随笔记录——numpy1

已于 2022-02-18 18:33:15 修改
阅读量518 收藏
点赞数
分类专栏： 个人学习笔记——初版 文章标签： python
于 2022-02-18 15:54:55 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_36893273/article/details/123003330
版权
这篇博客介绍了如何使用numpy对数组进行基于布尔值的过滤和索引操作。通过示例展示了如何选取特定名称对应的行、按条件选取列、对数据取反以及联合多个条件进行过滤。还讨论了在赋值时的注意事项，以及如何通过索引获取特定顺序的子集。内容涵盖了数据选择、切片和多条件操作，对于理解numpy数据处理非常有帮助。
摘要由CSDN通过智能技术生成
10、假设每个人名都和data数组中的一行相对应，并且我们想要选中所有’nana’对应的行。
names = np.array(['nana', 'zhengzheng', 'fangfang', 'zhengzheng', 'nana', 'dingding', 'huanhuan'])
data = np.random.rand(7, 5)
data
Out[83]: 
array([[0.36880059, 0.8395524 , 0.1620856 , 0.43745294, 0.60072609],
       [0.90758299, 0.85110065, 0.33240056, 0.12152409, 0.2311381 ],
       [0.68127254, 0.29100165, 0.24362704, 0.22374143, 0.78298262],
       [0.81500746, 0.33877205, 0.4698735 , 0.85866448, 0.2551259 ],
       [0.81626763, 0.75416682, 0.70522153, 0.00727943, 0.67708974],
       [0.67674142, 0.32260481, 0.98239335, 0.69060303, 0.24409228],
       [0.53585089, 0.20241624, 0.40155367, 0.00163832, 0.55407748]])

数组的比较操作（比如==）也是可以向量化的。因此，比较names数组和字符串’nana’会产生一个布尔值数组：

names == 'nana'
Out[84]: array([ True, False, False, False,  True, False, False])

在索引数组时可以传入布尔值数组：

data[names == 'nana']
Out[85]: 
array([[0.36880059, 0.8395524 , 0.1620856 , 0.43745294, 0.60072609],
       [0.81626763, 0.75416682, 0.70522153, 0.00727943, 0.67708974]])

注：当布尔值数组的长度不正确时，布尔值选择数据的方法并不会报错，因此我建议在使用该特性的时候要小心。

10.1、在选择行的同时索引列
data[names == 'nana', 3:]
Out[87]: 
array([[0.43745294, 0.60072609],
       [0.00727943, 0.67708974]])
10.2、条件取反

为了选择除了’nana’以外的其他数据，你可以使用！=或在条件表达式前使用～对条件取反：

names != 'nana'
Out[89]: array([False,  True,  True,  True, False,  True,  True])
data[~(names=='nana')]
Out[91]: 
array([[0.90758299, 0.85110065, 0.33240056, 0.12152409, 0.2311381 ],
       [0.68127254, 0.29100165, 0.24362704, 0.22374143, 0.78298262],
       [0.81500746, 0.33877205, 0.4698735 , 0.85866448, 0.2551259 ],
       [0.67674142, 0.32260481, 0.98239335, 0.69060303, 0.24409228],
       [0.53585089, 0.20241624, 0.40155367, 0.00163832, 0.55407748]])
10.3、多个条件过滤

当要选择三个名字中的两个时，可以对多个布尔值条件进行联合，需要使用数学操作符如&（and）和|（or）：

mask = (names =='nana')|(names=='dingding')
mask
Out[93]: array([ True, False, False, False,  True,  True, False])
data[mask]
Out[94]: 
array([[0.36880059, 0.8395524 , 0.1620856 , 0.43745294, 0.60072609],
       [0.81626763, 0.75416682, 0.70522153, 0.00727943, 0.67708974],
       [0.67674142, 0.32260481, 0.98239335, 0.69060303, 0.24409228]])
10.4、对布尔值选择的数据赋值

使用布尔值索引选择数据时，总是生成数据的拷贝，所以如果想更新值，需要直接赋值：

un_data = data[~(names=='nana')]
un_data = 0
# 原来的数组值不会有任何变化
data
Out[101]: 
array([[0.36880059, 0.8395524 , 0.1620856 , 0.43745294, 0.60072609],
       [0.90758299, 0.85110065, 0.33240056, 0.12152409, 0.2311381 ],
       [0.68127254, 0.29100165, 0.24362704, 0.22374143, 0.78298262],
       [0.81500746, 0.33877205, 0.4698735 , 0.85866448, 0.2551259 ],
       [0.81626763, 0.75416682, 0.70522153, 0.00727943, 0.67708974],
       [0.67674142, 0.32260481, 0.98239335, 0.69060303, 0.24409228],
       [0.53585089, 0.20241624, 0.40155367, 0.00163832, 0.55407748]])
# 直接赋值才有效果
data[data < 0.1] = 0
data
Out[103]: 
array([[0.36880059, 0.8395524 , 0.1620856 , 0.43745294, 0.60072609],
       [0.90758299, 0.85110065, 0.33240056, 0.12152409, 0.2311381 ],
       [0.68127254, 0.29100165, 0.24362704, 0.22374143, 0.78298262],
       [0.81500746, 0.33877205, 0.4698735 , 0.85866448, 0.2551259 ],
       [0.81626763, 0.75416682, 0.70522153, 0.        , 0.67708974],
       [0.67674142, 0.32260481, 0.98239335, 0.69060303, 0.24409228],
       [0.53585089, 0.20241624, 0.40155367, 0.        , 0.55407748]])
11、通过索引获取特定顺序的子集
arr = np.empty((8, 4))
for i in range(8):
    arr[i] = i
arr
Out[106]: 
array([[0., 0., 0., 0.],
       [1., 1., 1., 1.],
       [2., 2., 2., 2.],
       [3., 3., 3., 3.],
       [4., 4., 4., 4.],
       [5., 5., 5., 5.],
       [6., 6., 6., 6.],
       [7., 7., 7., 7.]])
arr[[2, 3, 1, 6]]
Out[107]: 
array([[2., 2., 2., 2.],
       [3., 3., 3., 3.],
       [1., 1., 1., 1.],
       [6., 6., 6., 6.]])
       
arr[[-4, -3, -1]]
Out[108]: 
array([[4., 4., 4., 4.],
       [5., 5., 5., 5.],
       [7., 7., 7., 7.]])
11.1、传递多个索引数组选定特定值

下面是选定(0, 2),(2, 0), (3, 4)位置的值并组成一维数组。

arr = np.arange(20).reshape((4, 5))

arr[[0, 2, 3 ], [2, 0 , 4]]
Out[110]: array([ 2, 10, 19])

arr
Out[111]: 
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])

下面是选择定(0,2,3)行的(2, 0,4)列数据

arr[[0, 2, 3 ]][:,[2, 0 , 4]]
Out[112]: 
array([[ 2,  0,  4],
       [12, 10, 14],
       [17, 15, 19]])
就是一顿骚操作
关注
专栏目录
随笔记录——numpy
XD的博客
02-16 499
1、生成随机数 import numpy as np data = np.random.randn(2, 3) data array([[-0.06180816, -0.34319508, 0.28056151], [-0.15430366, -0.7140969 , -1.67410168]]) #####1.1 给随机数加上一个 data*10 array([[ -0.61808156, -3.43195079, 2.80561508], [ -1.54303661
随笔记录——numpy2
XD的博客
02-21 805
12、 数组转置 arr = np.arange(12).reshape((4, 3)) arr Out[114]: array([[ 0, 1, 2], [ 3, 4, 5], [ 6, 7, 8], [ 9, 10, 11]]) arr.T Out[115]: array([[ 0, 3, 6, 9], [ 1, 4, 7, 10], [ 2, 5, 8, 11]]) 12.1、矩阵內积 np.dot(
随笔记录——numpy.pad()
XD的博客
03-07 2813
1.直接对列表两端进行填充 a = list(range(1, 6)) np.pad(array=a, pad_width=(2, 3), mode='constant', constant_values=(100, -100)) Out[12]: array([ 100, 100, 1, 2, 3, 4, 5, -100, -100, -100]) 其中 array: 需要pad的列表 pad_width: 填充到每个轴边缘的数值，在这里，就是说在 左边填充两个元素，
随笔记录——numpy3(线性代数)
XD的博客
02-24 517
21、np中的线性代数相关函数 矩阵乘法、分解、行列式等方阵数学。 21.1 矩阵乘法 x = np.random.randint(low=0, high=20, size=(2, 5)) y = np.random.randint(low=0, high=20, size=(5, 3)) x Out[238]: array([[16, 11, 1, 18, 13], [10, 10, 15, 10, 3]]) y Out[239]: array([[ 2, 19, 4],
随笔记录——numpy4(伪随机数生成)
XD的博客
02-25 2483
numpy.random模块填补了Python内建的random模块的不足，可以高效地生成多种概率分布下的完整样本值数组。 22、指定均值方差，生成符合正态分布的随机数 np.random.normal(loc=0, scale=0.1, size=10) Out[8]: array([ 0.04967142, -0.01382643, 0.06476885, 0.15230299, -0.02341534, -0.0234137 , 0.15792128, 0.07674347,
随笔记录——pytorch创建tensor函数
XD的博客
03-21 2131
1、通过复制数据构造张量 1.1 torch.tensor() torch.tensor([[0.1, 1.2], [2.2, 3.1], [4.9, 5.2]]) Out[111]: tensor([[0.1000, 1.2000], [2.2000, 3.1000], [4.9000, 5.2000]]) torch.tensor([0, 1]) Out[112]: tensor([0, 1]) torch.tensor([[0.11111, 0.222222, 0.
随笔记录——pandas(数据联合)
XD的博客
03-03 707
5、根据索引合并 DataFrame中用于合并的键是它的索引。在这种情况下，你可以传递left_index=True或right_index=True（或者都传）来表示索引需要用来作为合并的键： df1 = pd.DataFrame({'col1':range(5), 'col2':['a', 'b', 'c', 'd', 'e']}) df1 Out[91]: col1 col2 0 0 a 1 1 b 2 2 c 3 3 d 4
pytorch学习随笔记录二——遇到的未知函数记录
专业技能学习笔记本
02-25 325
文章目录numpy数组维度互换函数**swapaxes** numpy数组维度互换函数swapaxes 由于本次写的程序需要将数据数组除了batch之外，每次需要二次分组。所以处理数据维度又多了一层，但是经常需要变换两个分组的维度。此处用到swapaxes函数。数组是numpy库的。 num = np.random.random((2,3,4)) print(num) num = np.swapa...
随笔记录（扩展）——np.where
XD的博客
03-14 1292
where基本使用 15.1、使用where 按照条件查询出两个字段的值 xarr = np.array([1, 2, 3, 4, 5]) yarr = np.array([-1, -2, -3, -4, -5]) cond = np.array([True, False, True, False, False]) np.where(cond, xarr, yarr) Out[174]: array([ 1, -2, 3, -4, -5]) 15.2、使用where在原有的array中填充常数 a
随笔杂记(一)——小语种nlp文本预处理——数据清洗
InkBamboo920的博客
05-14 3004
（roman urdu小语种为例） link: https://www.kesci.com/home/competition/5c77ab9c1ce0af002b55af86/content/1 本练习赛所用数据，是名为「Roman Urdu DataSet」的公开数据集。 这些数据，均为文本数据。原始数据的文本，对应三类情感标签：Positive, Negati...
用户价值分层——基于RFM模型的研究分析
weixin_43452483的博客
03-04 2498
用户价值分层——基于RFM模型的研究分析RFM模型的概念和用途名词解释RFM模型概念RFM模型用途基于RFM模型的实践实验数据数据预处理基于RFM模型的用户评分分层基于RFM的用户价值分层基于RFM模型的场景应用基于RFM模型构建用户画像基于RFM模型实现精准营销 **导读:**学习随笔，近期一直在研究关于用户的数据分析产品，网上翻阅了诸多文集，想想还是自己落笔记录下过程。该篇文章主要是针对RFM模型的介绍与实践，在研究理论的同时，亦学习巩固下Python的能力。 RFM模型的概念和用途 你好！ 这
android创建布局文件,android学习——Android Studio下创建menu布局文件
weixin_42548874的博客
05-26 4824
一、问题：android studio项目中没有看到menu文件夹：在android studio项目中想要添加menu布局文件，一开始我的做法是：直接在res文件夹右键选择xml文件来添加，如下图：但是会发现新建的布局文件好像很奇怪，不能添加menu以及item，如下图：二、解决办法：经过百度才知道menu布局文件要在menu文件夹地下创建才行，正确的做法如下：(1)先在res文件夹右键，然后如...
京东JData算法大赛高潜用户购买意向预测——复现（并没有），提供数据集
weixin_30398227的博客
12-01 957
19-1-15更新，后面改了做法所以随笔烂尾了，具体内容不用看，想参考的可以看下面的参考链接另外提供数据集在百度云，希望能帮到大家链接: https://pan.baidu.com/s/1ojjVqjXS0cP2KAAyC-tsxg 提取码: semp一、前言 　　完全是重现别人的过程，学习思路和处理方式，仅供记录，具体请看参考链接，更完善清晰 　　参考链接　　　　　　ht...
python神经网络模型调用后预测值不变_我的Keras使用总结（1）——Keras概述与常见问题整理,Python机器学习笔记：利用Keras进行分类预测,Python机器学习笔记：使用Keras进...
weixin_39932838的博客
12-05 1622
今天整理了自己所写的关于Keras的博客，有没发布的，有发布的，但是整体来说是有点乱的。上周有空，认真看了一周Keras的中文文档，稍有心得，整理于此。这里附上Keras官网地址：下面回顾一下自己以前写的有关Keras的博客：首先是上面两篇博客，这两篇写出来，其实是整理笔记，单纯的学习一下基础的回归和分类，使用Keras创建一个简单的回归问题的神经网络模型和多类分类的模型。使用了最经典的回归数据波...
VeighNa：强大的Python开源量化交易平台
Unity打怪升级
09-26 691
VeighNa（简称 VN 或 vn.py）是一个基于 Python 的开源量化交易平台，专为量化交易爱好者和专业交易员设计。VeighNa 是由国内开发者社区推动的开源项目，旨在提供一个功能丰富、灵活且易于扩展的量化交易解决方案。该框架不仅支持多种资产类别的交易，如股票、期货、期权、加密货币等，还支持多种交易接口和协议，使得用户能够轻松进行多市场、多品种的交易策略开发和部署。
第二百五十四节 JPA教程 - JPA 多对多映射示例
最新发布
2301_78772942的博客
09-27 706
第二百五十四节 JPA教程 - JPA 多对多映射示例
python中的深浅拷贝以及总体框架了解
AgostoDu的博客
09-26 1169
1、当b使用copy.deepcopy()深拷贝的时候，可以理解为b不仅外面的整体开辟了一个新的内存地址，b里面包含的列表也开辟了新的内存地址和a里面的内存地址没有任何关系，所以当a修改里面列表元素的值时不会影响b里面列表元素的值。print(mr) #{'name': 'lis', 'age': 18, 'scroe': 100}<br>备注：已经存在的值的优先级>默认值<br>6.3 直接修改 值，显示最新修改值 （修改默认值优先级小于直接添加的字典值）<br>
Python精选200Tips：171-175
AnFany
09-26 1304
Python深度学习的项目
Python库——Numpy
09-11
Numpy是一个Python库，用于进行科学计算。它提供了一个强大的多维数组对象ndarray，并且包含了许多用于数组计算的函数和方法。通过Numpy，我们可以进行数组的创建、索引和切片操作，还可以进行矩阵运算和使用通用...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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