文章目录
1、创建numpy变量
a = np.array([1,2,3,4,5,6])
print(a.shape,a.dtype)
b = np.array([1,2,3,4,5,6]).astype(np.float32)
print(b.shape,b.dtype)
c = np.array([[1,2],[3,4],[5,6]])
print(c.shape,c.dtype)
运行结果如下所示:
2、numpy和list进行转换
a = [1,2,3,4,5,6]
b = np.array(a)
print(b.shape,b.dtype)
a = [[1,2],[3,4],[5,6]]
b = np.array(a)
print(b.shape,b.dtype)
c = np.array([1,2,3,4,5,6])
print(c.tolist()) #转成list
d = np.array([[1,2],[3,4],[5,6]])
print(d.tolist()) #转成list
运行结果如下所示:
3、创建全0全1的numpy对象
a = np.zeros([3,4])
print(a)
a = np.ones([3,4])
print(a)
运行结果如下所示:
4、统计学应用
1、求和
对一个numpy对象进行直接求和:
指定数据类型求和:
如果对二维的矩阵不进行操作也是直接对所有元素直接求和:
二维矩阵不同维度进行操作(这里说二维矩阵不太严谨,因为他只是个numpy对象,不过我们可以当成矩阵来处理)
这里新增了维度的概念,可以理解为如果是axis=0就是竖着看,然后等于1就是横着看:
2、均值
这里效果跟之前的均值差不多,解释可以看均值部分:
3、标准差
这里效果跟之前的均值差不多,解释可以看均值部分:
4、均方差
这里效果跟之前的均值差不多,解释可以看均值部分:
除了上面的部分内容,相关的还有:
- abs:求绝对值
- sqrt:求平方根
5、数据处理
1、数据查找
直接查找某个数据是否存在,返回数据的位置:
想要查找所有符合的数据数目:
2、数据排序
如果是直接排序,直接写即可:
如果是二维排序,需要我们进行处理,还是按照之前的数值方向和水平方向:
如果要获得他们排序后的位置:
3、获取不重复的元素
这里直接使用函数即可:
4、取最大最小值
单纯取值,直接用函数即可:
如果是二维的矩阵,还是参考前面说的,分为竖直方向和水平方向来处理:
如果要获取最大最小值的位置:(这里我直接使用了二维的,一维的还是一样的)
5、区间均匀采样
这里跟普通的python操作基本一样,就是起始结束然后加上步长就OK了:
6、矩阵操作
1、维度扩展
下面把一个一维矩阵扩展为二维矩阵,如下所示:
2、矩阵拼接
同方向维度一样可以进行拼接,效果如下:
当然也可以用我们之前的添加维度参数的方法来进行拼接:
3、矩阵复制
按照想要的方式进行复制:
4、矩阵的四则运算
就和普通的四则运算一样的:
6、矩阵的内积
就是线性代数的那些东西,不过要用函数来进行表达:
7、随机数
常见的有三种随机数,如下所示:
针对多维高斯分布随机数,各参数的含义如下所示: