Python Numpy常用操作

最新推荐文章于 2024-08-31 16:50:50 发布

qq_29750461

最新推荐文章于 2024-08-31 16:50:50 发布

阅读量2.9k

点赞数

分类专栏： Python 机器学习

本文链接：https://blog.csdn.net/qq_29750461/article/details/81660181

版权

Python 同时被 2 个专栏收录

81 篇文章 4 订阅

订阅专栏

机器学习

59 篇文章 3 订阅

订阅专栏

1 np.split():

Parameters:

Parameters:	ary : ndarray Array to be divided into sub-arrays. indices_or_sections : int or 1-D array If indices_or_sections is an integer, N, the array will be divided into N equal arrays along axis. If such a split is not possible, an error is raised. If indices_or_sections is a 1-D array of sorted integers, the entries indicate where along axis the array is split. For example, `[2, 3]` would, for `axis=0`, result in ary[:2] ary[2:3] ary[3:] If an index exceeds the dimension of the array along axis, an empty sub-array is returned correspondingly. axis : int, optional The axis along which to split, default is 0.
Returns:	sub-arrays : list of ndarrays A list of sub-arrays.
Raises:	ValueError If indices_or_sections is given as an integer, but a split does not result in equal division.

ary : ndarray

Array to be divided into sub-arrays.

indices_or_sections : int or 1-D array

If indices_or_sections is an integer, N, the array will be divided into N equal arrays along axis. If such a split is not possible, an error is raised.

If indices_or_sections is a 1-D array of sorted integers, the entries indicate where along axis the array is split. For example, [2, 3] would, for axis=0, result in

ary[:2]
ary[2:3]
ary[3:]

If an index exceeds the dimension of the array along axis, an empty sub-array is returned correspondingly.

axis : int, optional

The axis along which to split, default is 0.

Returns:

sub-arrays : list of ndarrays

A list of sub-arrays.

Raises:

ValueError

If indices_or_sections is given as an integer, but a split does not result in equal division.

例子：

1 当数据划分均等的时候：

>>> x = np.arange(9.0)
>>> np.split(x, 3)
输出：[array([ 0., 1., 2.]), array([ 3., 4., 5.]), array([ 6., 7., 8.])]

>>> x = np.arange(8.0)
>>> np.split(x, [3, 5, 6, 10])
输出：[array([ 0., 1., 2.]),
array([ 3., 4.]),
array([ 5.]),
array([ 6., 7.]),
array([], dtype=float64)]
2 当数据划分不均等的时候，报错;

import numpy as np
x = np.arange(7.0)
print(np.split(x, 2))

'array split does not result in an equal division')
ValueError: array split does not result in an equal division
此时使用 np.arry_split()

>>> x = np.arange(8.0)
>>> np.array_split(x, 3)
[array([ 0., 1., 2.]), array([ 3., 4., 5.]), array([ 6., 7.])]

>>> x = np.arange(7.0)
>>> np.array_split(x, 3)
[array([ 0., 1., 2.]), array([ 3., 4.]), array([ 5., 6.])]

成功。

2 np.random.seed
seed( ) 用于指定随机数生成时所用算法开始的整数值，如果使用相同的seed( )值，则每次生成的随即数都相同，如果不设置这个值，则系统根据时间来自己选择这个值，此时每次生成的随机数因时间差异而不同。
如下测试：

from numpy import *

num=0

while(num<5):

random.seed(5)

print(random.random())

num+=1

结果：

再次修改以上代码：

from numpy import *

num=0

random.seed(5)

while(num<5):

print(random.random())

num+=1

结果：

可以看出：random.seed(something)只能是一次有效。这个用的时候要注意。

3 np.meshgrid(x,y):

n [65]: xnums =np.arange(4)

In [66]: ynums =np.arange(5)

In [67]: xnums

Out[67]: array([0,1, 2, 3])

In [68]: ynums

Out[68]: array([0,1, 2, 3, 4])

In [69]: data_list= np.meshgrid(xnums,ynums)

In [70]: data_list

Out[70]:

[array([[0, 1, 2,3],

[0, 1, 2, 3],

[0, 1, 2, 3]]), array([[0, 0, 0, 0],

[1, 1, 1, 1],

[2, 2, 2, 2],

[3, 3, 3, 3],

[4, 4, 4, 4]])]

In [71]: x,y =data_list

In [72]: x.shape

Out[72]: (5L, 4L)

In [73]: y.shape

Out[73]: (5L, 4L)

In [74]: x

Out[74]:

array([[0, 1, 2,3],

[0, 1, 2, 3],

[0, 1, 2, 3]])

In [75]: y

Out[75]:

array([[0, 0, 0,0],

[1, 1, 1, 1],

[2, 2, 2, 2],

[3, 3, 3, 3],

[4, 4, 4, 4]])

由上面可以看出，meshgrid的作用是根据传入的两个一维数组参数生成两个数组元素的列表。如果第一个参数是xarray，维度是xdimesion，第二个参数是yarray，维度是ydimesion。那么生成的第一个二维数组是以xarray为行，ydimesion行的向量；而第二个二维数组是以yarray的转置为列，xdimesion列的向量。

4 nump中的为随机数产生器的seed():np.random.RandomState

nump.random.RandomState(0)为随机数产生器的种子，里面的数字相同，则产生的随机数相同。

rng = numpy.random.RandomState(23355)
arrayA = rng.uniform(0,1,(2,3))

该段代码的目的是产生一个2行3列的assarray，其中的每个元素都是[0,1]区间的均匀分布的随机数

这里看以看到，有一个23355这个数字，其实，它是伪随机数产生器的种子，也就是“the starting point for a sequence of pseudorandom number”

对于某一个伪随机数发生器，只要该种子（seed）相同，产生的随机数序列就是相同的

1 numpy.random.seed()用于设置随机数种子
seed可以是一个int,满足0<=seed<=2(32−1)，这个条件的int都可以做参数。 seed可以是一个array。 seed可以是None。
用一句话总结numpy.random.seed()和numpy.random.RandomState()的关系：

相同处：他们的参数都是随机数seed 不同处： numpy.random.RandomState()更为复杂，完全可以代替numpy.random.seed()这条语句。随机数种子seed只有一次有效，在下一次调用产生随机数函数前没有设置seed，则还是产生随机数。
1.如果需要不产生随机数，则需要每次设置numpy.random.seed()。

num=0

while(num<5):
    np.random.seed(1)
    print(np.random.random())
    num+=1

0.417022004702574
0.417022004702574
0.417022004702574
0.417022004702574
0.417022004702574

2.如果需要每次都产生随机数，则可以将随机数seed设置成None，或者不设置。

>>> import numpy 
>>>> numpy.random.RandomState(0).rand(4) 
>array([ 0.5488135 , 0.71518937, 0.60276338, 0.54488318])    
>>> numpy.random.RandomState(0).rand(4)                   
array([ 0.5488135 , 0.71518937, 0.60276338, 0.54488318])    
>>> numpy.random.RandomState(0).rand(4)                  
array([ 0.5488135 , 0.71518937, 0.60276338, 0.54488318]) 
>>> numpy.random.RandomState(None).rand(4)                 
array([ 0.5488135 , 0.71518937, 0.60276338, 0.54488318])      
>>> numpy.random.RandomState(None).rand(4)                       
array([ 0.4236548 , 0.64589411, 0.43758721, 0.891773 ])          
>>> numpy.random.RandomState(None).rand(4)                      
array([ 0.96366276, 0.38344152, 0.79172504, 0.52889492])

5 np.mgrid函数

代码:

z = np.mgrid[1:5, 1:3]
x, y = z[0], z[1]
print(x)
print(y)

结果：

[[1 1]
[2 2]
[3 3]
[4 4]]
[[1 2]
[1 2]
[1 2]

[1 2]]

首先np.mgrid输出至少是一个三维的向量。

其中的元素，z[0],z[1]都是二维矩阵。

z[0]行数由np.mgrid第一个参数决定，上例为1：5，且为1 2 3 4，列数由1：3决定，利用广播机制填充。

z[1]列数由np.mgrid第二个参数决定，上例为1：3，且为1 2 ，行数由1：5决定，利用广播机制填充。

PS：z = np.mgrid[1:5:0.1, 1:3:0.1]

表示1：5切片间隔为0.1，1：3切片间隔为0.1

z = np.mgrid[1:5:4j, 1:3:3j]

表示1：5切片均匀取数，取4个，1：3切片均匀取数，取3个

6 np 形成矩阵

ndarray提供了一些创建二维数组的特殊函数。numpy中matrix是对二维数组ndarray进行了封装之后的子类。这里介绍的关于二维数组的创建，返回的依旧是一个ndarray对象，而不是matrix子类。关于matrix的创建和操作，待后续笔记详细描述。为了表述方便，下面依旧使用矩阵这一次来表示创建的二维数组。
1. diag函数返回一个矩阵的对角线元素、或者创建一个对角阵，对角线由参数k控制
2. diagflat函数以输入作为对角线元素，创建一个矩阵，对角线由参数k控制
3. tri函数生成一个矩阵，在某对角线以下元素全为1，其余全为0，对角线由参数k控制
4. tril函数输入一个矩阵，返回该矩阵的下三角矩阵，下三角的边界对角线由参数k控制
5. triu函数与tril类似，返回的是矩阵的上三角矩阵
6. vander函数输入一个一维数组，返回一个范德蒙德矩阵

7 eye 形成一个单位矩阵

#diag用法
>>> x = np.arange(9).reshape((3,3))
>>> x
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
>>> np.diag(x)
array([0, 4, 8])
>>> np.diag(x, k=1)
array([1, 5])
>>> np.diag(x, k=-1)
array([3, 7])
>>> np.diag(np.diag(x))
array([[0, 0, 0],
       [0, 4, 0],
       [0, 0, 8]])
>>> np.diag(np.diag(x), k=1)
array([[0, 0, 0, 0],
       [0, 0, 4, 0],
       [0, 0, 0, 8],
       [0, 0, 0, 0]])
#diagflat用法
>>> np.diagflat([[1,2],[3,4]])
array([[1, 0, 0, 0],
       [0, 2, 0, 0],
       [0, 0, 3, 0],
       [0, 0, 0, 4]])
>>> np.diagflat([1,2,3], k=-1)
array([[0, 0, 0, 0],
       [1, 0, 0, 0],
       [0, 2, 0, 0],
       [0, 0, 3, 0]])
#tri
>>> np.tri(3,4, k=1, dtype=int)  
array([[1, 1, 0, 0],
       [1, 1, 1, 0],
       [1, 1, 1, 1]])
>>> np.tri(3,4)
array([[ 1.,  0.,  0.,  0.],
       [ 1.,  1.,  0.,  0.],
       [ 1.,  1.,  1.,  0.]])
#tril与triu
>>> x = np.arange(12).reshape((3,4))
>>> x
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
>>> np.tril(x, k=1) 
array([[ 0,  1,  0,  0],
       [ 4,  5,  6,  0],
       [ 8,  9, 10, 11]])
>>> np.triu(x, k=1) 
array([[ 0,  1,  2,  3],
       [ 0,  0,  6,  7],
       [ 0,  0,  0, 11]])
#vander
>>> np.vander([2,3,4,5])
array([[  8,   4,   2,   1],
       [ 27,   9,   3,   1],
       [ 64,  16,   4,   1],
       [125,  25,   5,   1]])
>>> np.vander([2,3,4,5], N=3)
array([[ 4,  2,  1],
       [ 9,  3,  1],
       [16,  4,  1],
       [25,  5,  1]])