关于numpy的基础知识，你想知道的我都给你整理了，可当字典查阅

最新推荐文章于 2024-05-06 17:10:09 发布
最新推荐文章于 2024-05-06 17:10:09 发布
阅读量728 收藏 12
点赞数 4
分类专栏： python使用技巧 文章标签： python numpy
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/my_name_is_learn/article/details/120352020
版权

文章目录

前言：之前一直使用numpy，但总是一点一点搜索，需要什么搜索什么，积累多了，也就有点新的感悟。所以想把这些知识系统地整理出来，方便未来的自己查阅，也分享给朋友们。另外，numpy的速度跟python的for循环的速度比较就是降维打击，学好numpy进行数据处理真的非常非常非常有必要，有什么整理不当错误的地方欢迎大家批评指正，一起学习，共同进步。注：示例用到的文件“apple.csv”下载链接在文末

numpy基础

numpy创建数组的两类方法

  • 第一类：从已有的数组创建数组（重点）

    • np.asarray，将python列表或者元组、或者numpy数组转变成numpy数组

      numpy创建数组的方式个人觉得可以分别两类，应对不同的场景需求。第一种也是最常用的一种就是使用python的列表或者元组进行创建，这是我们将python的列表变成numpy数组运算的关键。

      import numpy as np
lista = [1, 2, 3, 4]  
array_1 = np.asarray(lista)

      生成的array_1就是numpy的数组，后续numpy的操作都可以运用在这个对象里面

    • np.array，这个函数跟np.asarray这个函数基本没有差别，可以换着使用

      import numpy as np
lista = [1, 2, 3, 4]  
array_1 = np.array(lista)

  • 第二类：通过numpy的内置函数创建特定数组

    • numpy.empty，numpy.empty 方法用来创建一个指定形状（shape）、数据类型（dtype）且未初始化的数组，数组元素的值是随机值

      import numpy as np 
x = np.empty([5,2], dtype = int) 
print (x)

      结果为，元素都是随机值，没有规律

      [[    45146880            0]
 [201863463028 502511173743]
 [481036337268 498216206453]
 [433791696928 489626271858]
 [489626271855 399431958528]]

    • numpy.zeros，创建指定大小、且数组元素都为0的数组

      import numpy as np
x = np.zeros((5, 3),dtype=int) 
print(x)

      结果为，元素都为0

      [[0. 0. 0.]
 [0. 0. 0.]
 [0. 0. 0.]
 [0. 0. 0.]
 [0. 0. 0.]]

    • numpy.ones，创建指定大小、且数组元素都为1的数组

      import numpy as np
x = np.ones((5, 3),dtype=int) 
print(x)

      结果为，元素都为1

      [[1 1 1]
 [1 1 1]
 [1 1 1]
 [1 1 1]
 [1 1 1]]

    • numpy.arange，创建一个在数据范围内的序列一维数组，可以指定起点、终点、步长、和数据类型

      import numpy as np
x = np.arange(start=1, stop=5, step=1, dtype=int)
print(x)

      结果为，整数序列的一维数组

      [0 1 2 3 4]

    • numpy.linspace，创建一个等差数列一维数组

      import numpy as np
x = np.linspace(start=1, stop=10, num=10, endpoint=True, dtype=int)  # 从1到10生成步长为1的10个数字，endpoint=True表示包含终点
print(x)

      结果为，一个步长为1的等差数列

      [ 1  2  3  4  5  6  7  8  9 10]

    • numpy.logspace，创建一个等比数列一维数组

      import numpy as np
x = np.logspace(start=0, stop=9, num=10, endpoint=True, base=2, dtype=int)  # 表示从2的0次方一直到2的9次方生成10个元素
print(x)

      结果为，一个步长为2的等比数列

      [  1   2   4   8  16  32  64 128 256 512]

numpy数组有哪些常用的属性

有些时候，我们需要用到判断数据的某些属性，这些属性有助于我们理解和使用numpy数组。下面进行演示。

# 创建一个等比数组
import numpy as np
x = np.logspace(start=0, stop=9, num=10, endpoint=True, base=2, dtype=int) 
# 将数组的形状变成二维
y = np.reshape(x,(2, 5))
属性说明运行结果
ndarray.ndim秩，即轴的数量或维度的数量y.ndim2
ndarray.shape数组的维度，对于矩阵，n 行 m 列y.shape(2, 5)
ndarray.size数组元素的总个数，相当于 .shape 中 n*m 的值y.size10
ndarray.dtypendarray 对象的元素类型y.dtypedtype(‘int64’)
ndarray.itemsizendarray 对象中每个元素的大小，以字节为单位y.itemsize8
ndarray.flagsndarray 对象的内存信息y.flags
ndarray.realndarray元素的实部y.realarray([[ 1, 2, 4, 8, 16], [ 32, 64, 128, 256, 512]])
ndarray.imagndarray 元素的虚部y.imagarray([[0, 0, 0, 0, 0], [0, 0, 0, 0, 0]])
ndarray.data包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。

逐个选取numpy数组元素

如果我们想逐个获取numpy数组中的元素，我们需要通过数组的下标进行选取，虽然一般来说我们不会这么做。创建一个y数组

# 创建一个等比数组
import numpy as np
x = np.logspace(start=0, stop=9, num=10, endpoint=True, base=2, dtype=int) 
# 将数组的形状变成二维
y = np.reshape(x,(2, 5))
# y的值是
array([[  1,   2,   4,   8,  16],
       [ 32,  64, 128, 256, 512]])

获取数组元素的格式如下：数组名[一维下标,二维下标,三维下标，...]，如果数组是二维数组，那么格式简化为：数组名[行下标,列下标]，注意，下标都是从0开始的。例如

y[0,1] # 结果为2

y[0,2] # 结果为4

一次性多个选取numpy数组元素–切片操作

如果我们想一次性连续获取numpy多个数组元素，我们可以用到切片操作。创建一个y数组

# 创建一个等比数组
import numpy as np
x = np.logspace(start=0, stop=9, num=10, endpoint=True, base=2, dtype=int) 
# 将数组的形状变成二维
y = np.reshape(x,(2, 5))
# y的值是
array([[  1,   2,   4,   8,  16],
       [ 32,  64, 128, 256, 512]])

切片操作的格式如下：数组名[一维起始下标:一维终点下标:一维步长,二维起始下标:二维终点下标:二维步长,三维起始下标:三维终点下标:三维步长,...]，其中默认的步长都为1，可以忽略不指定；第二，切片不包含“终点下标”。

例如，不指定步长

y[0:2,2:5] # 结果为,选取第0和第1行，选取第2、3、4列
array([[  4,   8,  16],
       [128, 256, 512]])

例如，指定步长

y[0:2,2:5:2] # 结果为,选取第0和第1行，选取第2、4列(因为步长为2)
array([[  4,  16],
       [128, 512]])

第三个注意点，可以忽略“起始下标”和“终点下标”，变成数组名[::一维步长,::二维步长,::三维步长,…]，表示全选该维度的数组元素，例如

例如，不指定步长

y[0:2,:] # 结果为,选取第0和第1行，全选第二维度的所有元素
array([[  1,   2,   4,   8,  16],
       [ 32,  64, 128, 256, 512]])

例如，指定步长

y[0:2,::2] # 结果为,选取第0和第1行，以步长为2全选第二维度的所有元素
array([[  1,   4,  16],
       [ 32, 128, 512]])

第四个注意点，可以用省略号...来全选多个维度的元素。例如假设有个数组的形状是y.shape = (64, 128, 128, 3)，它表示64张尺寸大小都为128像素的彩色图片，如果你想得到前面的30张图片，后面的30张图片不要的话，你可以表示为y[0:31,…]。当然你也可以有另外一种写法就是忽略“起始下标”和“终点下标”：y[0:31,:,:,:]，可以明显感受到，省略号会更加地整洁方便。

将多个numpy数组拼接成一个数组–组合操作

假设现在我们有两三个数组都是需要进行同一个操作，当然你可以用个for循环让每个数组都运算一遍，但是会很慢。如果你将这几个数组组合成一个数组然后进行运算，速度会很快。在实际很多业务上面，往往也不允许我们将数组分开计算，必须组合成一个进行计算。

先来创建两个数组便于后续作为例子

import numpy as np
a = np.arange(36).reshape(3, 3, 4)
b = a / 10

a数组的形状为

a.shape = (3, 3, 4)

b数组的形状为

b.shape = (3, 3, 4)

  • np.concatenate，指定维度将多个数组进行组合

    y = np.concatenate([a, b], axis=0)  # 在第0维度进行组合
print(y.shape)

    结果为(6, 3, 4)

    y = np.concatenate([a, b], axis=1)  # 在第1维度进行组合
print(y.shape)

    结果为(3, 6, 4)

    y = np.concatenate([a, b], axis=2)  # 在第2维度进行组合
print(y.shape)

    结果为(3, 3, 8)

  • 其它组合函数包括：np.hstack水平组合、np.vstack垂直组合、np.dstack深度组合、np.column_stack列组合、np.row_stack行组合。这些函数都可以用np.concatenate来代替实现，所以我不想跟你们做过多的解释，记住一句话，数组的组合学会np.concatnate就够用了。如果你们实在想了解，评论区告诉我，然后我再来补充。

数组的分割

跟数组的切片相似的操作还有数组的分割，有时候我们需要对数组拆分之后逐一进行处理就需要用到数组的分割。

先来创建两个数组便于后续作为例子

import numpy as np
a = np.arange(36).reshape(3, 3, 4)
b = a / 10

a数组的形状为

a.shape = (3, 3, 4)

b数组的形状为

b.shape = (3, 3, 4)

  • np.split，指定维度将多个数组进行分割

    y = np.split(a, 3,axis=0) # 在第0维度将数组a平均分为三个数组
print(y[0].shape)  # 结果为（1,3，4）
print(y[1].shape)  # 结果为（1,3，4）
print(y[2].shape)  # 结果为（1,3，4）

    y = np.split(a, 3,axis=1) # 在第1维度将数组a平均分为三个数组
print(y[0].shape)  # 结果为（3,1，4）
print(y[1].shape)  # 结果为（3,1，4）
print(y[2].shape)  # 结果为（3,1，4）

    y = np.split(a, 4,axis=2) # 在第1维度将数组a平均分为四个数组
print(y[0].shape)  # 结果为（3,3，1）
print(y[1].shape)  # 结果为（3,3，1）
print(y[2].shape)  # 结果为（3,3，1）
print(y[3].shape)  # 结果为（3,3，1）

    其它分割函数包括：np.hsplit水平分割、np.vsplit垂直分割、np.dsplit深度分割。这些函数都可以用np.split来代替实现，所以我不想跟你们做过多的解释，记住一句话，数组的组合学会np.split就够用了。如果你们实在想了解，评论区告诉我，然后我再来补充。np.split函数还可以指定位置进行分割，但是用处不多，这就有兴趣的同学可以自行了解

    import numpy as np
x = np.array([0,1,2,3,4,5,6,7,8])
print (np.split(x,3)）
print (np.split(x,[3,5,6,9]))  # 指定下标位置进行分割
print（np.split(x,[3,5,6,8])） # 指定下标位置进行分割
输出：
[array([0, 1, 2]), array([3, 4, 5]), array([6, 7, 8])]
[array([0, 1, 2]), array([3, 4]), array([5]), array([6, 7, 8]), array([], dtype=int32)]
[array([0, 1, 2]), array([3, 4]), array([5]), array([6, 7]), array([8])]

修改数组的维度

如果你想形状为（12，2）的数组修改成形状（4， 6）的数组，或者是（24，）的数组，那么我们该用那个函数呢。

  • array.reshape，将数组array的形状进行修改，这个函数是重点，基本可以满足自己所有的要求了

    import numpy as np
a = np.arange(36)
print(a.shape)  # 输出（36，）
b = a.reshape((3, 3, 4))
print(b.shape)  # 输出（3, 3，4）

  • array.flatten，将数组array的形状进行展平

    import numpy as np
a = np.arange(36).reshape((3, 3, 4))
print(a.shape)  # 输出（3, 3，4）
b = a.flatten()
print(b.shape)  # 输出（36，）

数组转换

  • 数组转换成列表

    import numpy as np
a = np.arange(36).reshape((3, 3, 4))
b = a.tolist()
print(type(a))  # 输出为<class 'numpy.ndarray'>
print(type(b))  # 输出为<class 'list'>

  • array.astype，转换数据的数据类型

    • 将整型int64数组变成浮点型float64数组

      import numpy as np
a = np.arange(36).reshape((3, 3, 4))
b = a.astype(np.float64)
print(a.dtype)  # 输出为int64
print(b.dtype)  # 输出为float64

    • 将整型int64数组变成整型int32数组

      import numpy as np
a = np.arange(36).reshape((3, 3, 4))
b = a.astype(np.int32)
print(a.dtype)  # 输出为int64
print(b.dtype)  # 输出为int32

    • 其它数据类型都可以相互转换，但是如果浮点型转成整型小数点后的数据会缺失，这点要注意。下面是numpy数据类型的总结。

      注意，使用的时候在’名称‘对前面加上’np‘才可以。应该是np.int32而不是int32

      名称描述
      bool_布尔型数据类型（True 或者 False）
      int_默认的整数类型（类似于 C 语言中的 long，int32 或 int64）
      intc与 C 的 int 类型一样，一般是 int32 或 int 64
      intp用于索引的整数类型（类似于 C 的 ssize_t，一般情况下仍然是 int32 或 int64）
      int8字节（-128 to 127）
      int16整数（-32768 to 32767）
      int32整数（-2147483648 to 2147483647）
      int64整数（-9223372036854775808 to 9223372036854775807）
      uint8无符号整数（0 to 255）
      uint16无符号整数（0 to 65535）
      uint32无符号整数（0 to 4294967295）
      uint64无符号整数（0 to 18446744073709551615）
      float_float64 类型的简写
      float16半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位
      float32单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位
      float64双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位
      complex_complex128 类型的简写，即 128 位复数
      complex64复数，表示双 32 位浮点数（实数部分和虚数部分）
      complex128复数，表示双 64 位浮点数（实数部分和虚数部分）

numpy常用函数

np.eye、np.savetxt

  • 将numpy数组的数据保存到txt文件中，用到的函数np.eye、np.savetxt

    import numpy as np

i2 = np.eye(2)  # 创建一个（2,2）的单位矩阵
np.savetxt('eye.txt', i2)  # 将数组存储到文件eye.txt中

np.loadtxt、np.average、np.mean

  • 读取csv文件，并计算数组的加权平均值和算术平均值，用到的函数np.loadtxt、np.average、np.mean

    import numpy as np
c,v = np.loadtxt('apple.csv',  # 文件名
                 delimiter=',', # 设置英文逗号为分隔符
                 usecols=(4,5), # 只获取第4字段、第5字段的数据
                 unpack=True,# 拆分储存不同列的数据
                 skiprows=1  # 表示csv文件的第一行是列名
                )
vwap = np.average(c, weights=v)  # 以数组v为权重，计算数组c的加权平均值
mean = np.mean(c)  # 计算数组c的算术平均值

np.max、np.min、np.ptp

  • 计算数组的最大值和最小值，并求最大值和最小值的差值，用到的函数np.max、np.min、np.ptp

    import numpy as np
c,v = np.loadtxt('apple.csv',  # 文件名
                 delimiter=',', # 设置英文逗号为分隔符
                 usecols=(4,5), # 只获取第4字段、第5字段的数据
                 unpack=True,# 拆分储存不同列的数据
                 skiprows=1  # 表示csv文件的第一行是列名
                )
maxc = np.max(c)  # 最大值702.1
minc = np.min(c)  # 最小值90.28
ptpc = np.ptp(c)  # 范围611.82

np.median、np.var、np.msort、np.std

  • 简单统计分析，给数据排序、计算数组的中位数、方差，标准差，用到的函数np.median、np.var、np.msort、np.std

    import numpy as np
c,v = np.loadtxt('apple.csv',  # 文件名
                 delimiter=',', # 设置英文逗号为分隔符
                 usecols=(4,5), # 只获取第4字段、第5字段的数据
                 unpack=True,# 拆分储存不同列的数据
                 skiprows=1  # 表示csv文件的第一行是列名
                )
medianc = np.median(c)  # 使用np直接计算中位数
varc = np.var(c)  # 使用np直接计算方差

# 也可以根据中位数和方差的定义来进行计算
sorted_c = np.msort(c)  # 给数组c进行从小到大的排序

np.diff、np.std、np.log

  • 计算数组相邻两个元素的差值，计算收益率和对数收益率，用到的函数np.diff、np.std、np.log

    import numpy as np
c,v = np.loadtxt('apple.csv',  # 文件名
                 delimiter=',', # 设置英文逗号为分隔符
                 usecols=(4,5), # 只获取第4字段、第5字段的数据
                 unpack=True,# 拆分储存不同列的数据
                 skiprows=1  # 表示csv文件的第一行是列名
                )
ret = np.diff(c) / c[:-1]  # 计算收益率
std_c = np.std(ret)  # 计算收益率的标准差，标准差越小，说明收益率越稳定
ret2 = np.diff(np.log(c))  # 计算对数收益率，将受益取对数，然后再进行计算

np.where、np.take

  • 根据指定的条件返回所有满足条件的数组元素的索引值；按照索引值从数组中取出相应的元素。用到的函数np.where、np.take

    import numpy as np
c,v = np.loadtxt('apple.csv',  # 文件名
                 delimiter=',', # 设置英文逗号为分隔符
                 usecols=(4,5), # 只获取第4字段、第5字段的数据
                 unpack=True,# 拆分储存不同列的数据
                 skiprows=1  # 表示csv文件的第一行是列名
                )
indices = np.where(c > 300)  # 找出数组元素大于300元素的下标
prices = np.take(c, indices)  # # 找出指定索引的数组元素

np.maxmum、np.minimum

  • 求多个数组中，每个元素的对应最大值、最小值，用到的函数np.maxmum、np.minimum

    import numpy as np
t1,t2,t3 = np.loadtxt('apple.csv',  # 文件名
                 delimiter=',', # 设置英文逗号为分隔符
                 usecols=(2,3,4), # 只获取第2字段、第3字段、第4字段的数据
                 unpack=True,# 拆分储存不同列的数据
                 skiprows=1  # 表示csv文件的第一行是列名
                )
max_t = np.maximum(t1,t2,t3)  # 取三个数组中对应元素的最大值
min_t = np.minimum(t1,t2,t3)  # 取三个数组中对应元素的最小值

    结语：示例用到的文件"apple.csv"请自行下载：https://www.kaggle.com/fayomi/apple-stock-prices-from-20102017

数np.maxmum、np.minimum

import numpy as np
t1,t2,t3 = np.loadtxt('apple.csv',  # 文件名
                 delimiter=',', # 设置英文逗号为分隔符
                 usecols=(2,3,4), # 只获取第2字段、第3字段、第4字段的数据
                 unpack=True,# 拆分储存不同列的数据
                 skiprows=1  # 表示csv文件的第一行是列名
                )
max_t = np.maximum(t1,t2,t3)  # 取三个数组中对应元素的最大值
min_t = np.minimum(t1,t2,t3)  # 取三个数组中对应元素的最小值

结语：示例用到的文件"apple.csv"请自行下载：https://www.kaggle.com/fayomi/apple-stock-prices-from-20102017

名句分享：如果你想知道生命的意义，请你假设如果自己只剩一天的生命，自己最想做什么即可。

OpenAppAI
关注
专栏目录
AttributeError: module ‘numpy‘ has no attribute ‘int‘解决方案
weixin_43178406的博客
06-20 11万+
本文主要介绍了AttributeError: module ‘numpy’ has no attribute 'int’解决方案，希望能对使用numpy的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案 2.1 方案一 2.2 方案二
Failed to build numpy ERROR Could not build wheels for numpy,which is required to install 解决方案
最新发布
weixin_43178406的博客
08-08 7万+
本文主要介绍了Failed to build numpy ERROR: Could not build wheels for numpy, which is required to install pyproject.toml-based projects解决方案，希望能对使用Python的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案
关于NumPy
m0_38019841的博客
07-17 324
list:对于数值运算来说浪费内存和计算时间 array模块：可以直接保存数值，但不支持多维数组，没有运算函数，不适合数值运算。 NumPy：提供了ndarray（存贮单一数据类型的多维数组）和ufunc（对数组进行处理的函数） ndarray对象 创建： 1.序列对象，通过array（）转为数组 2.创建数组的函数。     arange(); linspace();logspace...
关于numpy
gaotihong的博客
07-10 174
（1）常见的属性a = np.array([[1,2,3], [5, 2, 5]])a.sizea.ndima.shape（2）.创建数组np.ones((2, 4))np.array([[1, 2, 3], [3,4,5]])np.linspace(1, 12, 12).reshape((4, 3))(3)基本运算a = np.array([1, 2, 3])np.sin(a)print(a &...
关于Numpy
qq_42627691的博客
09-17 217
Numpy 1.Numpy：开源的Python科学计算库，用于快速处理任意维度的数组 2.Numpy：用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。
关于Numpy的进一步总结
薛定谔的Hello Kitty
12-06 202
下面把一些容易忘记的numpy操作重新总结一下： array1 = np.array([3,4,1,7,45,6,15,37,1,25]) print(array1[array1>10]) # [45 15 37 25] np.where(array1>10,0,array1) # 这段把array1中大于10的数，全部重置为0，小于10的不变 a>b?a:b类似 下面给出...
Numpy详解，带你一步步了解Numpy（一）
m0_59160272的博客
08-29 2083
这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix）），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。（1）在python中，数据类型是动态推断的，类型的灵活性表明，python变量不仅仅是包含它们的值，而且还包含了关于这个值类型的额外信息例如。但是，如果列表中的所有变量都是相同类型的，那么很多额外的信息都是多余的。如果数组中的元素类型不匹配，Numpy将尽可能向上转换。.
Numpy核心知识点总结上
herosunly的博客
10-12 6万+
1. numpy.array 基础 1.1 Python List vs. Python array vs. Numpy array 1.2 初始numpy.array 2. 创建 numpy.array 2.1 Python range vs. np.arange vs. np.linspace 2.2 随机函数 2.2.1 np.random.randint 2.2.2 np.random.random 2.2.3 np.random.normal 2.2.4 np.random.seed 2.3 其他
AttributeError: module ‘numpy‘ has no attribute ‘complex‘解决方案
weixin_43178406的博客
05-06 7万+
本文主要介绍了AttributeError: module ‘numpy’ has no attribute ‘complex’.解决方案，希望能对使用numpy的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案
100天精通Python丨基础知识篇 —— 01、C站最全Python标准库总结
热门推荐
独木不成林，单弦不成音。
06-29 51万+
❤粉丝福利：免费下载海量【PPT模板、简历模板、学习资料】https://app.yinxiang.com/fx/13ce6bbd-f36f-4e92-be53-92dd381ed729
Python Numpy Tutorial: 字典
Eric2016_Lv的博客
05-08 1214
本文的内容： 字典的应用方法# -*- coding: utf-8 -*- """ Python Version: 3.5 Created on Mon May 8 16:02:30 2017 E-mail: Eric2014_Lv@sjtu.edu.cn @author: DidiLv """d = {'cat': 'cute', 'dog': 'furry'} # Create a new
【Numpy】 字典映射
weixin_44378835的博客
01-16 471
【代码】【Numpy】 字典映射。
numpy sorted对字典进行排列
TH_NUM的博客
05-15 1526
import operator import numpy as np dia={'A':2,'B':1} #对字典值进行排序 sortDia=np.sorted(dia.iteritems(),key=operator.itemgetter(1),reverse=True) print(sortDia)
python使用numpy保存字典格式的数据
呆萌的代Ma
05-23 4058
这里写一个保存用的工具函数： def save_dict_by_numpy(filename, dict_vale): if not (os.path.exists(os.path.dirname(filename))): os.mkdir(os.path.dirname(filename)) np.save(filename, dict_vale) 保存时用：np.save(保存文件名, dict的变量) 加载时用：np.load(保存文件名, allow_pickle=
numpy保存和读取dictionary字典 python
Yummy_Ou
03-05 2万+
It is very important for training to record the parameters or data! Code import numpy as np # define dict = {'a' : {1,2,3}, 'b': {4,5,6}} # save np.save('dict.npy',dict) # load dict_load=np.loa...
Python实用技巧：列表/字典的保存与加载（基于numpy）
创作高质量博文，分享知识，共同进步！
02-24 1672
🔥Python实用技巧大揭秘！✨快来学习如何用numpy轻松保存和加载列表、字典吧！📚无论是大型数据集还是日常小数据，numpy都能帮你搞定！💪通过简单几行代码，即可实现数据的持久化，省时又省力！🔧除此之外，还有其他如json、pickle等选项，但numpy在数值处理上更胜一筹！🏆快来掌握这个实用技巧，让你的数据处理更高效！🚀#Python #numpy #数据保存加载 #列表字典 #实用技巧
【深度学习】 Python 和 NumPy 系列教程（六）：Python容器：4、字典Dictionary详解（初始化、访问元素、常用操作、常用函数、遍历、解析）
天地玄黄 魑魅魍魉 风花雪月 商角徵羽 暂时停更 十月重见
09-10 557
本文介绍了Python字典的初始化、访问元素、常用操作和函数、遍历以及字典解析。
python 学习（二）：多重字典以numpy形式存储和读出
zlrai5895的博客
04-19 1万+
如下所示是一个 二重字典 a={'d2': {0: array([[ 0.00871335, -0.00310053,  0.00816491, ...,  0.00694641,          0.00464299,  0.01580841],        [ 0.00882073, -0.00029377, -0.00521681, ...,  0.0017954 ,         ...
python遍历字典
你和萤火虫有两个共同点，在我的眼里都会发光，同时，都已经很多年没见了
08-03 4229
python 遍历字典 举例： import numpy as np data = {'1': [11, 2, 3], '2': [33, 4, 5], '3': [55, 6, 7]} data1 = list(data.keys()) #['1', '2', '3'] temp_data = np.array(list(data.values())) data2 = temp_data[:, 0].tolist() #[11, 33, 55]
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