Python数据分析与机器学习-NumPy_4

import numpy as np
B = np.arange(3)
print(B)
print(np.exp(B))
print(np.sqrt(B))
[0 1 2]
[1.         2.71828183 7.3890561 ]
[0.         1.         1.41421356]
# Return the floor of the input

a = np.floor(10*np.random.random((3,4)))
print(a)
print(a.shape)
# flatten the array
print(a.ravel())
print(a)
print(a.T)
print(a.resize((2,6)))
print(a)
[[6. 7. 8. 7.]
 [3. 8. 6. 7.]
 [0. 4. 2. 1.]]
(3, 4)
[6. 7. 8. 7. 3. 8. 6. 7. 0. 4. 2. 1.]
[[6. 7. 8. 7.]
 [3. 8. 6. 7.]
 [0. 4. 2. 1.]]
[[6. 3. 0.]
 [7. 8. 4.]
 [8. 6. 2.]
 [7. 7. 1.]]
None
[[6. 7. 8. 7. 3. 8.]
 [6. 7. 0. 4. 2. 1.]]
a = np.floor(10*np.random.random((2,2)))
b = np.floor(10*np.random.random((2,2)))
print(a)
print("---")
print(b)
print("---")
print(np.hstack((a,b)))
print("---")
print(np.vstack((a,b)))
[[7. 3.]
 [5. 8.]]
---
[[6. 6.]
 [0. 4.]]
---
[[7. 3. 6. 6.]
 [5. 8. 0. 4.]]
---
[[7. 3.]
 [5. 8.]
 [6. 6.]
 [0. 4.]]
a = np.floor(10*np.random.random((2,12)))
print(a)
print(np.hsplit(a,3))
print(np.hsplit(a,(3,4)))
a = np.floor(10*np.random.random((12,2)))
print(a)
np.vsplit(a,3)
[[2. 2. 7. 1. 9. 6. 5. 6. 9. 1. 9. 8.]
 [7. 6. 4. 7. 4. 3. 9. 2. 8. 5. 3. 4.]]
[array([[2., 2., 7., 1.],
       [7., 6., 4., 7.]]), array([[9., 6., 5., 6.],
       [4., 3., 9., 2.]]), array([[9., 1., 9., 8.],
       [8., 5., 3., 4.]])]
[array([[2., 2., 7.],
       [7., 6., 4.]]), array([[1.],
       [7.]]), array([[9., 6., 5., 6., 9., 1., 9., 8.],
       [4., 3., 9., 2., 8., 5., 3., 4.]])]
[[5. 9.]
 [7. 9.]
 [4. 5.]
 [2. 7.]
 [6. 0.]
 [1. 5.]
 [1. 9.]
 [9. 0.]
 [3. 3.]
 [3. 7.]
 [0. 8.]
 [1. 1.]]





[array([[5., 9.],
        [7., 9.],
        [4., 5.],
        [2., 7.]]), array([[6., 0.],
        [1., 5.],
        [1., 9.],
        [9., 0.]]), array([[3., 3.],
        [3., 7.],
        [0., 8.],
        [1., 1.]])]

转载于:https://www.cnblogs.com/SweetZxl/p/11124175.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值