[转载] numpy用法（logical_and, nonzero，arange, reshape）

参考链接： Python中的numpy.logical_not

numpy里面有很多数组矩阵的用法，遇到一个就记一个。

1.np.logical_and/or/not (逻辑与/或/非)

np.logical_and(逻辑与)

Syntax

np.logical_and(x1, x2, *args, **kwargs)

Test

>>> np.logical_and(True, False)

False

>>> np.logical_and([True, False], [False, False])

array([False, False], dtype=bool)

 

>>> x = np.arange(5)

>>> np.logical_and(x>1, x<4)

array([False, False,  True,  True, False], dtype=bool)

np.logical_or(逻辑或)

Syntax

np.logical_or(x1, x2, *args, **kwargs)

Test

>>> np.logical_or(True, False)

True

>>> np.logical_or([True, False], [False, False])

array([ True, False], dtype=bool)

 

>>> x = np.arange(5)

>>> np.logical_or(x < 1, x > 3)

array([ True, False, False, False,  True], dtype=bool)

np.logical_not(逻辑非)

Syntax

logical_not(x, *args, **kwargs)Test

 

>>> np.logical_not(3)

False

>>> np.logical_not([True, False, 0, 1])

array([False,  True,  True, False], dtype=bool)

 

>>> x = np.arange(5)

>>> np.logical_not(x<3)

array([False, False, False,  True,  True], dtype=bool)

转自：https://blog.csdn.net/JNingWei/article/details/78651535?locationNum=2&fps=1

 

 

 

2.numpy中的nonzero()的用法

 nonzero(a)返回数组a中值不为零的元素的下标，它的返回值是一个长度为a.ndim(数组a的轴数)的元组，元组的每个元素都是一个整数数组，其值为非零元素的下标在对应轴上的值。例如对于一维布尔数组b1，nonzero(b1)所得到的是一个长度为1的元组，它表示b1[0]和b1[2]的值不为0(False)。

>>> b1=np.array([True, False, True, False])  

>>> np.nonzero(b1)  

(array([0, 2], dtype=int64),)  

对于二维数组b2，nonzero(b2)所得到的是一个长度为2的元组。它的第0个元素是数组a中值不为0的元素的第0轴的下标，第1个元素则是第1轴的下标，因此从下面的结果可知b2[0,0]、b[0,2]和b2[1,0]的值不为0：

>>> b2 = np.array([[True, False, True], [True, False, False]])  

>>> np.nonzero(b2)  

(array([0, 0, 1], dtype=int64), array([0, 2, 0], dtype=int64))  

当布尔数组直接做为

numpy数组

下标时，相当于使用由nonzero()转换之后的元组作为下标对象：

 

>>> a = np.arange(3*4*5).reshape(3,4,5)  

>>> a  

array([[[ 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, 27, 28, 29],  

        [30, 31, 32, 33, 34],  

        [35, 36, 37, 38, 39]],  

  

       [[40, 41, 42, 43, 44],  

        [45, 46, 47, 48, 49],  

        [50, 51, 52, 53, 54],  

        [55, 56, 57, 58, 59]]])  

>>> a[b2]  

array([[ 0,  1,  2,  3,  4],  

       [10, 11, 12, 13, 14],  

       [20, 21, 22, 23, 24]])  

>>> a[np.nonzero(b2)]  

array([[ 0,  1,  2,  3,  4],  

       [10, 11, 12, 13, 14],  

       [20, 21, 22, 23, 24]])  

为了观察变化，下面有一个例子：

dataSet=array(  

    [[1,0,0,0],  

    [0,1,0,0],  

    [0,1,0,0],  

    [0,0,0,1]])  

a=dataSet[:,1]>0.5  

print(a)  

print('--------------')  

print(nonzero(a))  

print('--------------')  

print(nonzero(a)[0])  

print('--------------')  

print(dataSet[nonzero(a)[0],:])  

输出结果：

 

[False  True  True False]  

--------------  

(array([1, 2], dtype=int64),)  

--------------  

[1 2]  

--------------  

[[0 1 0 0]  

 [0 1 0 0]]  

转自：https://blog.csdn.net/zhihaoma/article/details/51235016

 

3.range和np.arange()

range()返回的是range object，而np.nrange()返回的是numpy.ndarray() range尽可用于迭代，而np.nrange作用远不止于此，它是一个序列，可被当做向量使用。range()不支持步长为小数，np.arange()支持步长为小数两者都可用于迭代两者都有三个参数，以第一个参数为起点，第三个参数为步长，截止到第二个参数之前的不包括第二个参数的数据序列 某种意义上，和STL中由迭代器组成的区间是一样的，即左闭右开的区间。[first, last)或者不加严谨地写作[first:step:last)

>>>range(1,5)

range(1,5)

>>>tuple(range(1, 5))

(1, 2, 3, 4)

>>>list(range(1, 5))

[1, 2, 3, 4]

 

 

>>>r = range(1, 5)

>>>type(r)

<class 'range'>

 

>>>for  i in range(1, 5):

...    print(i)

1

2

3

4

 

>>> np.arange(1, 5)

array([1, 2, 3, 4])

 

>>>range(1, 5, .1)

Traceback (most recent call last):

  File "<stdin>", line 1, in <module>

TypeError: 'float' object cannot be interpreted as an integer

 

>>>np.arange(1, 5, .5)

array([ 1. ,  1.5,  2. ,  2.5,  3. ,  3.5,  4. ,  4.5])

 

>>>range(1, 5, 2)

>>>for i in range(1, 5, 2):

...    print(i)

1

3

 

>>for i in np.arange(1, 5):

...    print(i)

1

2

3

4转自：https://blog.csdn.net/lanchunhui/article/details/49493633

 

 

4.arange(),reshape()用法

arange()用于生成一维数组 

reshape()将一维数组转换为多维数组

import numpy as np

 

print('默认一维为数组:', np.arange(5))

print('自定义起点一维数组:',np.arange(1, 5))

print('自定义起点步长一维数组:',np.arange(2, 10, 2))

print('二维数组:', np.arange(8).reshape((2, 4)))

print('三维数组:', np.arange(60).reshape((3, 4, 5)))

 

print('指定范围三维数组:',np.random.randint(1, 8, size=(3, 4, 5)))

输出结果:

默认一维数组: [0 1 2 3 4]

自定义起点一维数组: [1 2 3 4]

自定义起点步长一维数组: [2 4 6 8]

二维数组: [[0 1 2 3]

 [4 5 6 7]]

三维数组: [[[ 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 27 28 29]

  [30 31 32 33 34]

  [35 36 37 38 39]]

 

 [[40 41 42 43 44]

  [45 46 47 48 49]

  [50 51 52 53 54]

  [55 56 57 58 59]]]

指定范围三维数组: [[[2 3 2 1 5]

  [6 5 5 6 7]

  [4 4 6 5 3]

  [2 2 3 5 6]]

 

 [[2 1 2 4 4]

  [1 4 2 1 4]

  [4 4 3 4 2]

  [4 1 4 4 1]]

 

 [[6 2 2 7 6]

  [2 6 1 5 5]

  [2 6 7 2 1]

  [3 3 1 4 2]]]

[[[3 3 5 6]

  [2 1 6 6]

  [1 1 3 5]]

 

 [[7 6 5 3]

  [5 6 5 4]

  [6 5 7 1]]]转自：https://blog.csdn.net/chinacmt/article/details/78548420