import numpy as np
print(np.__version__)#打印版本
a = np.zeros([3,2])
b = list(range(0,27))
b = np.array(b)
b = b.reshape([3,3,3])
print("轴:",b.ndim)#轴的数量或维度的数量
print("形状",b.shape)
print("大小",b.size)
print("格式",b.dtype)
#ndarray 初始值0,终止值100,最终包含最终值
a5 = np.linspace(1,20,num = 20,endpoint=True,retstep=True,dtype=np.float32)#等差:1为起始值,20为终止值。
#num默认样本数量为50,endpoint为ture时,数列中包含stop值,
#restep为True时,生成的数组会显示间距
a6 = np.logspace(1,20,num=20) #等比
print(a6)
a7 = np.random.random([3,3]) #[0,1)
a8 = np.random.randn(3,3) #随机值是按照标准正态分布创建,算法数据模拟环境中
#print(help(np.random.randn()))
print(a8)
#切片[起始值:终止值:步长]
b1 = np.array(range(0,15)).reshape([3,5])
print(b1)[]
print(b1[1][1]) #b[行][列]
print(b1[1,1]) #b[行,列]
print(b1[:,-2:])#前两行前两列[]
print(b1[:2, :])
b2 = np.ones([1,5])
print(b2)
print(b1+b2)#广播机制
b3 = np.ones([3,4])
b4 = b3.reshape([2,-1])#-1表示配对前面的数
print(b4.ravel(),b4.ravel().shape)#展开数组,一维数据
print(b4.reshape(1,-1),b4.reshape(1,-1).shape)#一行10列
print(b4)
c = np.arange(1,7).reshape([3,2])
print(c.transpose())
pritn(c.T)#转置
d = np.arange(10).reshape([-1,10])
print(d,d.shape)
print(d.squeeze(),d.squeeze().shape) #压缩维度,将维度值为1的进行消除
e = d.reshape([5,-1,2])
print(e)
print(e.squeeze())
f = np.ones([3,2])
g = np.zeros([3,2])
print(np.concatenate([f,g],axis=0))#按行拼接
print(np.hstack([f,g])) #行
print(np.concatenate([f,g],axis=1))#按列拼接
print(np.vstack([f,g]))#列
h = np.arange(0,9).reshape([3,3])
print(h)
print(np.hsplit(h,3))#3代表将数组平分成几个
print(np.hsplit(h,[0]))#[1]按索引切分
#np.add()加法
#np.subtract()减法
#np.multiply()乘法
#np.divide()除法
#np.power()幂
#np.log2()
#np.pi
j = np.array([[1,5,6],
[5,7,9],
[9,0,1]
])
print(np.argmax(j))#最大值位置9
print(np.argmax(j,axis=1))#最大值行位置,横向比较。查找每行最大索引
print(np.argmax(j,axis=0))#最大值列位置,纵向比较。查找每列最大索引
print(np.argmin(j))
print(np.mean(j))#均值
print(np.mean(j,axis=0))#对列求均值
print(np.mean(j,axis=1))#对行求均值
print(np.sort(j))#排序
#np.dot() 两个数组的点积,即元素对应相乘
#np.inner()两个数组的内积
#np.matmul()矩阵乘法
#np.linalg.eig()特征值分解
m = np.zeros([3,3])
n = np.ones([3,3])
print(np.dot(m,n))
print(m.dot(n))
t = [1,2,3]
y = [1,1,1]
print(np.inner(t,y))
z = np.arange(1,10).reshape(3,3)
print(z)
vals,vecs = np.linalg.eig(z)#特征值和特征向量
print(vals)
print(vecs)
python中numpy的常用函数及其使用
最新推荐文章于 2022-04-13 10:58:28 发布