Numpy常用API汇总

np.array(list),通过一个列表创建数据，可用dtype指定数据类型。

np.array([1,2,3],dtype=np.int32)

np.concatenate，拼接。注意与torch.cat区别

arr1 = rng.random((2, 3))
arr2 = rng.random((2, 3))
arr1, arr2
"""
arr1, arr2
(array([[0.77395605, 0.43887844, 0.85859792],
        [0.69736803, 0.09417735, 0.97562235]]),
 array([[0.7611397 , 0.78606431, 0.12811363],
        [0.45038594, 0.37079802, 0.92676499]]))
"""
# 默认沿axis=0（列）连接
np.concatenate((arr1, arr2))
"""
array([[0.77395605, 0.43887844, 0.85859792],
       [0.69736803, 0.09417735, 0.97562235],
       [0.7611397 , 0.78606431, 0.12811363],
       [0.45038594, 0.37079802, 0.92676499]])
"""
# 沿 axis=1（行）连接
np.concatenate((arr1, arr2), axis=1)
"""
array([[0.77395605, 0.43887844, 0.85859792, 0.7611397 , 0.78606431,
        0.12811363],
       [0.69736803, 0.09417735, 0.97562235, 0.45038594, 0.37079802,
        0.92676499]])
"""

筛选提取 np.where,返回各维度符合条件的index

arr
"""
array([[ 9, 77, 65, 44],
       [43, 86,  9, 70],
       [20, 10, 53, 97]])
"""
# 返回满足条件的索引，因为是两个维度，所以会返回两组结果
np.where(arr > 50)
"""
(array([0, 0, 1, 1, 2, 2]), array([1, 2, 1, 3, 2, 3]))
"""
# 不满足条件的赋值，将 <=50 的替换为 -1
np.where(arr > 50, arr, -1)
"""
array([[-1, 77, 65, -1],
       [-1, 86, -1, 70],
       [-1, -1, 53, 97]])
"""

返回结果有两组array结果，分别对应满足条件数据位置的行和列，一一对应的关系。

四舍五入取整，np.round(a,b)  a为np数组，b为保留的小数位数

向下取整 np.floor()

向上取整 np.ceil()

矩阵乘法

a, b
"""
array([[1, 7],
        [6, 4],
        [4, 8]]),
array([[1, 7, 2, 1],
       [5, 9, 7, 7]])
"""
# array 乘法
np.dot(a, b)
"""
array([[ 36,  70,  51,  50],
       [ 26,  78,  40,  34],
       [ 44, 100,  64,  60]])
"""
# 或者这样乘
a.dot(b)
"""
array([[ 36,  70,  51,  50],
       [ 26,  78,  40,  34],
       [ 44, 100,  64,  60]])
"""
# 矩阵乘法
# 与 dot 的主要区别是：matmul 矩阵（好像元素一样）堆叠在一起广播
np.matmul(a, b)
"""
array([[ 36,  70,  51,  50],
       [ 26,  78,  40,  34],
       [ 44, 100,  64,  60]])
"""
# 同上，写起来比较好看的方法
a @ b
"""
array([[ 36,  70,  51,  50],
       [ 26,  78,  40,  34],
       [ 44, 100,  64,  60]])
"""
# 点积
np.vdot(a, a)
"""
182
"""
# 内积
np.inner(a, a)
"""
array([[50, 34, 60],
       [34, 52, 56],
       [60, 56, 80]])
"""
# 内积另一种计算方法
a.dot(a.T)
"""
array([[50, 34, 60],
       [34, 52, 56],
       [60, 56, 80]])
"""
# 行列式
np.linalg.det(c)
"""
-19.999999999999996
"""
# 逆矩阵（方阵）
np.linalg.inv(c)
"""
array([[ 0.2 , -0.2 ,  0.  ],
       [-1.05,  0.55,  1.25],
       [ 1.6 , -0.6 , -2.  ]])
"""

矩阵乘法a.dot(b)，类型线代矩阵相乘，点积a.dot(a.T)也是同样算法。