●
Python = 46/365
●
有了数据就有了一切!回到枯燥而重要的数据部分。数据枯燥吗?一点儿都不。想想你看到的股票画面,想想你看到的成绩单,再想想你的信用卡账单🤩🤩🤩哪里枯燥,一点儿也不……
![434b6e990523ba2b903ec1991b15b0e8.gif](https://i-blog.csdnimg.cn/blog_migrate/70f340c715798290ba4251ec9d12f849.gif)
日更不停,你看行不行?
我带着你,你带着Python Flag,共勉!
No.1 Python-NumPy数组操作(2)(1)算术运算
数组上的算术运算符按元素应用。创建一个新数组,并用结果填充。
>>> a = np.array( [20,30,40,50] )>>> b = np.arange( 4 )>>> barray([0, 1, 2, 3])>>> c = a-b >>> carray([20, 29, 38, 47])
以上是减法,表示对应元素的差值
#数组b的平方运算>>> b**2array([0, 1, 4, 9])
当然,当然,更复杂的来了!
>>> 10*np.sin(a)array([ 9.12945251, -9.88031624, 7.4511316 , -2.62374854])>>> a<35array([ True, True, False, False])
(2)矩阵运算
与许多矩阵语言不同,乘积运算符*在NumPy数组中按元素进行运算。可以使用@运算符(在python> = 3.5中)或dot点函数或方法执行矩阵乘积:
>>> A = np.array( [[1,1],[0,1]] )
>>> B = np.array( [[2,0],[3,4]] )
>>> A * B
array([[2, 0],
[0, 4]])
>>> A @ B
array([[5, 4],
[3, 4]])
>>> A.dot(B)
array([[5, 4],
[3, 4]])
No.2 Python-NumPy数组索引、切片
一维数组可以被索引,切片和遍历,就像列表和其他Python序列一样。
>>> a = np.arange(10)**2>>> aarray([ 0, 1, 4, 9, 16, 25, 36, 49, 64, 81])>>> a[2]4>>> a[2:5]array([ 4, 9, 16])
a [:6:2] = 1000;
从开始到位置6(不包括位置6),将每个第二个元素设置为1000
>>> a[:6:2] = 1000>>> aarray([1000, 1, 1000, 9, 1000, 25, 36, 49, 64, 81])
No.3 Python-NumPy的Shape操作
shape 数组的形状
reshape改变数组的形状
>>> aarray([1000, 1, 1000, 9, 1000, 25, 36, 49, 64, 81])>>> a.shape(10,)>>> a.reshape(5,2)array([[1000, 1], [1000, 9], [1000, 25], [ 36, 49], [ 64, 81]])>>> a.shape(10,)
数组的形状可以使用各种命令来更改。请注意,以上命令均返回修改后的数组,但不更改原始数组。
一个人可以随意地阅读和学习,却不能随意地思考。
--叔本华
Python365专辑
![5035b499443df5ee344ae36b38bf5934.png](https://i-blog.csdnimg.cn/blog_migrate/a7a1474c96a07935c51feaa6b6b16453.png)
![9dd6ce8db6cb7a584e1f86b7ae7c34ec.png](https://i-blog.csdnimg.cn/blog_migrate/b4a1b2ddb5daf889a9c5c13c82161283.jpeg)
![34757ab232017e85ba1c043a880a8f5a.png](https://i-blog.csdnimg.cn/blog_migrate/8f7275fa02b22f2db5adfeca30ea8934.png)