Python中的numpy包

最新推荐文章于 2024-05-15 09:30:47 发布
最新推荐文章于 2024-05-15 09:30:47 发布
阅读量8.8k 收藏 7
点赞数
分类专栏： python 文章标签： python
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/lilanfeng1991/article/details/42424089
版权

本文参考来源：

1. Basics

Numpy包中array【是ndarray class的】要求有相同的类型，维数被称作axes，axes的number是rank（秩），它与 Standard Python Library中的class array不同【仅能处理一维array】，可处理多维。

ndarray
namedecription
ndarray.ndimarray的axes【维数】
ndarry.shapetuple整数，每一个dimension的size
ndarray.sizearray中的所有elemnts的个数
ndarray.dtypearray中elements的type
ndarray.itemsizearray中每个element的size的byytes
ndarray.databuffer中包含的array中的实际的array


examples：

from numpy import *
a = arange(15).reshape(3, 5)
a

array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])
a.shape
Out[5]: (3, 5)
a.ndim
Out[6]: 2
a.dtype.name
Out[7]: 'int32'
a.itemsize
Out[8]: 4
a.size
Out[9]: 15
type(a)
Out[10]: numpy.ndarray
b = array([6, 7, 8])
b
Out[12]: array([6, 7, 8])
type(b)
Out[13]: numpy.ndarray

2. array的creation、printing、basic operations

（1）array的creation

数组的创建参数是list 

a = array( [2, 3, 4] )
a
Out[15]: array([2, 3, 4])
a.dtype
dtype('int32')
a = array(1, 2, 3, 4)  <strong>#会报错</strong>
a = array([1, 2, 3, 4])
a
Out[20]: array([1, 2, 3, 4])
b = array( [ (1.5, 2.3), (1.5, 6) ] )
b


array([[ 1.5,  2.3],
       [ 1.5,  6. ]])
Out[22]: 
  File "<ipython-input-23-f0983fa3e19c>", line 1
    Out[22]:
           ^
SyntaxError: invalid syntax


c = array( [ [1, 2], [3, 4] ], dtype=complex)
c
Out[25]: 
array([[ 1.+0.j,  2.+0.j],
       [ 3.+0.j,  4.+0.j]])


zeros创建一个全零的数组，ones创建全1的数组，empty创建初始值取决于memory的数组，默认的array的dtype是float64 

zeros( (3, 4) )
Out[26]: 
array([[ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.]])
ones( (2, 3, 4), dtype=int16 )
Out[27]: 
array([[[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]],

       [[1, 1, 1, 1],
        [1, 1, 1, 1],
        [1, 1, 1, 1]]], dtype=int16)
empty( (2, 3) )
Out[28]: 
array([[ 0.,  0.,  0.],
       [ 0.,  0.,  0.]])


生成序列数值的数组，使用arange，当生成的数组是float型，使用步长值较不确定，可使用linspace接收elements的个数。 

<pre name="code" class="python">arange( 10, 30, 5 )
Out[29]: array([10, 15, 20, 25])
arange( 0, 2, 0.3 )
Out[30]: array([ 0. ,  0.3,  0.6,  0.9,  1.2,  1.5,  1.8])
linspace( 0, 2, 9 )
Out[31]: array([ 0.  ,  0.25,  0.5 ,  0.75,  1.  ,  1.25,  1.5 ,  1.75,  2.  ])
x = linspace( 0, 2*pi, 100 )
f = sin(x)

 zeros_like：生成与已有的array同型状的值全为0的array 

 

rand：生成随机数
 

fromfunction：根据已有的function，接受参数，生成对应规则的array
 

fromfile：从file中的data里面生成array
 

 

（2）array的print
 

 

设置array的print格式，可使用set_printoptions（）函数
 

 

set_printoptions(precision=3, suppress=True)
x
Out[37]: array([ 3.142,  0.   ])
 

 

（3）basic operations
 

数组运算，是对应的元素的运算
 

 

</pre><pre name="code" class="python"><pre name="code" class="python">from numpy import *
a = array( [20, 30, 40, 5] )    
b = arange( 4 )
b
array([0, 1, 2, 3])
c = a-b
c
Out[7]: array([20, 29, 38,  2])
b**2
Out[8]: array([0, 1, 4, 9])
10*sin(a)
Out[9]: array([ 9.12945251, -9.88031624,  7.4511316 , -9.58924275])
a<35
Out[10]: array([ True,  True, False,  True], dtype=bool)
 

 

 
 

 

 

双目操作符可用于更改数组的值，而没有创建新的数组
 

 

精度处理时，低精度向高精度转换
 

 

 

统计操作
 

 

 

 

一般函数
 

 

import numpy as np
# print 'test'
B = np.arange(3)
print B
print np.exp(B)
print np.sqrt(B)
C = np.array([2., 1., 4.])
print np.add(B, C)

 

 
 

 

 


 
 

（4）Indexing、Slicing and Iterating
 

 

#################################
# one-dimensional arrays
#################################

 

a = arange(10)**3
print a
print a[2]
print a[2:5]
a[:6:2] = -1000
print a
# print a[ : : -1]
b = np.ones(10)
print b
b[::3] = 0
print b


c = np.ones(10)
print c
# c[0:1] = 0
c[0:2:2]=0
print c


d = np.arange(10)
print d
print d[0:5]
print d[0:5:2]
d[0:5:2] = 100
print d
print d[5:10]
print d[5:10:2] 
d[5:10:2] = 99  #从第5个位置的元素算起，一直到第最后一个，步长 值为2，且第一个元素要被替换掉
print d


print d[1:7]
print d[7:1:-1]  #当start > end的时候，step就为负
print d[7:1:-2]

 

 


 
 

 

#####################################
# Multidimensional arrays 
#####################################
def f(x, y):
    return 10*x + y
b = fromfunction(f, (5, 4), dtype = int)
print b
print b[2, 3]

print b[0:5, 1]
print b[0:4, 1]

print b[:, 1]

print b[1, :]

print b[-1] #从最后一个往前取，注意【正向的时候最小下标为0，铜币的时候为-1】


for row in b:
    print row
 

 
 

 

 

3. shape的操作
 

 

import numpy as np
from numpy import arange
# print "test"

a = np.floor(10 * np.random.random((3, 4)))
print a

print a.ravel()  #展平数组,按行来存储

a.shape = (6, 2)
print a.transpose()  # 默认地是对数组进行转置， 可设置axis的值，对其进行变换

# reshape、transpose与resize
# resize 涉及到reference的问题
b = np.array([1, 2, 3, 4])
print b
b.resize(2, 2)
print b
b.resize(3, 2)
print b
b.resize(2, 4)
print b
b.resize(2, 1)  # 丢弃年时若干元素来满足shape
print b

####################################
# 注意 reference的问题
####################################
c = np.array([5, 6, 7, 8])
d = c
d.resize(2, 2)  #没有问题
print d 
d.resize(2, 3)  # 报错了，因d参照c了
print d

c.resize(2, 3)  #报错了，因d参照c了
print c 

# 不太明显的参照
e = arange(4)
print e
d.resize(5)  #报错了，d参照了其他数组 
print d

 

 
 

 

 


 
 

4. 将多个数组进行stack【叠加】或对单个数组进行split
 

 

import numpy as np
from numpy import newaxis, column_stack, vstack, hsplit
# print "test"


##############################
# 根据不同的axes，将array进行stack
##############################
a = np.floor(10 * np.random.random((2, 2)))
print a
 
b = np.floor(10 * np.random.random((2, 2)))
print b


print np.vstack((a, b))  # 垂直方向上进行stack


print np.hstack((a, b)) # 水平方向上进行stack


print np.column_stack((a, b))   #列上进行stack


c = np.array([4, 2])
print c
d = np.array([5, 6])
print d
print c[:, newaxis] #将一维数组转化为二维数组
print d[:, newaxis]


print column_stack((c[:, newaxis], d[:, newaxis]))
print vstack((c[:, newaxis], d[:, newaxis]))


#########################################
 

#对数组进行拆分
 

<pre name="code" class="python">#########################################
 

 e = np.floor(10 * np.random.random((2, 12))) 

 print e 

 print np.hsplit(e, 3) 

 print np.hsplit(e, (3, 4)) 

 

 
 

 

 

5. 数组的copies与views
 

 

</pre><pre name="code" class="python">import numpy as np
# print "test"

#没有copy
a = np.arange(12)
print a
b = a    # a与b是同一个ndarray object的两个不同名字
print b is a 
b.shape = 3, 4
print a.shape

def f(x):
    print id(x)
    
print id(a), id(b)  #可以看到a.b的id是一样的
f(a)
f(b)  
 

 
 

 

 

 

# view或浅拷贝
c = a.view()
print c
print c is a   # 判断 c与a是同一个东西
print c.base is a   #判断 c是a所拥有的的view
print c.flags.owndata
c.shape = 2, 6
print a.shape
print c
c[0, 4] = 1234  # c的数值改变影响到a的数据
print c
print a

s = a[:, 1:3]
print s
s[:] = 10   # s只是一个view
print s
print a  
 

 
 

 

 

 

d = a.copy() #创建一个新array，并创建新data
print d is a   # d与a没有共享任何东西
print d.base is a
d[0, 0] = 999
print d
print a  # a没有受到d的任何影响
 
 

 

 

 


 
 

6. indexing
 

 

import numpy as np
# print "test"
a = np.arange(12) ** 2
print a
i = np.array( [1, 1, 3, 8, 5] )
print a[i]
j = np.array([[3, 4], [9, 7]])   # 返回的数组的形状与下标的相同
print a[j]
 

 
 

 

 


 
 


 
 

7. functions and Methods 
 

（1）Array Creation
 

arrange：生成序列 arange(start, end)
 

array：创建数组
 

copy：复制数组
 

empty：创建并以随机生成初始值的数组
 

empty_like：创建与给定数组同形状但随机生成初始值的数组
 

eye：指定从第几列起开始生成1，其他列的数组所有的值均为0
 

fromfile：从文件中导入数据并生成数组
 

fromfunction：指定数组的形状，与位置有关的位置上的值，生成数组。
 

identity：生成单位矩阵形状的数组
 

linspace：生成指定个数的序列
 

logspace：logspace(-2, 3, num = 6)【from 10^(-2)到10^3】
 

mgrid：生成表格式的数组
 

omgrid：
 

ones：生成数组，初始值全为1
 

ones_like：生成与指定array同形状的数组，初始值全为1
 

r_ ： 与arange（1，5）相同
 

zeros：生成数组，并初始化所有的值为0
 

zeros_like：生成与给定array同形状的数组，并用0进行初始化
 


 
 

（2）转化
 

astype：转化为某个type型的数据类型
 

atleast_1d：将给定的所有数组，output的arrays中的所有array的维数均大于等于1
 

atleast_2d：维数大于等于2
 

atleast_3d：维数大于等于3
 

mat：生成矩阵
 


 
 

（3）控制
 

array split： array拆分
 

column_stack：按列来重新组合多个array
 

 concatenate：组合多介数组 
 

diagonal：对角元素
 

dsplit：
 

dstack：以某个axis进行重新stack数据
 

hsplit：按水平轴进行拆分
 

hstack：按水平轴进行组合
 

item：取出数组中单个的值
 

newaxis：给array增加一个新的dimension
 

ravel：展来数组
 

repeat：指定数组中元素重复的次数，并生成新的数组
 

reshape：数组的形状或重新定义数组的形状
 

resize：重新更换数组的形状
 

squeeze：对数组进行压缩
 

swapaxes：将数组的axes进行变换
 

take：根据数组的下标来取出数组中对应的元素
 

transpose：对array进行转置操作
 

vsplit：垂直方向上进行拆分array
 

vstack：垂直方向上进行stack数组
 


 
 

（4）查询
 

all：判断array中的值是否全满足某一条件
 

any：判断是否存在
 

nonzero：判断为非0的array元素
 

where：查询满足某一条件的元素
 


 
 

（5）排序
 

argmax：返回数组中按某一标准来计算的参数值最大的下标
 

argmin：返回数组中按某一标准来计算的参数值最小的下标
 

argsort：对数组中的值按某一标准，选择某一排序方式进行排序
 

max： 返回数组中的最大值
 

min：返回数组中的最小值 
 

ptp：最大值 -  最小值
 

searchsorted：查找按某一算法排序元素对应关系的位置
 

sort：排序，可指定按某一方式排序
 


 
 

（6）操作
 

choose：选择出array中对应位置上的某些元素
 

compress：按某些逻辑判断来取出对应的元素
 

cumprod：求出数组元素按某一条件的乘积
 

cumsum：求累和
 

inner：求两个array的内积
 

fill：将数据中的元素填充为某一个元素
 

imag：对应的复数进行操作，取数据中值为得数的部分
 

prod：求积
 

put：更改的元素的值，可指定下标
 

putmask：将数组下标换为逻辑表达式，用以更改数组中对应元素的值
 

real：对值为复数的数组，取其实数部分
 

sum：数组求和
 


 
 

（7）基本统计
 

cov：求协方差
 

mean：均值
 

std：标准差
 

var：方差
 


 
 

（8）线性关系
 

cross：求两数组的向量积
 

dot：矩阵求乘法
 

outer：外积
 

svd：
 

vdot：
 


 
 


 
 

8. 广播法则(rule)
 

 

 广播法则能使通用函数有意义地处理不具有相同形状的输入。
 

 广播第一法则是，如果所有的输入数组维度不都相同，一个“1”将被重复地添加在维度较小的数组上直至所有的数组拥有一样的维度。
 

 广播第二法则确定长度为1的数组沿着特殊的方向表现地好像它有沿着那个方向最大形状的大小。对数组来说，沿着那个维度的数组元素的值理应相同。
 

 应用广播法则之后，所有数组的大小必须匹配。
 

 

9. indexing
 

 
 也可将给定下标数组多个维度,可将下标组合放在一个list或tuple里面，可为逻辑true或false， 
 但不能放在array里 即 

 

 
  ArrayName[[ ]或( )而不能是array] 

 

 

################################
# 下标为数组的数组
################################
a = np.arange(12) ** 2
print a
i = np.array( [ 1, 1, 3, 8, 5 ] )
print a[i]

j = np.array( [[3, 4], [9, 7]] )
print j
print a[j]

# 当下标数组是多维数组时
palette = np.array( [[0, 0, 0],
                     [255, 0, 0],
                     [0, 255, 0],
                     [0, 0, 255],
                     [255, 255, 255] ] )
print palette
image = np.array( [[0, 1, 2, 0], 
                   [0, 3, 4, 0]] )
print image
print palette[image]
 
 

 

 

 

9. ix_（）function
 

 

import numpy as np
# print "test"

a = np.array([2, 3, 4, 5])
print a
b = np.array([8, 5, 4])
print b
c = np.array([5, 4, 6, 8, 3])
print c

ax, bx, cx = np.ix_(a, b, c)
print ax, ax.shape
print bx, bx.shape
print cx, cx.shape
result = ax+bx*cx
print result
print result.shape
print result[3, 2, 4]

print a[3] + b[2]*c[4]

 

 
 

 

 


 
 

10. 线性代数 
 

（1）简单的数组操作
 

 

import numpy as np
from numpy.linalg import *
# print "test"

a = np.array([[1., 2.], [3.,4.]])
print a
print a.transpose()
print inv(a)

u = np.eye(2)
print u

j = np.array([[0., -1.], [1., 0.]])

print np.dot(j, j)

print np.trace(u)

y = np.array([[5.], [7.]])
print y

print solve(a, y)

print eig(j)
 

 
 

 

 


 
 

（2）Matrix类
 

matrix实际上是一个2-d的数组
 

 

# Matrix Class
A = np.matrix('1.0 2.0; 3.0 4.0')
print A
print type(A)
print A.T  # transpose


X = np.matrix('5.0 7.0')
print X
print X.shape
Y = X.T
print Y
print Y.shape

print A*Y

print A.I  # inverse

print solve(A, Y)

 

 
 

 

 


 
 

Matrix的切片还是Matrix，但有个A属性，以数组呈现
 

Array的切片是Array
 


 
 

11. 小技巧
 

 

import numpy as np
# print "test"

a = np.arange(30)
print a
a.shape = 2, -1, 3  #为-1，根据数值的个数，自动匹配
print a

 
 

 


 
 

 

当两数组同形状时，可用vstack或hstack快速合并
 

x = np.arange(0, 10, 2)
y = np.arange(5)
print vstack([x, y])
print hstack([x, y])

 

 
 

 

 

 


 
 

直方图【histogram】与箱式图【bin】
 


 
 


 
 


 
 

12. 多项式操作（Polynomials）
 

一维多项式
 

 

import numpy as np
from sciPy import *
# print "test"

#####################
# shape manipulation
#####################

# Polynomial
p = np.poly1d([3, 4, 5])
print p
print p*p
print p(1)
print p(0.5)

 

 
 

 

 


 
 

13. 向量化（vectorize）
 

 

################################
# vectorize
################################
def addsubtract(a, b):
    if a > b:
        return a - b
    else:
        return a + b
    

vec_addsubtract = vectorize(addsubtract)
print vec_addsubtract([0, 3, 6, 9], [1, 3, 5, 7])
 

 
 

 

 


 
 


 
 


 
 


 
 


 
 


 
 


 
 


 
 


 
 


 
 


 
 


 
 


 
 


 
 


 
 


 
 


 
 


 
 


 
 


 
 


 
 


 
 


 
 


 
 


 
 


 

                

        

        

    




    

      

        

            

              
                
                  feng_lilan
                
              
            

            

                关注
              
            

        

        

          
    
            
  • 
              
                
                
                
                
                      0
                
              
              
    点赞
    
            
    • 
            
  • 
              
                
                
                
              
              
    踩
    
            
    • 
            
  • 
              
                
                
                
                
                    7
                
              
              
    
                
    
                  
                    收藏
                  
                
    
              
    
              
    
                
    
                  觉得还不错?
                  
                    一键收藏
                  
                 
                
    
              
    
            
    • 
          
  • 
            
    
              
              
            
    
              
              
              
                    0
              
            
            
    评论
    
          
    • 
          
  • 
          
    • 
          
  • 
            
              
            
              
    
            
              
                
            
    
          
    • 
        

      

      

            

                专栏目录
          










                



	

		

			

				
					
Python之numpy

				
			

			

				

					weixin_38428439的博客
				

				

					11-13
					
					2176
					
				

			

		

		

			
				
Python之numpy

			
		

	



                

              
                



	

		

			

				
					
Python 中的numpy 库

				
			

			

				

					jiandanjinxin的专栏
				

				

					04-26
					
					2585
					
				

			

		

		

			
				
待整理的Numpy & PandasPandas数据转为 numpy数据df_numpyMatrix = df.as_matrix()
df_numpyMatrix=df.valuesa=([3.234,34,3.777,6.33])
#a为python的list类型
#将a转化为numpy的array:  np.array(a)array([  3.234,  34.   ,   3.777,

			
		

	



                


  
              

                


	

		

			

				
					
python的数据类型转换以及运算符

				
			

			

				

					m0_74007393的博客
				

				

					11-22
					
					1411
					
				

			

		

		

			
				
1. 保留字与标识符
2. 理解Python中的数据类型
3. 基本数据类型
4. 数据类型之间的转换
5. eval()函数
6. 不同的进制数
7. 运算符
8. 运算符的优先级
9. 课堂小任务

			
		

	





	

		

			

				
					
【目标检测】如何使用Yolov8

				
			

			

				

					wzk4869的博客
				

				

					02-13
					
					4144
					
				

			

		

		

			
				
【目标检测】如何使用Yolov8

			
		

	



		

			
		



	

		

			

				
					
下载了numpy库，还是报错import numpy as np

					
最新发布

				
			

			

				

					Zengchenlin_的博客
				

				

					05-15
					
					670
					
				

			

		

		

			
				
以下内容经本人亲身实践，经历了四天的挣扎才解决了numpy库的使用。每个问题层层深入提示：以下是本篇文章正文内容，下面案例可供参考以上是我结局numpy库安装的经验，因知识储备有限，并且第一次写博客，一些操作细节写不出来，大家可参考其他博客。搭建python库真的很要耐心，希望能帮到大家！

			
		

	





	

		

			

				
					
python运行：解决 import numpy as np ModuleNotFoundError: No module named ‘numpy‘错误

					
热门推荐

				
			

			

				

					xinglixue的博客
				

				

					01-29
					
					3万+
					
				

			

		

		

			
				
（本人学习笔记记录）

在运行python程序时出现

import numpy as np
ModuleNotFoundError: No module named 'numpy'

这样的错误时

解决办法：

1、打开你电脑中的python文件，进入scripts中



2、按住shift+鼠标右键，点击在此处打开powershell窗口



3、出现以下窗口



4、输入pip install numpy 回车即可

5、若出现以下错误，输入 .\pip install numpy


...

			
		

	





	

		

			

				
					
python和Pycharm常见问题的处理

				
			

			

				

					cnds123的专栏
				

				

					08-05
					
					2251
					
				

			

		

		

			
				
本文介绍初学者使用python和Pycharm时遇到的常见问题及处理方法。

python常见问题处理例举

一、缺少依赖库的情况

使用import numpy as np 报错 ImportError: No module named 'numpy'
说明缺少依赖库 numpy，需要安装之
处理：
请在cmd命令行里运行pip install numpy。
若安装了python的多个版本，可使...

			
		

	





	

		

			

				
					
Python中Numpy包的安装与使用方法简明教程

				
			

			

				

					09-20
				

			

		

		

			
				
**Python中的Numpy包是数据分析和科学计算领域不可或缺的库，它提供了强大的多维数组对象以及各种数值操作功能。本文将详细介绍Numpy包的安装与使用方法，包括在线与离线安装方式，以及如何利用Numpy生成随机数矩阵...

			
		

	





	

		

			

				
					
python中numpy包使用教程之数组和相关操作详解

				
			

			

				

					09-21
				

			

		

		

			
				
在Python的科学计算领域，Numpy是一个不可或缺的库，它提供了高效的多维数组对象和一些高级数学计算功能。本文将深入探讨Numpy中的数组及其相关操作。  首先，Numpy的核心数据结构是`numpy.ndarray`，这是一个多维...

			
		

	





	

		

			

				
					
Python使用numpy常见报错及解决方案

				
			

			

				

					Dxy1239310216的博客
				

				

					04-23
					
					1433
					
				

			

		

		

			
				
NumPy（Numerical Python的简称）是Python中一个重要的数值计算扩展程序库，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。然而，在使用NumPy时，由于数据类型不匹配、数组维度不一致等原因，我们可能会遇到一些常见的报错。在NumPy中，广播（broadcasting）是一种强大的机制，允许NumPy对形状不同的数组进行数学运算，但并非所有形状的数组都能进行广播。检查你的系统内存是否足够，考虑减少数组的大小，或者优化你的代码以减少内存使用。

			
		

	





	

		

			

				
					
python 3.74 运行import numpy as np 报错lib\site-packages\numpy\__init__.py

				
			

			

				

					12-26
				

			

		

		

			
				
安装完 anaconda
运行如下代码执行不了

import numpy as np
import os,sys
#获取当前文件夹，并根据文件名
def path(fileName):
 p=sys.path[0]+'\\'+fileName
 return p
#读文件
def readFile(fileName):
 f=open(path(fileName))
 str=f.read()
 f.close()
 return str
#写文件
def writeFile(fileName,str):
 f=open(path(fileName),'w')
 f.write(str)
 

			
		

	





	

		

			

				
					
Vscode运行Python文件import numpy as np报错

				
			

			

				

					m0_51394334的博客
				

				

					05-15
					
					5826
					
				

			

		

		

			
				
Vscode运行Python文件import numpy as np报错

			
		

	





	

		

			

				
					
第二篇 机器学习numpy

				
			

			

				

					ping的博客
				

				

					07-28
					
					369
					
				

			

		

		

			
				
1 机器学习应用场景

机器学习广泛用于模式识别、计算机视觉、数据挖掘、语音识别、统计学习、自然语言处理等领域；

2 机器学习一般步骤

 训练样本-&gt;特征提取-&gt;学习函数-&gt;预测分析

3 python常用的机器学习库

numpy：科学计算库

pandas：数据分析处理库

matplotlib：数据可视化库

scikit-learn：机器学习库

4 开发环境准备

...

			
		

	





	

		

			

				
					
Python学习笔记1

				
			

			

				

					Lisa的博客
				

				

					10-20
					
					368
					
				

			

		

		

			
				
Python自带IDLE集成开发环境，两种工作模式：脚本模式（script mode）和交互模式（interactive mode），类似MATLAB
！！注意！！：Python对大小写特别敏感，一般情况下，函数名是小写的。
Python关于语法高亮的显示：特殊单词（例如函数名）是紫色，字符串是绿色，输出信息是蓝色，注释是红色。
一、交互模式
直接输入命令行，然后enter运行。即刻得到反

			
		

	





	

		

			

				
					
Python numpy.atleast_1d函数方法的使用

				
			

			

				

					亮亮的专栏
				

				

					08-29
					
					2891
					
				

			

		

		

			
				
NumPy（Numerical Python的缩写）是一个开源的Python科学计算库。使用NumPy，就可以很自然地使用数组和矩阵。NumPy包含很多实用的数学函数，涵盖线性代数运算、傅里叶变换和随机数生成等功能。本文主要介绍一下NumPy中atleast_1d方法的使用。
原文地址：Python numpy.atleast_1d函数方法的使用
...

			
		

	





	

		

			

				
					
python入门学习总结

				
			

			

				

					greedy930101的专栏
				

				

					04-07
					
					2385
					
				

			

		

		

			
				
开篇吐槽
        大学的专业是通信工程，学的东西大都是电路或电磁波之类的，此时本该盘踞于电线杆上进行通信抢修的。然而，不巧的是，在大一的时候初次接触到了编程，被代码的魅力所深深吸引。另外，由于本人来自农村，上大学之前连电脑开机都得费半天劲，面对神奇的代码，更是无法自拔。可毕竟自身局限性太强以及对自身发展的迷茫，大学期间，多是用C针对各种开发板写些简单的程序，以致毕业时只掌握了C语言基础和

			
		

	





	

		

			

				
					
机器学习之python基础(五)

				
			

			

				

					博士的沙漏的专栏
				

				

					11-06
					
					1000
					
				

			

		

		

			
				
机器学习之python基础(五)

综述  


这一系列博客是记录我在学习python和机器学习的过程中的一些实践过程和体会，学习python时用到的参考书籍是《python学习手册 第四版》，即《learning python》的中文版。学习机器学习时所用的主要参考书籍是《机器学习实战》，还参考了CSDN博客平台上博客名为zouxy09的部分博客文章（博客后面附有url链接），实现其

			
		

	





	

		

			

				
					
python安装numpy包的步骤

				
			

			

				

					04-20
				

			

		

		

			
				
可以的，安装numpy包的步骤如下： 1.打开命令提示符或终端窗口。 2.输入“pip install numpy”并按下“Enter”键。 3.等待安装过程完成。 安装完成后，即可在Python程序中使用numpy库。

			
		

	



              



  
“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