1:返回x中各值出现的次数
方法1:
a=np.bincount(x)
方法2:
list = [1,2,2,2,2,3,3,3,4,4,4,4]
set = set(list)
num=[]
for item in set:
num.append(mylist.count(item))
方法3:
>>> from collections import Counter
>>> Counter([1,2,2,2,2,3,3,3,4,4,4,4])
Counter({1: 5, 2: 3, 3: 2})
2:读取excel文件中的数据
name_head = 'char'
train_names = ['01(B)', '02(D)']
pd.read_excel('{}/S{}/S{}_train_data.xlsx'.format(DATASETS_DIR, i, i), sheet_name=name_head + train_names[j], header=None).values
3:返回数据中指定值的下标
np.where(train_labels[:, 0] == 100)[0] //[12 25 38 51]
4:返回删除指定下标后的数据
train_labels =np.delete(train_labels, [12 25 38 51], axis=0)
5:定义一个list并向其中追加内容
temp_datas = []
temp_datas.append(train_datas)
6:读取mat文件
scipy.io.loadmat(path)
7:向矩阵中添加行
X = np.vstack((X, positive_sample))
Y = np.concatenate((Y, np.ones(len(positive_sample), dtype=np.int)))
8:取出cuda中的数据
valid_labels = valid_labels.data.cpu().numpy()
9:保存模型的参数
torch.save(model.state_dict(), './classifier.pk')
10:使用之前保存好的模型的参数
model.load_state_dict(torch.load('./classifier.pk'))
11:找到数组中的最大值的下标
np.argmax(data)
12:找到t中对应的s=1的下标的值
t1 = t[s == 1]
13:找到ndarray中符合某个区间的值
a = np.arange(2000000)
nums = a[(950000 < a) & (a <= 950004)]
nums.size