学习笔记6

最新推荐文章于 2023-04-14 15:08:54 发布
最新推荐文章于 2023-04-14 15:08:54 发布
阅读量57 收藏
点赞数
文章标签： numpy python 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/intfen/article/details/126256375
版权

​
​

活动地址：CSDN21天学习挑战赛

学习日记


1，学习知识点

numpy进阶

2，学习遇到的问题

没有问题

3，学习的收获

一、数组操作
1. 查看数据形状
2. 修改数组形状
3. 数组和数的计算
4. 数组和数组的计算
5. 数组中的转置
6. 数组的拼接
7. 数组的行列交换
8. 数组中的clip(裁剪)
9. 数组中数值的修改
二、numpy常用方法
1. 小技巧
2. 生成随机数
3. 注意点copy和view

4，实操

一、数组操作

1. 查看数据形状

```python
>>> a1 = np.array([1,2,3,4,5])
>>> a1
array([1, 2, 3, 4, 5])
>>> a1.shape
(5,) # 括号内1个值表示一维数组

>>> a2 = np.array([[1,2,3,4],[5,6,7,8]])
>>> a2
array([[1, 2, 3, 4],
       [5, 6, 7, 8]])
>>> a2.shape 
(2, 4) # 括号2个值表示二维数组

>>> a3 = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
>>> a3
array([[[ 1,  2,  3],
        [ 4,  5,  6]],

       [[ 7,  8,  9],
        [10, 11, 12]]])
>>> a3.shape
(2, 2, 3) # 括号3个值表示三维数组

2. 修改数组形状

语句：reshape(shape, order='C' )

作用：不改变数据的条件下修改形状

参数说明：

  • shape：形状
  • order：C-按行，‘F’-- 按列，‘A’–原顺序，‘k’ -元素在内存中的出现顺序
>>>a = np.array([[1,2,3,4],[5,6,7,8]])
>>> a.reshape(4,2)
array([[1, 2],
       [3, 4],
       [5, 6],
       [7, 8]])
# 再次查看数组形状发现只是临时修改      
>>> a.shape
(2, 4)
# 可以用一个变量来接收返回值
>>> b = a.reshape(4,2)
>>> b
array([[1, 2],
       [3, 4],
       [5, 6],
       [7, 8]])

语句：flatten( order='C')

作用：展平的数组元素并拷贝一份，顺序通常是"C风格"

注意：修改返回的数组不会对原数组产生影响

参数说明：

  • order：‘C’-按行，‘F’–按列，‘A’–原顺序，‘k’ -元素在内存中的出现顺序
>>> c = np.array([[1, 2],[3, 4],[5, 6],[7, 8]])
>>> c
array([[1, 2],
       [3, 4],
       [5, 6],
       [7, 8]])
>>> c.shape
(4, 2)
# 方法1
>>> c.reshape(c.shape[0]*c.shape[1],)
array([1, 2, 3, 4, 5, 6, 7, 8])
#  方法2
>>> c.flatten()
array([1, 2, 3, 4, 5, 6, 7, 8])

3. 数组和数的计算

numpy的广播机制造成的,在运算过程中,加减乘除的值被广播到所有的元素上面.


>>> a = np.array([[1,2,3,4,5],[6,7,8,9,10]])
>>> a
array([[ 1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10]])
>>> a + 1
array([[ 2,  3,  4,  5,  6],
       [ 7,  8,  9, 10, 11]])
>>> a - 1
array([[0, 1, 2, 3, 4],
       [5, 6, 7, 8, 9]])
>>> a * 2
array([[ 2,  4,  6,  8, 10],
       [12, 14, 16, 18, 20]])
>>> a / 10
array([[0.1, 0.2, 0.3, 0.4, 0.5],
       [0.6, 0.7, 0.8, 0.9, 1. ]])

4. 数组和数组的计算

两数组相同维度下加减乘除


>>> a = np.array([[1,2,3,4,5],[6,7,8,9,10]])
>>> a
array([[ 1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10]])
>>> b = np.arange(11,21).reshape(2,5)
>>> b
array([[11, 12, 13, 14, 15],
       [16, 17, 18, 19, 20]])
>>> a + b
array([[12, 14, 16, 18, 20],
       [22, 24, 26, 28, 30]])
>>> a - b
array([[-10, -10, -10, -10, -10],
       [-10, -10, -10, -10, -10]])
>>> a * b
array([[ 11,  24,  39,  56,  75],
       [ 96, 119, 144, 171, 200]])
>>> a / b
array([[0.09090909, 0.16666667, 0.23076923, 0.28571429, 0.33333333],
       [0.375     , 0.41176471, 0.44444444, 0.47368421, 0.5       ]])

二行5列 VS 一行5列


>>> a = np.arange(1,6).reshape(5,)
>>> a
array([1, 2, 3, 4, 5])
>>> b = np.arange(11,21).reshape(2,5)
>>> b
array([[11, 12, 13, 14, 15],
       [16, 17, 18, 19, 20]])
>>> a + b
array([[12, 14, 16, 18, 20],
       [17, 19, 21, 23, 25]])
>>> a * b
array([[ 11,  24,  39,  56,  75],
       [ 16,  34,  54,  76, 100]])

2行一列 VS 2行5列


>>> a = np.arange(1,3).reshape(2,1)
>>> a
array([[1],
       [2]])
>>> b = np.arange(11,21).reshape(2,5)
>>> b
array([[11, 12, 13, 14, 15],
       [16, 17, 18, 19, 20]])
>>> a + b
array([[12, 13, 14, 15, 16],
       [18, 19, 20, 21, 22]])
>>> a * b
array([[11, 12, 13, 14, 15],
       [32, 34, 36, 38, 40]])

不同维度

>>> a = np.arange(1,13).reshape(3,4)
>>> a
array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12]])
>>> b = np.arange(1,11).reshape(2,5)
>>> b
array([[ 1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10]])
>>> a + b
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ValueError: operands could not be broadcast together with shapes (3,4) (2,5)

5. 数组中的转置

转置是一种变换,对于numpy中的数组来说,就是在对角线方向交换数据,目的也是为了更方便的去处理数据

>>> t
array([[ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11],
       [12, 13, 14, 15, 16, 17]])

>>> t.transpose()
array([[ 0,  6, 12],
       [ 1,  7, 13],
       [ 2,  8, 14],
       [ 3,  9, 15],
       [ 4, 10, 16],
       [ 5, 11, 17]])
>>> t.swapaxes(1,0)
array([[ 0,  6, 12],
       [ 1,  7, 13],
       [ 2,  8, 14],
       [ 3,  9, 15],
       [ 4, 10, 16],
       [ 5, 11, 17]])
>>> t.T
array([[ 0,  6, 12],
       [ 1,  7, 13],
       [ 2,  8, 14],
       [ 3,  9, 15],
       [ 4, 10, 16],
       [ 5, 11, 17]])

以上的三种方法都可以实现二维数组的转置的效果,大家能够看出来,转置和交换轴的效果一样

6. 数组的拼接

数组水平或者竖直拼接很简单，但是拼接之前应该注意什么？
竖直拼接的时候：每一列代表的意义相同！！！否则牛头不对马嘴

如果每一列的意义不同，这个时候应该交换某一组的数的列，让其和另外一类相同

>>> t1 = np.arange(0,12).reshape(2,6)
>>> t1
array([[ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11]])
>>> t2 = np.arange(12,24).reshape(2,6)
>>> t2
array([[12, 13, 14, 15, 16, 17],
       [18, 19, 20, 21, 22, 23]])

>>> np.vstack((t1,t2)) # 竖直拼接
array([[ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11],
       [12, 13, 14, 15, 16, 17],
       [18, 19, 20, 21, 22, 23]])
       
>>> np.hstack((t1,t2)) # 水平拼接
array([[ 0,  1,  2,  3,  4,  5, 12, 13, 14, 15, 16, 17],
       [ 6,  7,  8,  9, 10, 11, 18, 19, 20, 21, 22, 23]])

7. 数组的行列交换

>>> t = np.arange(12,24).reshape(3,4)
>>> t
array([[12, 13, 14, 15],
       [16, 17, 18, 19],
       [20, 21, 22, 23]])
>>> t[[1,2],:] = t[[2,1],:] # 行交换
>>> t
array([[12, 13, 14, 15],
       [20, 21, 22, 23],
       [16, 17, 18, 19]])
>>> t[:,[0,2]] = t[:,[2,0]] # 列交换
>>> t
array([[14, 13, 12, 15],
       [22, 21, 20, 23],
       [18, 17, 16, 19]])

8. 数组中的clip(裁剪)

>>> t = np.arange(0,20).reshape(5,4)
>>> t
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15],
       [16, 17, 18, 19]])
>>> t.clip(9,10) # 小于9的修改为9，大于10的修改为10
array([[ 9,  9,  9,  9],
       [ 9,  9,  9,  9],
       [ 9,  9, 10, 10],
       [10, 10, 10, 10],
       [10, 10, 10, 10]])

9. 数组中数值的修改

>>> t = np.arange(0,20).reshape(5,4)
>>> t
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15],
       [16, 17, 18, 19]])
>>> t[0,0] = 100
>>> t
array([[100,   1,   2,   3],
       [  4,   5,   6,   7],
       [  8,   9,  10,  11],
       [ 12,  13,  14,  15],
       [ 16,  17,  18,  19]])
>>> t[:,0:2] = 0
>>> t
array([[ 0,  0,  2,  3],
       [ 0,  0,  6,  7],
       [ 0,  0, 10, 11],
       [ 0,  0, 14, 15],
       [ 0,  0, 18, 19]])
>>> # 把数组中小于20的数全部修改为0
>>> t[t<20] = 0
>>> t
array([[0, 0, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 0],
       [0, 0, 0, 0]])
>>> t[t==0] = 1 # 等于0的都修改为1
>>> t
array([[1, 1, 1, 1],
       [1, 1, 1, 1],
       [1, 1, 1, 1],
       [1, 1, 1, 1],
       [1, 1, 1, 1]])

二、numpy常用方法

1. 小技巧

1）获取最大值最小值的位置

# 一维数组
>>> t1
array([11, 12, 13, 14, 15, 16, 17, 18, 19])
>>> np.argmax(t1,axis=0) #返回最大值索引
8
>>> np.argmin(t1,axis=0) #返回最小值索引
0

# 多维数组就返回每行的最大或最小值
>>> t2 = np.arange(0,16).reshape(4,4)
>>> t2
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])
>>> np.argmax(t2,axis=0)
array([3, 3, 3, 3], dtype=int64)
>>> np.argmin(t2,axis=0)
array([0, 0, 0, 0], dtype=int64)

2）创建一个全0的数组: np.zeros((3,4))

>>> np.zeros((3,4))
array([[0., 0., 0., 0.],
       [0., 0., 0., 0.],
       [0., 0., 0., 0.]])

3）创建一个全1的数组：np.ones((3,4))

>>> np.ones((3,4))
array([[1., 1., 1., 1.],
       [1., 1., 1., 1.],
       [1., 1., 1., 1.]])

4）创建一个对角线为1的正方形数组(方阵)：np.eye(3)

>>> np.eye(3)
array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])
>>> np.eye(10)
array([[1., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 1., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 1., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 1., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 1., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 1., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 1., 0., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0., 1., 0.],
       [0., 0., 0., 0., 0., 0., 0., 0., 0., 1.]])

2. 生成随机数

方法说明
np.random.rand(d0, d1,.. dn)创建d0-dn维度的均匀分布的随机数数组，浮点数，范围从0-1
np.random.randn(d0,d1,. .dn)创建d0-dn维度的标准正态分布随机数，浮点数，平均数0，标准差1
np.random.randint(low, high,(shape)) (常用）从给定上下限范围选取随机数整数，范围是low,high,形状是shape
np.random.uniform( low, high,(size))产生具有均匀分布的小数数组，low起始值，high结束值，size形状
np.random.normal(loc, scale,(size))从指定正态分布中随机抽取样本，分布中心是loc (概率分布的均值) ,标准差是scale,形状是size
np.random.seed(s)随机数种子，s是给定的种子值。因为计算机生成的是伪随机数，所以通过设定相同的随机数种子，可以每次生成相同的随机数
>>> np.random.randint(10,20,(3,3))
array([[13, 15, 18],
       [18, 17, 15],
       [15, 10, 12]])
>>> np.random.randint(10,20,(3,3))
array([[17, 12, 16],
       [10, 10, 14],
       [15, 14, 12]])

3. 注意点copy和view

a=b 完全不复制，a和b相互影响
a = b[:],视图的操作，一种切片，会创建新的对象a，但是a的数据完全由b保管，他们两个的数据变化是一致的，
a = b.copy(),复制，a和b互不影响

intfen
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
100天精通Python（数据分析篇）——第50天：numpy进阶（数组操作、常用方法）
努力让自己发光，对的人才能迎着光而来
08-08 2万+
一、数组操作 1. 查看数据形状 2. 修改数组形状 3. 数组和数的计算 4. 数组和数组的计算 5. 数组中的转置 6. 数组的拼接 7. 数组的行列交换 8. 数组中的clip(裁剪) 9. 数组中数值的修改 二、numpy常用方法 1. 小技巧 2. 生成随机数 3. 注意点copy和view.........
Numpy 简单教程（二）数组的形状（shape）操作
超级超级小天才的博客
08-15 3369
更过的Numpy教程连载内容：https://blog.csdn.net/qq_38962621/category_10302107.html Numpy数组的形状（shape）操作 首先，使用 ndarray.shape 可以返回数组的形状 改变Numpy数组形状的方法 以下的操作均不改变原数组，而是返回一个新的更改后的数组： ndarray.ravel(): 返回展平后的数组，按照一行跟这一行的方式展开。Numpy创建数组的一般方式也是按照先创建一个展平的数组然后按行变形成数组的形式，所以一般的rav
Numpy——2.数组的形状
m0_51474171的博客
07-05 393
shape和reshape
numpy：数组的形状
zhangqiqiyihao的博客
10-10 4149
数组的形状即这个数组有几行几列 shape函数查看该数组的形状，输出为几行几列 import numpy as np t1=np.arange(12) print(t1) print(t1.shape) t2=np.array([[1,2,3],[4,5,6]]) print(t2) print(t2.shape) t3=np.array([[[1,2],[3,4],[5,6]],[[7,8],[9,10],[11,12]]]) print(t3) print(t3.shape) 输出： [ 0 1
python获取列表的形状
qq_45651243的博客
04-14 2239
今天想要获取数据集加载器迭代对象的形状时，无论使用shape还是size都不行，看了报错信息，发现数据集加载器迭代对象的类型是列表，于是便在csdn搜索“python获取列表形状”，但发现没有直接获取列表形状的方法，只能将列表类型转换为numpy数组或者tensor张量，再通过shape获取。
c++学习笔记6
02-03
最近一年的C++学习笔记，分享出来，文件已加密压缩，下载前请提前联系我！
Spring6学习笔记
01-04
Spring6学习笔记，师承老杜
AVR学习笔记6、模拟比较器和ADC实验.rar_avr学习笔记
09-21
AVR单片机学习笔记，可以适合初学者学习的资料
java学习笔记markdown
03-12
狂神说java学习笔记，markdown版
学习笔记学习笔记学习笔记
01-29
学习笔记学习笔记学习笔记
python查看数据类型的方法
01-01
python怎么查看数据类型? 第一步我们首先需要知道在python中查看变量数据类型是使用type()函数，type函数的用法如下图所示： 第二步我们打开py文件，输入 import numpy as npa1=123list=[1,2,3,4,5,6]array=np.array(list)print(type(a1)) 打印出a1变量的数据类型，如下图所示： 第三步运行py文件之后，可以看到a1变量是int类型，如下图所示： 第四步输入 print(type(list))print(type(array)) 打印出list变量和array变量的类型，如下图所示： 第五步运行
【Python】数组的分析
xudahai513的博客
09-11 1205
#数组的形状 shape #一维数组 a=np.array([1,2,3]) print(a.shape) print("#"*44) #二维数组 a1=np.array([[1,2,3],[6,7,8]]) print(a1.shape) print("#"*44) #三维数组 a2=np.array([ [ [1,2,3],[6,7,8] ], [ [11,12,13],[14,15,16] ] ]) print(a2.shape).
【NLP】LSTM 唐诗生成器
x66ccff
10-21 4256
目标：使用 github 唐诗宋词数据库的 json 数据，训练一共唐诗生成器
numpy库数组属性查看：类型、尺寸、形状、维度
热门推荐
山中有石为玉
06-04 12万+
import numpy as np a1 = np.array([1,2,3,4],dtype=np.complex128) print(a1) print("数据类型",type(a1)) #打印数组数据类型 print("数组元素数据类型：",a1.dtype) #打印数组元素数据类型 print("数组元素总数：",a1.size) ...
numpy中查看数组的形状和改变数组的维度
qq_43192537的博客
03-05 1616
1. 查看数组的形状 2. 改变数组的维度
Numpy中使用ndim属性查看numpy数组的维度、使用shape属性查看numpy数组的形状
sdgfbhgfj的博客
03-28 3840
Numpy中使用ndim属性查看numpy数组的维度、使用shape属性查看numpy数组的形状
Torch和Numpy——查看形状类型
ssunshining的博客
07-25 2755
查看形状类型
numpy的形状
Weary_PJ的博客
01-21 866
Python 数据分析 之numpy的形状 —b站 python数据分析(黑马程序员) 1.查看数组的形状,shape t1 = np.arange(12) print(t1.shape) t2 = np.array([[1, 2, 3, 4, 5], [2, 3, 4, 5, 6]]) print(t2.shape) (12,) (2, 5) Process ...
shape 查询
Lq_joe的博客
12-08 440
查询包含索引字段（使用shape类型）的文档。 需要shape mapping. 该查询支持两种定义目标形状的方法，一种是提供完整的形状定义，另一种是引用在另一个索引中预先索引的形状的name或id。下面用示例定义了这两种格式。 内联的形状定义 与geo_shape查询类似，形状查询使用GeoJSON或知名文本(WKT)来表示形状。 如下： PUT /example { "mappings": { "properties": { "geometry": {
6.824 bitcoin 学习笔记
最新发布
09-01
很抱歉，但是我无法为你提供关于"6.824 bitcoin 学习笔记"的答案。<span class="em">1</span><span class="em">2</span><span class="em">3 #### 引用[.reference_title] - *1* *2* *3* [2020 MIT 6.824 分布式系统...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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