U1’) <:表示字节序，小端（最低有效字节存放在最小地址） U:代表unidcode 1:表示数组中元素的最大长度 import numpy as np np.array(['a','b']).dtype #output:dtype('<U1') np.array(['aB','b']).dtype #output:dtype('<U2') TBC ...
python扩展库numpy学习
qq_42642142的博客
05-22 1056
numpy简介 NumPy是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。它整合了C/C++代码的工具，使用时又很像Matlab，还包括了线性代数、傅里叶变换、随机数生成等功能。 在使用numpy库之前你需要安装numpy库： Windows下按Win+r输入cmd之后输入pip install numpy等待下载安装完毕之后显示Successfully collected pacges:numpy表示成功。 或者可以导入numpy模块并生成4*
Python中Numpy库基本语法整理
最新发布
wbxqwq的博客
07-01 501
三维: (x,y,z) 代表长宽高分别为x,y,z的三维数组。往整数数组插入浮点数，小数部分会被截取，同理向浮点型数组插入整数，整数会变为浮点数。不同维度数组，区别在于中括号数目的不同，一、二、三维数组中括号数量为1，2，3。与单个系数进行运算，就是每个元素分别对其进行运算，得到的矩阵规模不变。当矩阵乘积中混有向量时，根据需求，其可充当行矩阵，也可充当列矩阵，数组的形状参数：一维:x 代表有x个元素的一维数组。运算是每个相同位置的元素进行一次运算，和矩阵的乘法不同。
numpy的stack大白话解释
qq_39998370的博客
07-19 1806
numpy中stack函数的大白话解释 很多人在处理数组的时候都会用到stack()这个函数，今天就让这个萌新给大家详细解释加实验一下stack函数 我们设置两个数组 a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) b = np.array([[9, 10, 11], [11,12,13], [14, 15,16]]) 这是a数组的样子： 这是b数组的样子： ** 现在我们将用这两个数组来对axis=0这三个参数的stack()进行解释： ** c=np
python实现数字和数组合并
weixin_41169280的博客
11-16 1180
将两个数组合并，可以简单的通过np.stack((a,b),axis=1)或者np.concatenate((a,b),axis=1)实现。考虑到a此时是0维，而b的数据集中在第0维度，手动给a增加维度可以实现合并。
《手把手陪您学Python》50——数组的dtype属性
mnpy2019的博客
04-26 3737
在上一篇《手把手陪您学Python》49——数组的shape属性中，我们对数组的“形状”及其表示方式有了更为深入的了解。 今天，我们将会继续学习数组的属性，但不是与数组“形状”有关的属性了，而是与数组数据类型有关的dtype属性。 1、数据类型 对于“数据类型”这个字眼我们并不陌生，它指的就是数据的大类或者说Python的对象。 在入门阶段，我们学习的数字、字符串、布尔值、列表、元组、集合、字典，以及我们刚刚学习的数组，都是不同的数字类型。 其中，数字还可以分为整型、浮点型，甚至可以根据数位和精度
numpy stack vstack hstack concatenate
eclipsycn的博客
01-18 778
基本都用作连接字符串，只是连接维度不同，而且hstack和vstack 相对于stack，不受两个字符串shape必须相同的限制。import numpy as np test_1 = np.array([[1, 2, 3], [4, 5, 6]]) test_2 = np.array([[11, 12, 13], [14, 15, 16]]) #按照维度，如果axis = 2, 就是dim = 2
任务2.3 NumPy数值计算基础.py_numpy_python_
10-03
在Python编程语言中，NumPy库是用于处理大型多维数组和矩阵的工具，它是科学计算的核心库。这个“任务2.3 NumPy数值计算基础.py”文件显然旨在介绍NumPy的基本概念和功能，让我们深入探讨一下NumPy在数值计算方面的...
python常用第三方库下载numpy/pandas
08-18
本篇文章主要聚焦于四个常用的Python第三方库：Numpy、Pandas、Matplotlib和Openpyxl，这些库在数据处理、数据分析和可视化领域发挥着重要作用。 首先，Numpy（Numerical Python）是Python科学计算的核心库，提供了...
Python库 | nn_numpy-0.0.1-py3-none-any.whl
05-08
资源分类：Python库 所属语言：Python 资源全名：nn_numpy-0.0.1-py3-none-any.whl 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
Python库 | preconvert_numpy-0.0.1-py3-none-any.whl
02-20
`preconvert_numpy`是一个Python库，其版本为0.0.1，专为Python 3设计，支持任何平台（"py3-none-any"）。`.whl`文件是Python的轮子文件，它是一个预先构建的软件包，用户可以方便地通过pip安装，无需编译步骤，大大...
Python NumPy 学习记录（三）数组操作
soderayer的博客
05-13 1330
1.数组创建 import numpy as np arr=np.array([1,2,3,4,5,6])#1-D数组 arr1=np.array([[1,2],[3,4],[5,6]])#2-D数组 print(arr);print(arr1) [1 2 3 4 5 6] [[1 2] [3 4] [5 6]] 2.数组索引 import numpy as np arr=np.array([1,2,3,4,5,6])#1-D数组 arr1=np.array([[1,2],[3,4],
numpy数据类型
厚积薄发
04-23 863
Python数据分析：numpy数据类型 常用numpy基本类型： 名称 描述 bool_ 布尔型数据类型（True 或者 False） int_ 默认的整数类型（类似于 C 语言中的 long，int32 或 int64） intc 与 C 的 int 类型一样，一般是 int32 或 int 64 intp 用于索引的整数类型（类似于 C 的 ssize_t，一般情...
numpy入门笔记
lxyker的博客
05-31 1146
导入numpy库，一般设置别名为np import numpy as np np.__version__ '1.18.1' 创建ndarray n dimension array n维矩阵 1、使用np.array()由python list创建 li = [1, 2, 3, 4, 5] n = np.array(li) display(li, n) # li是列表，但是n是array [1, 2, 3, 4, 5] array([1, 2, 3, 4, 5]) li1 = [1.0,
No.0.0.2 numpy全总结
Captain_DUDU的博客
11-30 1778
import numpy as np arr=np.array([1,2,3,4,5]) arr array([1, 2, 3, 4, 5]) arr=np.array(['a','b',3,4,5]) arr array(['a', 'b', '3', '4', '5'], dtype='<U1') list_1=[i for i in range(100)] np.array(list_1) array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9,
python3 自然语言处理_Python自然语言处理(三) -- 利用NLTK进行聚类
weixin_39583521的博客
12-05 387
这篇文章介绍如何利用ＮＬＴＫ进行聚类，和上两篇文章Python自然语言处理(一)、Python自然语言处理(二)不同，聚类不能算作自然语言处理的内容，但可以很容易应用到NLP中，因此将其划分到自然语言处理下。－－－－－－－－－－－－－－－－－－－进入正题－－－－－－－－－－－－－－－－－－－－nltk内部封装了常用的聚类方法：Kmeans(K均值)、混合高斯聚类以及GAAC(组平均层次聚类)使用这...
【Python numpy】创建Ndarray数组对象
m0_62599305的博客
10-21 1077
NumPy（Numerical Python）是Python科学计算中一个重要的库，它提供了高性能的多维数组对象（ndarray）和丰富的数学函数，使得科学计算和数据分析更加便捷和高效。NumPy的核心是ndarray，这是一个多维数组对象，用于存储和操作大量数据。本文将介绍如何创建ndarray数组对象，为你提供一个入门到NumPy的基础。参数说明：object：可以是Python列表、元组、其他序列对象，或者其他支持数组接口的对象。这是创建数组的输入数据。
python+numpy库安装
11-24
安装Python和numpy库的步骤如下： 1. 首先，你需要下载并安装Python。你可以从官方网站https://www.python.org/downloads/下载Python的最新版本。 2. 下载numpy库。你可以从官方网站https://numpy.org/install/...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值