NumPy 迭代数组 nditer
https://www.runoob.com/numpy/numpy-terating-over-array.html
numpy.bincount详解
https://blog.csdn.net/xlinsist/article/details/51346523
大致说bin的数量比x中的最大值大1，每个bin给出了它的索引值在x中出现的次数。
# 我们可以看到x中最大的数为7，因此bin的数量为8，那么它的索引值为0->7
x = np.array([0, 1, 1, 3, 2, 1, 7])
# 索引0出现了1次，索引1出现了3次......索引5出现了0次......
np.bincount(x)
#因此，输出结果为：array([1, 3, 1, 1, 0, 0, 0, 1])
# 我们可以看到x中最大的数为7，因此bin的数量为8，那么它的索引值为0->7
x = np.array([7, 6, 2, 1, 4])
# 索引0出现了0次，索引1出现了1次......索引5出现了0次......
np.bincount(x)
#输出结果为：array([0, 1, 1, 0, 1, 0, 1, 1])
weights这个参数。文档说，如果weights参数被指定，那么x会被它加权，也就是说，如果值n发现在位置i，那么out[n] += weight[i]而不是out[n] += 1.**因此，我们weights的大小必须与x相同，否则报错。
w = np.array([0.3, 0.5, 0.2, 0.7, 1., -0.6])
# 我们可以看到x中最大的数为4，因此bin的数量为5，那么它的索引值为0->4
x = np.array([2, 1, 3, 4, 4, 3])
# 索引0 -> 0
# 索引1 -> w[1] = 0.5
# 索引2 -> w[0] = 0.3
# 索引3 -> w[2] + w[5] = 0.2 - 0.6 = -0.4
# 索引4 -> w[3] + w[4] = 0.7 + 1 = 1.7
np.bincount(x, weights=w)
# 因此，输出结果为：array([ 0. , 0.5, 0.3, -0.4, 1.7])
最后，我们来看一下minlength这个参数。文档说，如果minlength被指定，那么输出数组中bin的数量至少为它指定的数（如果必要的话，bin的数量会更大，这取决于x）
# 我们可以看到x中最大的数为3，因此bin的数量为4，那么它的索引值为0->3
x = np.array([3, 2, 1, 3, 1])
# 本来bin的数量为4，现在我们指定了参数为7，因此现在bin的数量为7，所以现在它的索引值为0->6
np.bincount(x, minlength=7)
# 因此，输出结果为：array([0, 2, 1, 2, 0, 0, 0])
# 我们可以看到x中最大的数为3，因此bin的数量为4，那么它的索引值为0->3
x = np.array([3, 2, 1, 3, 1])
# 本来bin的数量为4，现在我们指定了参数为1，那么它指定的数量小于原本的数量，因此这个参数失去了作用，索引值还是0->3
np.bincount(x, minlength=1)
# 因此，输出结果为：array([0, 2, 1, 2])
np.add.at
| 函数 | 含义 | 举例 |
|---|---|---|
| np.add.accumulate() | 累加 （每一个位置的元素和前面的所有元素加起来求和） | >>> np.add.accumulate([1,2,3]) array([1, 3, 6], dtype=int32) |
| np.add.reduce() | 连加 (将所有元素加在一起求和) | >>> np.add.reduce([1,2,3,4,5]) 15 |
| np.add.at() | 将传入的数组中制定下标位置的元素加上指定的值 | >>> x=np.array([1,2,3,4]) #将x中下标为0和为2的元素加上了3 >>> np.add.at(x,[0,2],3) >>> x array([4, 2, 6, 4]) ------------------------------------ >>> a = np.array([1, 2, 3, 4]) #在a[0]的位置上加1，在a[1]的位置上加2 >>> b = np.array([1, 2]) >>> np.add.at(a, [0, 1], b) >>> print(a) array([2, 4, 3, 4]) |
| np.add.outer() | 将第一个列表或数组中的每个元素依次加到 第二个列表或数组中的每个元素，得到每一行 | >>> np.add.outer([1,2,3],[4,5,6,7]) array([[ 5, 6, 7, 8],[ 6, 7, 8, 9], [ 7, 8, 9, 10]]) |
| np.add.reduceat(x,list) | 在各切片上作reduce运算, 根据传入的list(第二个参数)作指定的变化，传入的list中的数字是成对出现的 | >>> x=np.arange(8) ’’’ |
获得点积 dot prodcut的对角线?
(提示: np.diag)
In [ ]:
# A = np.random.uniform(0,1,(5,5))
# B = np.random.uniform(0,1,(5,5))
# # slow version
# np.diag(np.dot(A, B))
In [ ]:
## 方法2
# # Fast version
# np.sum(A * B.T, axis=1)
In [ ]:
## 方法3
# # Faster version
# np.einsum("ij,ji->i", A, B)
NumPy einsum
https://cloud.tencent.com/developer/article/1369762
numpy.roll()
numpy.roll(a, shift, axis=None)
函数解释：沿着给定轴滚动数组元素。超出最后位置的元素将会滚动到第一个位置。
（将a，沿着axis的方向，滚动shift长度）
参数：
a : (array_like)
输入数组
shift : (int or tuple of ints)
滚动的长度。如果是提供元组的话，下面的轴参数的维度也应该跟shift维度一样。
axis : (int or tuple of ints, optional)
滚动的维度，0为垂直滚动，1为水平滚动（默认情况下，即参数为None时，数组在移位之前会被变成扁平化，之后会恢复原始形状。）
返回值：res : 输出数组（维度和a一样）
>> x = np.arange(10) # x例子 array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) >> np.roll(x, 2) # axis为None，则会先进行扁平化，然后再向水平滚动2个位置 array([8, 9, 0, 1, 2, 3, 4, 5, 6, 7]) >> x2 = np.reshape(x, (2,5)) # x2例子 array([[0, 1, 2, 3, 4], [5, 6, 7, 8, 9]]) >> np.roll(x2, 1) # axis为None，则会先进行扁平化，然后再向水平滚动1个位置 array([[9, 0, 1, 2, 3], [4, 5, 6, 7, 8]]) >> np.roll(x2, 1, axis=0) # 5列同时向垂直方向滚动1个位置 array([[5, 6, 7, 8, 9], [0, 1, 2, 3, 4]]) >> np.roll(x2, 1, axis=1) # 2行同时向水平方向滚动1个位置 array([[4, 0, 1, 2, 3], [9, 5, 6, 7, 8]])ndarray.view()
ndarray.view() 方会创建一个新的数组对象，该方法创建的新数组的维数更改不会更改原始数据的维数。
import numpy as np # 最开始 a 是个 3X2 的数组 a = np.arange(6).reshape(3,2) print ('数组 a：') print (a) print ('创建 a 的视图：') b = a.view() print (b) print ('两个数组的 id() 不同：') print ('a 的 id()：') print (id(a)) print ('b 的 id()：' ) print (id(b)) # 修改 b 的形状，并不会修改 a b.shape = 2,3 print ('b 的形状：') print (b) print ('a 的形状：') print (a)
数组 a： [[0 1] [2 3] [4 5]] 创建 a 的视图： [[0 1] [2 3] [4 5]] 两个数组的 id() 不同： a 的 id()： 4314786992 b 的 id()： 4315171296 b 的形状： [[0 1 2] [3 4 5]] a 的形状： [[0 1] [2 3] [4 5]]简单的赋值不会创建数组对象的副本。 相反，它使用原始数组的相同id()来访问它。 id()返回 Python 对象的通用标识符，类似于 C 中的指针。
此外，一个数组的任何变化都反映在另一个数组上。 例如，一个数组的形状改变也会改变另一个数组的形状。
使用切片创建视图修改数据会影响到原始数组
副本或深拷贝
ndarray.copy() 函数创建一个副本。 对副本数据进行修改，不会影响到原始数据，它们物理内存不在同一位置。
repeat
(1)numpy.repeat(a,repeats,axis=None);
(2)object(ndarray).repeat(repeats,axis=None):
参数的意义：axis=None，时候就会flatten当前矩阵，实际上就是变成了一个行向量
axis=0,沿着y轴复制，实际上增加了行数
axis=1,沿着x轴复制，实际上增加列数
repeats可以为一个数，也可以为一个矩阵，具体区别我们从以下实例中就会发现
>>> c=np.array(([1,2],[3,4]))
>>> print(c)
[[1 2]
[3 4]]
>>> np.repeat(c,2)
array([1, 1, 2, 2, 3, 3, 4, 4])axis=0情况下可以看出讲数据安装在磁盘存储格式（先行后列）逐个元素复制repeats次，形成一个行向量
>>> np.repeat(c,2,axis=1)
array([[1, 1, 2, 2],
[3, 3, 4, 4]])
>>> np.repeat(c,2,axis=0)
array([[1, 2],
[1, 2],
[3, 4],
[3, 4]])
>>> np.repeat(c,[2,3],axis=0)
array([[1, 2],
[1, 2],
[3, 4],
[3, 4],
[3, 4]])
np.lib.stride_tricks.as_strided 详解
https://blog.csdn.net/weixin_46559271/article/details/105188300
Numpy之itemsize
itemsize输出array元素的字节数
np.add
| 函数 | 含义 | 举例 |
|---|---|---|
| np.add.accumulate() | 累加 （每一个位置的元素和前面的所有元素加起来求和） | >>> np.add.accumulate([1,2,3]) array([1, 3, 6], dtype=int32) |
| np.add.reduce() | 连加 (将所有元素加在一起求和) | >>> np.add.reduce([1,2,3,4,5]) 15 |
| np.add.at() | 将传入的数组中制定下标位置的元素加上指定的值 | >>> x=np.array([1,2,3,4]) #将x中下标为0和为2的元素加上了3 >>> np.add.at(x,[0,2],3) >>> x array([4, 2, 6, 4]) ------------------------------------ >>> a = np.array([1, 2, 3, 4]) #在a[0]的位置上加1，在a[1]的位置上加2 >>> b = np.array([1, 2]) >>> np.add.at(a, [0, 1], b) >>> print(a) array([2, 4, 3, 4]) |
| np.add.outer() | 将第一个列表或数组中的每个元素依次加到 第二个列表或数组中的每个元素，得到每一行 | >>> np.add.outer([1,2,3],[4,5,6,7]) array([[ 5, 6, 7, 8],[ 6, 7, 8, 9], [ 7, 8, 9, 10]]) |
| np.add.reduceat(x,list) | 在各切片上作reduce运算, 根据传入的list(第二个参数)作指定的变化，传入的list中的数字是成对出现的 | >>> x=np.arange(8) ’’’ |
unpackbits函数可以把整数转化成2进制数。
1038
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
