计算类常用函数

除法
Python2和Python3之间的不同

#Python2
>>> 7/10
0

#Python3
>>> 7/10
0.7
>>> int(7/10)
0

随机生成0-1之间的浮点数的矩阵

import numpy as np

>>> np.random.rand(3,2)
array([[0.56908707, 0.03398069],
       [0.19991421, 0.11010911],
       [0.67583683, 0.01601891]])

随机生成规定范围内的整数

>>> np.random.randint(0,10,(3,2))
array([[7, 0],
       [9, 3],
       [7, 3]])

二项分布函数

#np.random.binomial(n,p,size=N),函数的返回值表示n中成功的次数
>>> np.random.binomial(5, 0.5, size=(2,3)) # 一次试验抛5次硬币朝上的硬币数，做2*3次试验
array([[2, 2, 3],
       [3, 5, 3]])

程序运行时间

import time
time_start=time.time()
time_end=time.time()
print('totally cost',time_end-time_start)

矩阵乘法
使用numpy：二维矩阵得到矩阵乘积，一维矩阵得到两者内积

import numpy as np

# 2-D array: 2 x 3
two_dim_matrix_one = np.array([[1, 2, 3], [4, 5, 6]])
# 2-D array: 3 x 2
two_dim_matrix_two = np.array([[1, 2], [3, 4], [5, 6]])

two_multi_res = np.dot(two_dim_matrix_one, two_dim_matrix_two)
print('two_multi_res: %s' %(two_multi_res))

# 1-D array
one_dim_vec_one = np.array([1, 2, 3])
one_dim_vec_two = np.array([4, 5, 6])
one_result_res = np.dot(one_dim_vec_one, one_dim_vec_two)
print('one_result_res: %s' %(one_result_res))

output：
two_multi_res: [[22 28]
 [49 64]]
one_result_res: 32

不调包的普通票那个矩阵乘法

#A\B两个矩阵相乘
def matrixMul(A, B):
	return [[sum(a * b for a, b in zip(a, b)) for b in zip(*B)] for a in A]

zip()函数
zip() 函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。
如果各个迭代器的元素个数不一致，则返回列表长度与最短的对象相同，利用 * 号操作符，可以将元组解压为列表。
zip 方法在 Python 2 和 Python 3 中的不同：在 Python 3.x 中为了减少内存，zip() 返回的是一个对象。如需展示列表，需手动 list() 转换。

>>>a = [1,2,3]
>>> b = [4,5,6]
>>> c = [4,5,6,7,8]
>>> zipped = zip(a,b)     # 打包为元组的列表
[(1, 4), (2, 5), (3, 6)]
>>> zip(a,c)              # 元素个数与最短的列表一致
[(1, 4), (2, 5), (3, 6)]
>>> zip(*zipped)          # 与 zip 相反，*zipped 可理解为解压，返回二维矩阵式
[(1, 2, 3), (4, 5, 6)]

图片下采样（numpy数组按固定步长抽样、数组求和）

def downsample_avg(img):
	batch1 = img[::2,::2,:]	#将图片每2*2像素点抽1，分成4部分
	batch2 = img[1::2,::2,:]
	batch3 = img[::2,1::2,:]
	batch4 = img[1::2,1::2,:]
	return ((np.sum([batch1,batch2,batch3,batch4], axis = 0))/4)	#求和并取均值，axis = 0表示纵向求和