现在能在网上找到很多很多的学习资源,有免费的也有收费的,当我拿到1套比较全的学习资源之前,我并没着急去看第1节,我而是去审视这套资源是否值得学习,有时候也会去问一些学长的意见,如果可以之后,我会对这套学习资源做1个学习计划,我的学习计划主要包括规划图和学习进度表。
分享给大家这份我薅到的免费视频资料,质量还不错,大家可以跟着学习
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
vstack 和concatenate( ),axis=0等价
dstack
是deep stack,即在深度方向进行合并。
dstack可以将一维数组变成三维数组。
import numpy as np
vstack
np.vstack([arr1,arr2])
#结果:
array([[ 1., 2., 3., 4., 5., 6.],
[ 7., 8., 9., 10., 11., 12.],
[13., 14., 15., 16., 17., 18.],
[19., 20., 21., 22., 23., 24.],
[26., 27., 28., 29., 30., 31.],
[32., 33., 34., 35., 36., 37.],
[38., 39., 40., 41., 42., 43.],
[44., 45., 46., 47., 48., 49.]])
dstack
np.dstack([arr1,arr2])
结果:
array([[[ 1., 26.],
[ 2., 27.],
[ 3., 28.],
[ 4., 29.],
[ 5., 30.],
[ 6., 31.]],
[[ 7., 32.],
[ 8., 33.],
[ 9., 34.],
[10., 35.],
[11., 36.],
[12., 37.]],
[[13., 38.],
[14., 39.],
[15., 40.],
[16., 41.],
[17., 42.],
[18., 43.]],
[[19., 44.],
[20., 45.],
[21., 46.],
[22., 47.],
[23., 48.],
[24., 49.]]])
函数原型:hstack(tup)
,参数tup可以是元组,列表,或者numpy数组,返回结果为numpy的数组,水平(按列顺序)把数组给堆叠起来,vstack()函数正好和它相反。
np.r_[arr1,arr2] ,实际上是vstack 与 axis=0 做了一个合并(concatenate)。
np.c_[arr1,arr2] , hstack 与 axis=1 做了一个合并(concatenate)。
print(np.r_[-2:2:1,[0]*3,5,6])
上面那段代码由三部分组成,-2:2:1表示从-2~2的数字,间隔为1,并且2没有,然后是3个0,接下来是5和6
print((np.r_[‘r’,-2:2:1,[0]*3,5,6])) #二维数组,以行的方式呈现
print((np.r_[‘c’,-2:2:1,[0]*3,5,6])) #二维数组,以列的方式呈现
默认是为r,表示沿着行的方向创建,c则表示以列的方式创建。
注:shape
表示矩阵的维度大小。
也可以用'a,b,c'
来进行表示,a
代表轴,沿着轴a来进行合并,代表合并后数组维度至少是b
,c
是代表在第c维度上做维度提升
print(np.r_[‘0,2,0’,[1,2,3],[4,5,6]],‘\n’)
print(np.r_[‘0,2,1’,[1,2,3],[4,5,6]],‘\n’)
print(np.r_[‘1,2,0’,[1,2,3],[4,5,6]],‘\n’)
print(np.r_[‘1,2,1’,[1,2,3],[4,5,6]])
b:合并后数组的维度
a=0,沿着轴0合并。(3,)–>(1,3)
a=1,沿着轴1合并。(3,1)–>(3,2)
c=0,在轴0上上升一维,(3,)–>(3,1)
c=1,在轴1上上升一维,(3,)–>(1,3)
=====================================================================
split 具体有 split() , hsplit() , vsplit()
arr1=np.arange(1,13.0).reshape(2,6)
arr2=np.arange(14,26.0).reshape(2,6)
arr=np.concatenate([arr1,arr2])
arr3=np.split(arr,2) # 默认情况下是 axis=0
由上图可知,split分割成为二维数组
arr4=np.split(arr,3,axis=1)
print(arr4[0].shape)
arr4
arr5=np.split(arr,4,axis=0)
arr6=np.split(arr,[1,2,3],axis=0)
上述代码块的两行表示是相同的,第二行相当于使用数组的切片方式进行处理。
-
vsplit
垂直(按行)将阵列拆分为多个子阵列。 -
hsplit
水平(按列)将阵列拆分为多个子阵列。
这部分希望大家看下图体会~
arrv=np.vsplit(arr,[1,2,3,4])
arrh=np.hsplit(arr,[1,2,3,4,5])
======================================================================
repeat()
: 复制数组中的每个指定元素。
一维数组:用整数型和列表型参考来控制元素被复制的个数
多维数组:用整数型和列表型来控制元素被复制的个数
import numpy as np
arr=np.arange(3)
print(arr.shape)
print(arr.repeat(3)) # 每个元素复制三次
print(arr)
print(arr.repeat([1,2,3]))
第一个没有复制,第二个复制了两个,,依次类推
当列表的元素少于数组元素,或者多余数组元素,都会报错,就如下图所示。
上面是一维数组的,接下来再看看二维数组中利用标量参数和轴参数:
print(arr.repeat(2)) # 此时二维数组变成一维的了
print(arr.repeat(2,1))
print(arr.repeat(2,axis=0)) # 在行上面进行复制
再来看看二维数组中的列表参数和轴参数:
====================================================================
关于repeat和title,二者的本质都是复制,而repeat是在元素层面进行赋值,title是在数组层面进行赋值。
print(np.tile(arr,2))
print(np.repeat(arr,2))
元组参数即括号里面用相关参数进行分割。
print(np.tile(arr,(2,3)))
print(np.tile(arr,(2,3,4)))
在轴0上面复制两遍,行复制3遍,列复制4遍。
====================================================================
排序分为:
-
直接排序
-
间接排序
直接排序sort()
:在原来的数组上进行排序操作,而不重新创建一个数组
arr=np.array([9,1,5,7,2,3,8,6]) # 先创建一个无序数组
arr
print(‘排序之前的数组:’,arr)
arr.sort()
print(‘排序之后的数组:’,arr)
arr[::-1] # 使用倒序的方法显示
先使用random
随机生成一个二维数组:(每次)
import numpy as np
np.random.seed(1000)
arr=np.random.randint(40,size=(3,4))
arr
以上的方法在每次重新刷新了之后会变化数组的数字。
如果对二维数组直接使用arr.sort()
,则会直接对行进行排序。
对列进行排序:
print(‘排序之前的数组:’)
print(arr)
arr[:,0].sort()
print(‘排序之后的数组:’)
print(arr)
np.sort(arr[:,2]) # 选择第三列进行排序
arr.sort(axis=1) # 横着排序,原来数组改变
np.sort(arr,axis=1) # 横着排序,但原来的数组不会改变
arr.sort(axis=0) # 竖着排序,原来数组改变
np.sort(arr,axis=0) # 竖着排序,但原来的数组不会改变
接下来看看间接排序:
间接排序:利用特定的参数进行排序,按需排序,需要使用argsort( )
函数
argsort
函数:返回的是数组值从小到大的索引值。
score=np.array([100,65,76,89,58])
idx=score.argsort()
idx
因此如果打印数组的时候带上下标就相当于排序了:
print(score[idx]) # 利用索引标签来打印
arr[:,arr[0].argsort()]
#按第一行从低到高进行排序,并且对应的列也会跟着变化
arr#由于使用的是argsort,因此原数组不会改变
numpy.lexsort()
用于对多个序列进行排序。把它想象成对电子表格进行排序,每一列代表一个序列,排序时优先照顾靠后的列。
这里举一个应用场景:小升初考试,重点班录取学生按照总成绩录取。在总成绩相同时,数学成绩高的优先录取,在总成绩和数学成绩都相同时,按照英语成绩录取…… 这里,总成绩排在电子表格的最后一列,数学成绩在倒数第二列,英语成绩在倒数第三列。
arr1=np.array([‘E’,‘B’,‘C’,‘A’,‘D’])
arr2=np.array([‘4’,‘1’,‘3’,‘2’,‘5’])
idx=np.lexsort((arr1,arr2))
最后
Python崛起并且风靡,因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低,但它的晋级路线很多,通过它你能进入机器学习、数据挖掘、大数据,CS等更加高级的领域。Python可以做网络应用,可以做科学计算,数据分析,可以做网络爬虫,可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多,你需要学好基础,再选择明确的方向。这里给大家分享一份全套的 Python 学习资料,给那些想学习 Python 的小伙伴们一点帮助!
👉Python所有方向的学习路线👈
Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
👉Python必备开发工具👈
工欲善其事必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
👉Python全套学习视频👈
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
👉实战案例👈
学python就与学数学一样,是不能只看书不做题的,直接看步骤和答案会让人误以为自己全都掌握了,但是碰到生题的时候还是会一筹莫展。
因此在学习python的过程中一定要记得多动手写代码,教程只需要看一两遍即可。
👉大厂面试真题👈
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!