numpy应用

最新推荐文章于 2024-07-24 23:27:06 发布
最新推荐文章于 2024-07-24 23:27:06 发布
阅读量276 收藏
点赞数
文章标签： python
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/yy031/article/details/120074553
版权

numpy应用十分繁多复杂，以下为本人整理的一些重要用法和具体例子和运行结果：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

c = np.arange(1,13).reshape(6,2)
c

array([[ 1,  2],
       [ 3,  4],
       [ 5,  6],
       [ 7,  8],
       [ 9, 10],
       [11, 12]])

 np.vsplit(c,3)

[array([[1, 2],
        [3, 4]]),
 array([[5, 6],
        [7, 8]]),
 array([[ 9, 10],
        [11, 12]])]

d =c.T
d

array([[ 1,  3,  5,  7,  9, 11],
       [ 2,  4,  6,  8, 10, 12]])

np.hsplit(d,3)

[array([[1, 3],
        [2, 4]]),
 array([[5, 7],
        [6, 8]]),
 array([[ 9, 11],
        [10, 12]])]

a = np.array([[1,2],
              [3,4]])
b = np.array([[5,6],
              [7,8]])
e = np.dstack((a,b))
e

array([[[1, 5],
        [2, 6]],

       [[3, 7],
        [4, 8]]])

np.dsplit(e,2)

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

inistate =np.array([1,2,3,4])
pre_inistate = inistate[0:3]
pre_inistate

array([1, 2, 3])

import numpy as np
a = np.array([1,1,1,1])
b = np.array([[1],[1],[1],[1]])
a+b

array([[2, 2, 2, 2],
       [2, 2, 2, 2],
       [2, 2, 2, 2],
       [2, 2, 2, 2]])

c = np.array([[1,1,1,1]])
c+b

array([[2, 2, 2, 2],
       [2, 2, 2, 2],
       [2, 2, 2, 2],
       [2, 2, 2, 2]])

W = np.array([[1,1,1],[2,2,2]])
W[:,1]

array([1, 2])

W[1]

array([2, 2, 2])

W[:,1] = np.array([5,5])
W

array([[1, 5, 1],
       [2, 5, 2]])

import numpy as np
matrix = [
[1,2,3,4],
[5,6,7,8],
[9,10,11,12]
]
p1 = np.delete(matrix, 1, 0) # 第0维度(行)第1行被删除(初始行为0行)
print('>>>>p1>>>>\n',p1)
p2 = np.delete(matrix, 1, 1) # 第1维度(列)第1行被删除
print('>>>>p2>>>>\n',p2)
p3 = np.delete(matrix, 1) # 拉平后删除第1个元素(初始为第0个)
print('>>>>p3>>>>\n',p3)
p4 = np.delete(matrix, [0,1], 1) # 第1维度(列)第0、1行被删除
print('>>>>p4>>>>\n',p4)


>>>>p1>>>>
 [[ 1  2  3  4]
 [ 9 10 11 12]]
>>>>p2>>>>
 [[ 1  3  4]
 [ 5  7  8]
 [ 9 11 12]]
>>>>p3>>>>
 [ 1  3  4  5  6  7  8  9 10 11 12]
>>>>p4>>>>
 [[ 3  4]
 [ 7  8]
 [11 12]]

import numpy as np
matrix = [
[1,2,3,4],
[5,6,7,8],
[9,10,11,12]
]
q1 = np.insert(matrix, 1, [1,1,1,1], 0) # 第0维度(行)第1行添加[1,1,1,1]
print('>>>>q1>>>>\n',q1)
q2 = np.insert(matrix, 0, [1,1,1], 1) # 第1维度(列)第0列添加1,1,1
print('>>>>q2>>>>\n',q2)
q3 = np.insert(matrix, 3, [1,1,1,1], 0) # 第0维度(行)第3行添加[1,1,1,1]
print('>>>>q3>>>>\n',q3)


>>>>q1>>>>
 [[ 1  2  3  4]
 [ 1  1  1  1]
 [ 5  6  7  8]
 [ 9 10 11 12]]
>>>>q2>>>>
 [[ 1  1  2  3  4]
 [ 1  5  6  7  8]
 [ 1  9 10 11 12]]
>>>>q3>>>>
 [[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]
 [ 1  1  1  1]]

import numpy as np
matrix = [
[1,2,3,4],
[5,6,7,8],
[9,10,11,12]
]
m1 = np.append(matrix,[[1,1,1,1]],axis=0)
print('>>>>m1>>>>\n',m1)
m2 = np.append(matrix,[[1],[1],[1]],axis=1)
print('>>>>m2>>>>\n',m2)
m3 = np.append(matrix,[1,1,1,1])
print('>>>>m3>>>>\n',m3)

>>>>m1>>>>
 [[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]
 [ 1  1  1  1]]
>>>>m2>>>>
 [[ 1  2  3  4  1]
 [ 5  6  7  8  1]
 [ 9 10 11 12  1]]
>>>>m3>>>>
 [ 1  2  3  4  5  6  7  8  9 10 11 12  1  1  1  1]

import numpy as np
a1 = np.random.choice(7,5) 
a1

array([6, 1, 2, 2, 2])

a2 = np.random.choice([0,1,2,3,4,5,6],5) 
a2


array([0, 0, 3, 6, 1])

a3 = np.random.choice(np.array([0,1,2,3,4,5,6]),5)
a3

array([5, 5, 6, 1, 1])

a4 = np.random.choice([0,1,2,3,4,5,6],5,replace=False) 
a4

array([5, 4, 1, 3, 6])

a5 = np.random.choice(np.array([0,1,2,3,4,5,6]),5,p=[0.1,0.1,0.1,0.1,0.1,0.1,0.4])
a5

array([4, 2, 1, 0, 5])

import numpy as np
a = np.array([[1,1,1],[2,2,2],[0,3,6]])
a

array([[1, 1, 1],
       [2, 2, 2],
       [0, 3, 6]])

b1 = np.argmax(a) 
b1

8

b2 = np.argmax(a, axis=0) 
b2

array([1, 2, 2], dtype=int64)

b3 = np.argmax(a, axis=1)

b3

array([0, 0, 2], dtype=int64)

y1 = np.linspace(-10.0,10.0) 
y1

array([-10.        ,  -9.59183673,  -9.18367347,  -8.7755102 ,
        -8.36734694,  -7.95918367,  -7.55102041,  -7.14285714,
        -6.73469388,  -6.32653061,  -5.91836735,  -5.51020408,
        -5.10204082,  -4.69387755,  -4.28571429,  -3.87755102,
        -3.46938776,  -3.06122449,  -2.65306122,  -2.24489796,
        -1.83673469,  -1.42857143,  -1.02040816,  -0.6122449 ,
        -0.20408163,   0.20408163,   0.6122449 ,   1.02040816,
         1.42857143,   1.83673469,   2.24489796,   2.65306122,
         3.06122449,   3.46938776,   3.87755102,   4.28571429,
         4.69387755,   5.10204082,   5.51020408,   5.91836735,
         6.32653061,   6.73469388,   7.14285714,   7.55102041,
         7.95918367,   8.36734694,   8.7755102 ,   9.18367347,
         9.59183673,  10.        ])

y2 = np.linspace(1,10,10) 
y2

array([ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.])

y3 = np.linspace(1,10,10,endpoint=False) 
y3

array([1. , 1.9, 2.8, 3.7, 4.6, 5.5, 6.4, 7.3, 8.2, 9.1])

y4= np.linspace(1, 10, 6, retstep=True)
y4

(array([ 1. ,  2.8,  4.6,  6.4,  8.2, 10. ]), 1.8)

import numpy as np
x = np.array([[1,2,3],[4,5,6],[1,2,3]])
x.flatten()

array([1, 2, 3, 4, 5, 6, 1, 2, 3])

x.ravel()

array([1, 2, 3, 4, 5, 6, 1, 2, 3])

x.ravel('F')


array([1, 4, 1, 2, 5, 2, 3, 6, 3])

x.flatten('F')

array([1, 4, 1, 2, 5, 2, 3, 6, 3])

x.flatten()[1] = 20
x

array([[1, 2, 3],
       [4, 5, 6],
       [1, 2, 3]])

x.ravel()[1] = 20
x

array([[ 1, 20,  3],
       [ 4,  5,  6],
       [ 1,  2,  3]])

x.reshape(1,-1)

array([[ 1, 20,  3,  4,  5,  6,  1,  2,  3]])

x = np.array([1,2,3,6,7,8])
x[None,:]

array([[1, 2, 3, 6, 7, 8]])

x[:,None]

array([[1],
       [2],
       [3],
       [6],
       [7],
       [8]])

x[np.newaxis, :] 

array([[1, 2, 3, 6, 7, 8]])

x = np.array([[1,2,3],[2,3,4]])
np.prod(x)

144

np.prod(x,axis=1)

array([ 6, 24])

np.prod(x,axis=0)


array([ 2,  6, 12])

import numpy as np
x = np.array([[1,2,3],[-3,2,4],[5,-2,9]])
x

array([[ 1,  2,  3],
       [-3,  2,  4],
       [ 5, -2,  9]])

y1 = np.maximum(0,x) 
y1

array([[1, 2, 3],
       [0, 2, 4],
       [5, 0, 9]])

y2 = np.minimum(0,x) 
y2

array([[ 0,  0,  0],
       [-3,  0,  0],
       [ 0, -2,  0]])

x1 = x.copy()
x1

array([[ 1,  2,  3],
       [-3,  2,  4],
       [ 5, -2,  9]])

x1[x1 < 0] = 0 # 把小于0的元素置0，改变x1的值
x1

array([[1, 2, 3],
       [0, 2, 4],
       [5, 0, 9]])

x2 = x.copy()
x2[x2 > 0] = 0 # 把大于0的元素置0，改变x2的值
x2

array([[ 0,  0,  0],
       [-3,  0,  0],
       [ 0, -2,  0]])

import numpy as np
x = np.array([[1,2,3],[-3,2,4],[5,-2,9]])
x

array([[ 1,  2,  3],
       [-3,  2,  4],
       [ 5, -2,  9]])

x1 = x.copy()
x1[x1 > 0] = 0
x1

array([[ 0,  0,  0],
       [-3,  0,  0],
       [ 0, -2,  0]])

x

array([[ 1,  2,  3],
       [-3,  2,  4],
       [ 5, -2,  9]])

x2=x
x2

array([[ 1,  2,  3],
       [-3,  2,  4],
       [ 5, -2,  9]])

x2[x2>0] = 0
x2

array([[ 0,  0,  0],
       [-3,  0,  0],
       [ 0, -2,  0]])

x

array([[ 0,  0,  0],
       [-3,  0,  0],
       [ 0, -2,  0]])

x = np.array([[1,2,3],[-3,2,4],[5,-2,9]])
x3 = x[2]
x3

array([ 5, -2,  9])

x3[2]=100
x

array([[  1,   2,   3],
       [ -3,   2,   4],
       [  5,  -2, 100]])

import numpy as np
x = np.array([[1,2,3],[4,5,6]])
np.zeros_like(x)

array([[0, 0, 0],
       [0, 0, 0]])

np.random.uniform()

0.5822416445375888

import numpy as np
n = np.random.rand(3,4)
n


array([[0.94413443, 0.3371882 , 0.54830721, 0.10683446],
       [0.82905664, 0.70125709, 0.97101278, 0.30787011],
       [0.89848388, 0.85978907, 0.92734189, 0.17441864]])

import numpy as np
x = np.random.randn(2,3)
x

array([[ 0.57347479,  0.2729026 ,  0.10536056],
       [-1.5420959 , -1.49278714, -1.0900054 ]])

y = np.multiply(0.1,np.random.randn(2,3))+0.5 
y

array([[0.62219185, 0.5339915 , 0.37376908],
       [0.24906244, 0.49306691, 0.46771363]])

import numpy as np
z = np.random.randint(2,9,(2,3))
z

array([[5, 3, 6],
       [3, 2, 5]])

m = np.random.randint(9,size = (2,3))
m

array([[3, 2, 7],
       [1, 5, 7]])

x = 'You are right'
type(x)


str

assert type(x)==str,'x is not str'
x = [1,2,3]
type(x)


list

assert type(x)==str, 'x is not str'


---------------------------------------------------------------------------

AssertionError                            Traceback (most recent call last)

<ipython-input-95-dda06d9ecfb5> in <module>
----> 1 assert type(x)==str, 'x is not str'


AssertionError: x is not str

A = np.arange(95,99).reshape(2,2)
A

array([[95, 96],
       [97, 98]])

np.pad(A,((3,2),(2,3)),'constant',constant_values = (0,0))

array([[ 0,  0,  0,  0,  0,  0,  0],
       [ 0,  0,  0,  0,  0,  0,  0],
       [ 0,  0,  0,  0,  0,  0,  0],
       [ 0,  0, 95, 96,  0,  0,  0],
       [ 0,  0, 97, 98,  0,  0,  0],
       [ 0,  0,  0,  0,  0,  0,  0],
       [ 0,  0,  0,  0,  0,  0,  0]])

b = np.array([[[1,2],[3,4]],[[3,4],[7,8]],[[4,5],[1,2]]])

b

array([[[1, 2],
        [3, 4]],

       [[3, 4],
        [7, 8]],

       [[4, 5],
        [1, 2]]])

np.pad(b, ((0,0),(1,1),(1,1)), 'constant', constant_values = 0)

array([[[0, 0, 0, 0],
        [0, 1, 2, 0],
        [0, 3, 4, 0],
        [0, 0, 0, 0]],

       [[0, 0, 0, 0],
        [0, 3, 4, 0],
        [0, 7, 8, 0],
        [0, 0, 0, 0]],

       [[0, 0, 0, 0],
        [0, 4, 5, 0],
        [0, 1, 2, 0],
        [0, 0, 0, 0]]])

import numpy as np
x = np.empty([3,2], dtype = int)
print (x)

[[0 0]
 [1 1]
 [1 1]]

import numpy as np
c = np.array([[1,2],[3,4]])
c

array([[1, 2],
       [3, 4]])

c.astype(np.float32)

array([[1., 2.],
       [3., 4.]], dtype=float32)

import numpy as np
x = np.array([1,3,5])
y = np.array([4,6])
XX,YY = np.meshgrid(x,y)
XX

array([[1, 3, 5],
       [1, 3, 5]])

import numpy as np
x = np.array([1,3,5])
y = np.array([4,6])
XX,YY = np.meshgrid(x,y)
XX
YY

array([[4, 4, 4],
       [6, 6, 6]])

import numpy as np
x = np.array([[3,4,5],[1,3,4]])
y = np.array([[1,1,1],[2,2,2]])
np.hstack((x,y))

array([[3, 4, 5, 1, 1, 1],
       [1, 3, 4, 2, 2, 2]])

np.vstack((x,y))

array([[3, 4, 5],
       [1, 3, 4],
       [1, 1, 1],
       [2, 2, 2]])

import numpy as np
a = np.array([0.125,0.568,5.688])
np.round(a)

array([0., 1., 6.])

np.round(a,decimals = 2)

array([0.12, 0.57, 5.69])

np.floor(a)

array([0., 0., 5.])

np.ceil(a)

array([1., 1., 6.])

>>> import numpy as np
>>> c = np.array([1,2,5,4])
>>> c[:,np.newaxis]

array([[1],
       [2],
       [5],
       [4]])

>>> c[np.newaxis,:]

array([[1, 2, 5, 4]])

import numpy as np
a = np.array([[1,2,3],[4,5,6]])
a = np.array([[1,2,3,6],[4,5,6,6]])
a1 = a.reshape((1,2,4))
a1

array([[[1, 2, 3, 6],
        [4, 5, 6, 6]]])

b = np.array([[3,4,5,6],[1,2,3,4],[4,5,5,5]])
b

array([[3, 4, 5, 6],
       [1, 2, 3, 4],
       [4, 5, 5, 5]])

b1 = b.reshape((1,3,4)).transpose((1,0,2))
b1

array([[[3, 4, 5, 6]],

       [[1, 2, 3, 4]],

       [[4, 5, 5, 5]]])

a1

array([[[1, 2, 3, 6],
        [4, 5, 6, 6]]])

a1+b1

array([[[ 4,  6,  8, 12],
        [ 7,  9, 11, 12]],

       [[ 2,  4,  6, 10],
        [ 5,  7,  9, 10]],

       [[ 5,  7,  8, 11],
        [ 8, 10, 11, 11]]])

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

array([[[1, 2, 5],
        [3, 4, 6]],

       [[4, 5, 6],
        [7, 8, 9]]])

c.transpose(1,0,2) 

array([[[1, 2, 5],
        [4, 5, 6]],

       [[3, 4, 6],
        [7, 8, 9]]])

c.transpose(1,2,0) 

array([[[1, 4],
        [2, 5],
        [5, 6]],

       [[3, 7],
        [4, 8],
        [6, 9]]])

import numpy as np
a = np.array([2,2,3,4,5,5,6,7])
a[0:7:2]

array([2, 3, 5, 6])

import numpy as np
a = np.array([2,2,3,4,5,5,6,7])
a[0::2]

array([2, 3, 5, 6])

a[::-1]

array([7, 6, 5, 5, 4, 3, 2, 2])

import numpy as np
a = np.array([2,2,3,4,5,5,6,7])
s = slice(0,7,2)
a[s]

array([2, 3, 5, 6])
yy031
关注
【邱希鹏】神经网络与深度学习编程习题-chap1-warmup
豆子
07-10 1516
1. numpy 的array操作 # 1. 导入numpy库 import numpy as np # 2.建立一个一维数组 a 初始化为[4,5,6], # (1) 输出a 的类型（type） # (2) 输出a的各维度的大小（shape） # (3) 输出 a的第一个元素（值为4） a = np.array([4, 5, 6]) print(type(a)) print(a....
Day40.Numpy的应用
Tomandjava的博客
04-15 909
Numpy的应用 文章目录Numpy的应用前言一. Numpy的介绍1.1 Numpy简介1.2 准备工作二. Numpy的简单应用2.1 创建数组对象2.1.1 一维数组2.1.2 二维数组2.1.3 多维数组2.2 数组对象的属性三. Numpy的升级操作3.1 数组的索引和切片3.2 案例：通过数组切片处理图像3.3 数组对象的方法3.3.1 统计方法3.3.2 其他方法3.4 数组的运算3.4.1 数组跟标量的运算3.4.2 数组跟数组的运算3.4.3 通用一元函数3.4.4 通用二元函数3.4.
35个NumPy数据科学核心方法，从入门到精通
最新发布
csdn1561168266的博客
07-24 1755
NumPy数组支持丰富的元素级数学运算，这些运算可以对数组中的每个元素单独进行。创建一个填充零的NumPy数组是很常见的，可以通过使用NumPy中的。使用NumPy库之前，首先需要进行导入，在Python中，通常将。重塑是指在不改变其数据的情况下给NumPy数组一个新的形状。如果想从NumPy数组中移除长度为一的轴，请用。类似地，如果想返回沿轴的最小值的索引，请使用。要确定NumPy数组中非零元素的索引，请使用。要计算NumPy数组的标准差沿指定数组，使用。要找到NumPy数组中值的平均值沿轴，使用。
numpy的应用
IT浪尖
02-09 709
import numpy as np a = np.array([[1,2,3],[4,5,6]],dtype=np.int32) print(a.dtype) b = np.array([[1,2,3],[4,5,6]],dtype=np.float) print(b.dtype) c = np.zeros((3,4)) # 数据全为0的3行4列矩形 print(c)
Numpy的应用
gadfly7的专栏
08-12 1440
Numpy是单独的一个包，需要安装，可以方便的处理矩阵方面的计算，主要是不需要循环了，对数据处理较方便，其中不熟悉的方法可以谷歌.numpy.方法名。便可以在线找到help文件，列出具体例子。
Python--numpy 应用案例
m0_69073685的博客
07-13 1845
1. 需要分析的文件 2. 读取文件 3. 分析数据 3.1 平均值、最大值、最小值 3.2 数据占比统计 3.3 数据数量统计 4. 总代码
Python--numpy 应用案例 需要分析的文件
07-13
Python--numpy 应用案例 需要分析的文件
Numpy的使用(超详细，有代码示例)
12-22
Numpy的使用：一、创建ndarray数组二、指定ndarray数组元素的类型三、ndarray运算：四、ndarray数组的基本索引和切片：五、ndarray数组的布尔索引和花式索引六、ndarray数组的转置和轴对换七、ndarray通用函数7.1...
numpy库的基础应用
mzc000315的博客
10-07 938
Numpy库的一些基本应用，主要讲了对于数组的一些知识。
numpy基础应用
qq_50086023的博客
11-03 974
numpy基础操作
python之numpy库的应用
weixin_51595939的博客
11-16 1095
numpy是由c语言编写的，运行速度比python 循环快很多 在数据处理的过程中，遇到使用 python for循环实现一些向量化，矩阵化操作的时候，要优先考虑用numpy numpy数组的创建 1 从列表开始创建 x=np.array([1,1,2,3,4,5]) print(x) print(type(x)) print(x.shape) [1 1 2 3 4 5] <class 'numpy.ndarray'> (6,) 设置数组的数据类型 x=np.array([1,1,2,3,4
《利用Python进行数据分析·第2版》 附录A NumPy高级应用
weixin_34195142的博客
01-26 348
第1章 准备工作第2章 Python语法基础，IPython和Jupyter第3章 Python的数据结构、函数和文件第4章 NumPy基础：数组和矢量计算第5章 pandas入门第6章 数据加载、存储与文件格式第7章 数据清洗和准备第8章 数据规整：聚合、合并和重塑第9章 绘图和可视化第10章 数据聚合与...
NumPy 简单应用
燃烧吧！我的小宇宙！
02-28 2453
Python中元组(Tuple)由一系列元素组成，元素可以是不同的数据类型，且元组是“写保护”的，创建后不能再修改。 Python中列表(list)的元素可以是任何对象，列表中所保存的是对象的指针。这样保存[1,2,3]，需要有3个指针和三个整数对象。对于数值运算来说这种结构比较浪费内存和CPU计算时间。 Python还提供了一个array模块，array对象和列表不同，它直接保存数值，和C语言
Numpy使用
qq_43456605的博客
11-15 1061
numpy
python实战应用讲解-【numpy专题篇】numpy应用案例（一）（附python示例代码）
getusushu的博客
03-24 1853
最初在代码中，我们导入了所有需要的框架、包、库和模块，我们将利用它们来构建网络应用。我们还提供了一个下拉菜单，让用户选择制作水彩素描/制作铅笔素描，然后根据他们的选择，我们渲染结果。原始图像和应用滤镜后的图像都是并排呈现的，这样用户就可以比较这两张图像的结果。如果反馈给机器学习模型的数据没有得到很好的组织，它就会给出错误的或不想要的输出。原始数据是没有用的。用户可以进一步下载转换后的图片，在此之前，让我们了解一些我们将在本文中使用的定义。所以在这里，我们，作为一个数据科学家，我们可以帮助我们的朋友奥蒂斯。
numpy的基本运用
m0_68890550的博客
09-21 233
numpy基础
numpy的简单使用案例
改变ing
09-04 8022
目录 print(help(numpy.genfromtxt)) 帮助文档    numpy 的  数据类型 ndarray 4个元素    2行3 列 数据类型   # 切片  这里冒号代表了所有行， 获取的是第三列 判断向量中是否包含 10   判断矩阵中是否包含25  布尔类型可以当成索引在 numpy中使用，返回真实值 矩阵    # ：冒号代表所有，这里指的是所有列  ...
numpy应用在哪些地方
03-30
NumPy被广泛应用在以下领域： 1. 科学计算和数据分析：NumPy提供了一个强大的多维数组对象和各种数值计算函数，使得科学计算和数据分析变得更加高效和便捷。 2. 机器学习：NumPy提供了一些高效的矩阵操作函数，这在处理大规模矩阵数据时非常有用，使得机器学习算法的实现更加简单和高效。 3. 图像处理：NumPy提供了一些图像处理函数，可以对图像进行各种操作，如图像变换、滤波、边缘检测等。 4. 自然语言处理：NumPy可以用来表示和操作文本数据，如将文本转换成矩阵表示进行分类或聚类。 5. 数值模拟：NumPy提供了多维数组对象和数值计算函数，可以用来进行各种数值模拟，如天气预报、物理模拟等。 总之，NumPy是一个非常强大和灵活的工具，可以应用于各种领域中的数值计算和数据处理。
评论 1
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