python中numpy、random、Map等总结【持续更新中...】

Numpy

1、np.array的计算

import numpy as np

arr01=np.array([[[1,2,3],
                 [4,5,6],
                 [7,8,9]],
                 [[11,22,33],
                 [44,55,66],
                 [77,88,99]]])
print(arr01.shape)
print(type(arr01))
mean=[1,2,3]
std=[2,2,2]
arr01-mean

输出：

(2, 3, 3)
<class 'numpy.ndarray'>

array([[[ 0,  0,  0],
        [ 3,  3,  3],
        [ 6,  6,  6]],

       [[10, 20, 30],
        [43, 53, 63],
        [76, 86, 96]]])

2、np.argmax()

将数组进行从小到大排列，再返回其索引。
参考：链接

对于1维向量：

import numpy as np
a = np.array([3, 1, 2, 4, 6, 1])
b=np.argmax(a)#取出a中元素最大值所对应的索引，此时最大值位6，其对应的位置索引值为4，（索引值默认从0开始）
print(b)#4

对于2维向量，分为行索引和列索引，axis=0为列索引，axis=1为行索引，

import numpy as np
a = np.array([[1, 5, 5, 2],
              [9, 6, 2, 8],
              [3, 7, 9, 1]])
b=np.argmax(a, axis=0)#对二维矩阵来讲a[0][1]会有两个索引方向，第一个方向为a[0]，默认按列方向搜索最大值
#a的第一列为1，9，3,最大值为9，所在位置为1，
#a的第一列为5，6，7,最大值为7，所在位置为2，
#此此类推，因为a有4列，所以得到的b为1行4列，
print(b)#[1 2 2 1]
 
c=np.argmax(a, axis=1)#现在按照a[0][1]中的a[1]方向，即行方向搜索最大值，
#a的第一行为1，5，5，2,最大值为5（虽然有2个5，但取第一个5所在的位置），索引值为1，
#a的第2行为9，6，2，8,最大值为9，索引值为0，
#因为a有3行，所以得到的c有3个值，即为1行3列
print(c)#[1 0 2]

2.1 np.argsort()

参考：链接

3、np.where

代码：

import numpy as np
a = np.array([2, 4, 6, 8, 10])
index=np.where(a > 5)[0]  # 对于一维来说加[0]与不加[0]都一样，但对于2维或更高维就不能加[0]
print(index)
print(type(index))
print(a[index])
print(type(a[np.where(a > 5)]))

输出：

[2 3 4]
<class 'numpy.ndarray'>
[ 6  8 10]
<class 'numpy.ndarray'>

对于2维：
代码：

a = np.arange(27).reshape(3,3,3)
print(a)
index=np.where(a > 5)
print(index)
print("*"*50)
print(a[index])

输出：

[[[ 0  1  2]
  [ 3  4  5]
  [ 6  7  8]]

 [[ 9 10 11]
  [12 13 14]
  [15 16 17]]

 [[18 19 20]
  [21 22 23]
  [24 25 26]]]
(array([0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2],
      dtype=int64), array([2, 2, 2, 0, 0, 0, 1, 1, 1, 2, 2, 2, 0, 0, 0, 1, 1, 1, 2, 2, 2],
      dtype=int64), array([0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2, 0, 1, 2],
      dtype=int64))
**************************************************
[ 6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26]

参考：链接

4、np.vstack和np.hstack

参考：链接
我现在用到了np.vstack，即在竖直方向上堆叠

import numpy as np
arr1=np.array([[1,2,3]])
arr2=np.array([[4,5,6],[7,8,9]])
print (np.vstack((arr1,arr2)))
print("-"*50)
print (np.vstack(arr2))

输出：

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

5、np.cumsum()

参考：链接1，链接2

np.cumsum()就是按照某一个维度进行逐元素累加

代码：

arr2=np.array([1,2,3,4,5,6,7,8,9])
np.cumsum(arr2)

输出：

array([ 1,  3,  6, 10, 15, 21, 28, 36, 45], dtype=int32)

代码：

import numpy as np
a = np.array([[1,2,3],[4,5,6]])
b = np.cumsum(a, axis=0)
c = np.cumsum(a, axis=1)
print(b)
print("-"*50)
print(c)

输出：

[[1 2 3]
 [5 7 9]]
--------------------------------------------------
[[ 1  3  6]
 [ 4  9 15]]

6、np.logical_and()和np.logical_or()

代码：

import numpy as np
arr01=np.array([np.array(list([1,2,3])), np.array(list([11,22,3]))])
arr01[:,0:2][arr01[:,0:2]<=2]=0
arr01[np.logical_and(arr01[:,1]>2,arr01[:,2]>2)]

输出：

array([[11, 22,  3]])

参考：链接

7、np.random.uniform()

函数原型： numpy.random.uniform(low,high,size)

功能：从一个均匀分布[low,high)中随机采样，注意定义域是左闭右开，即包含low，不包含high.

参数介绍:

low: 采样下界，float类型，默认值为0；
high: 采样上界，float类型，默认值为1；
size: 输出样本数目，为int或元组(tuple)类型，例如，size=(m,n,k), 则输出m*n*k个样本，缺省时输出1个值。

返回值：ndarray类型，其形状和参数size中描述一致。

这里顺便说下ndarray类型，表示一个N维数组对象，其有一个shape（表维度大小）和dtype（说明数组数据类型的对象），使用zeros和ones函数可以创建数据全0或全1的数组，原型：

numpy.ones(shape,dtype=None,order='C'),

其中，shape表数组形状（m*n）,dtype表类型,order表是以C还是fortran形式存放数据。

参考：链接

7.1 np.random.choice()

参考：链接

7.2 np.random.seed()

参考：链接1

7.3 np.random.random()

参考：链接1

8、np.expand_dims

代码：

import numpy as np
a=np.array([[1,2,3],[4,5,6]])
print(a)

输出：

[[1 2 3]
 [4 5 6]]
 a.shape: (2, 3)

代码：

b=np.expand_dims(a, axis=0)
print(b)
print("b.shape:", b.shape)
-------------------------------
[[[1 2 3]
  [4 5 6]]]
b.shape: (1, 2, 3)
-------------------------------
b=np.expand_dims(a, axis=1)
print(b)
print("b.shape:", b.shape)
-------------------------------
[[[1 2 3]]

 [[4 5 6]]]
b.shape: (2, 1, 3)
-------------------------------
b=np.expand_dims(a, axis=2)
print(b)
print("b.shape:", b.shape)
-------------------------------
[[[1]
  [2]
  [3]]

 [[4]
  [5]
  [6]]]
b.shape: (2, 3, 1)

参考：链接

9、np.random.rand()

返回一个或一组服从0~1均匀分布的数

9.1 np.random.randn()

返回一个或一组服从标准正态分布的随机样本值

参考：链接

10、np.uint8

uint8是专门用于存储各种图像的（包括RGB，灰度图像等），范围是从0–255

参考：链接

11、numpy中的nonzero()函数详解

参考：链接

12、numpy.transpose详解

参考：链接

13、np.percentile()

参考：链接1

Random

1、random.sample

sample(序列a，n)
作用：从序列a中随机抽取n个元素，并将n个元素以list形式返回。

参考：链接

2、Python中random函数用法整理

参考：链接1

其他

1、Map

参考：链接

2、global()[ ]

使用 global()[ ] 返回当前的函数，[ ]里面放置函数名

代码：

def zero_dockers():
    print('zero')
def one_dockers():
    print('one')
def two_dockers():
    print('two')
def hello():
    print('hello')
if __name__=='__main__':
    for local_function in list(globals()):
        if local_function.endswith('dockers'):
            print(globals()[local_function])

输出：

<function zero_dockers at 0x0000021D2CAA6D90>
<function one_dockers at 0x0000021D2CAA6730>
<function two_dockers at 0x0000021D2CAA6620>

如果不用global()[ ]，则只返回函数名，

代码：

def zero_dockers():
    print('zero')
def one_dockers():
    print('one')
def two_dockers():
    print('two')
def hello():
    print('hello')
if __name__=='__main__':
    for local_function in list(globals()):
        if local_function.endswith('dockers'):
            print(local_function)

输出：

zero_dockers
one_dockers
two_dockers

参考：链接

3、列表转字符串

使用 " ".join(list),
代码：

list01=['a', 'b', 'c']
" ".join(list01)  # 使用空格隔开

输出：

'a b c'

也可以用其他分隔符隔开
代码：

list01=['a', 'b', 'c']
"\\".join(list01)

输出：

'a\\b\\c'

注意列表中的元素需要是字符串类型，如果不是字符串则需要做转换，
代码：

list01=[1,2,3]
" ".join(str(a) for a in list01)

输出：

'1 2 3'

参考：链接1

4、引用，浅拷贝，深拷贝

参考：链接1

5、python 的标准库模块glob使用教程

参考：链接1

6、ModuleNotFoundError: No module named ‘src’

参考：链接1