hello-NumPy

已于 2024-03-08 20:47:45 修改
阅读量884 收藏 25
点赞数 8
文章标签： numpy python
于 2024-03-08 20:42:00 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/zhang_ysx/article/details/136539967
版权

1. NumPy的优势

1.1 NumPy介绍

NumPy(Numerical Python)是一个开源的科学计算库，用于快速处理任意维度的数组。
Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。
NumPy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。
在大多数情况下，NumPy都会随Python一起安装，但如果你需要单独安装，可以使用pip进行安装：

pip install numpy

NumPy的主要功能有：

  • 数组计算：NumPy的核心是ndarray（多维数组对象），提供了快速的数学运算、逻辑运算、形状操作、广播等功能。
  • 矩阵操作：NumPy允许进行矩阵乘法、求逆、求特征值等线性代数运算。
  • 随机数生成：NumPy提供了生成随机数的能力，可以创建符合正态分布、均匀分布等不同分布的随机数组。
  • 数值积分与优化：NumPy包含了数值积分和优化算法，适用于求解函数的积分和最值问题。
  • 文件读写：NumPy支持读写多种格式的数组文件，如.npy、.npz等。
  • 线性代数：提供了丰富的线性代数函数，包括矩阵运算、求解线性方程组、特征值和特征向量等。
  • 傅里叶变换：NumPy包含了傅里叶变换的相关函数，可以用于信号处理、图像处理等领域。

1.2 ndarray介绍

NumPy提供了一个N维数组类型ndarray，它描述了相同类型的"itme"组合。ndarray 提供了高效的存储和处理大型数据集的能力，是进行科学计算和数据分析的基础。

用ndarray进行存储：

import numpy as np

# 创建一个一维数组
a = np.array([1, 2, 3, 4, 5])

# 创建一个二维数组
b = np.array([[1, 2, 3], [4, 5, 6]])

# 创建一个三维数组
c = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
a, b, c

输出结果为：

# 执行a, b, c后，其输出结果为
(array([1, 2, 3, 4, 5]),
 array([[1, 2, 3],
        [4, 5, 6]]),
 array([[[1, 2],
         [3, 4]],
 
        [[5, 6],
         [7, 8]]]))

使用NumPy的ndarray与Python的列表嵌套存储相比，是存在优势的，下面我们来进行验证。

1.3 ndarray与Python原生list运算效率对比

运行下面的代码：

import random
import time 
import numpy as np

a = []
for i in range(1000000000):
    a.append(random.random())

# 通过%time查看当前行的代码运行一次花费的时间
%time sum1=sum(a)
b = np.array(a)
%time sum2=np.sum(b)

输出结果为：

CPU times: total: 46.9 ms
Wall time: 56.6 ms
CPU times: total: 15.6 ms
Wall time: 15.6 ms

由数据对比可知，ndarray的计算速度要快上不少，节省了不少时间。

1.4 ndarray的优势

1.4.1 内存存储方式

ndarray在存储数据的时候，数据与数据的地址都是连续的，这样就给使得批量操作数组元素时速度更快。这是因为ndarray中的所有元素的类型都是相同的；
而Python列表中的元素类型是任意的，所以ndarray在存储元素时内存可以连续，而python原生list就只能通过寻址方式找到下一个元素，这虽然也导致了在通用性能方面Numpy的ndarray不及Python原生list，但在科学计算中，Numpy的ndarray就可以省掉很多循环语句，代码使用方面比Python原生list简单的多。

1.4.2 ndarray支持并行化运算（向量化运算）

Numpy底层使用C语言编写，内部解除了GIL(全局解释器锁)，其对数组的操作速度不受Python解释器的限制，所以，其效率远高于纯Python代码。

2. N维数组-ndarray

2.1 ndarray的属性

数组属性反映了数组本身固有的信息。

属性名字属性解释
ndarray.shape数组维度的元组
ndarray.ndim数组维数
ndarray.size数组中的元素数量
ndarray.itemsize一个数组元素的长度
ndarray.dtype数组元素的类型

当然也可以直接通过查看文档了解更多的信息：

import numpy as np
help(np.ndarray)

class ndarray(builtins.object)
ndarray(shape, dtype=float, buffer=None, offset=0,strides=None, order=None)
An array object represents a multidimensional, homogeneous array of fixed-size items. An associated data-type object describes the format of each element in the array (its byte-order, how many bytes it occupies in memory, whether it is an integer, a floating point number, or something else, etc.)
Arrays should be constructed using array, zeros or empty (refer to the See Also section below). The parameters given here refer to
a low-level method (ndarray(...)) for instantiating an array.
For more information, refer to the numpy module and examine the methods and attributes of an array.
…

2.2 ndarray的形状

通过代码来创建一些数组。

import numpy as np
array1 = np.array([[1,2,3], [4,5,6]])
array2 = np.array([1,3,5,7,9])
array3 = np.array([[[1,2], [3,4]], [[5,6], [7,8]]])

array1.shape
array2.shape
array3.shape

输出结果为：

(2, 3) 		# 二维数组
(5,)		# 一维数组
(2, 2, 2)	# 三维维数组

在这里插入图片描述

3. 基本操作

3.1 生成数组的方法

3.1.1 生成0和1的数组

  • np.ones(shape, dtype)
  • np.ones_like(a, dtype)
  • np.zeros(shape, dtype)
  • np.zeros_like(a, dtype)
import numpy as np
ones = np.ones([4, 8]) # 生成4行8列的全1矩阵
ones

输出结果为：

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

zeros = np.zeros_like(ones) # 将全1矩阵改为同行同列的全0矩阵
zeros

输出结果为：

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

3.1.2 从现有的数组中生成

下面的代码示例：

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

输出结果为：

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

另外，还有一种asarray方法来创建数组。

arr = np.array([[1, 2, 3], [4, 5, 6]])
arr
# 输出结果为
# array([[1, 2, 3],
#      [4, 5, 6]])
arr1 = np.array(arr) # 深拷贝
arr1
# 输出结果为
# array([[1, 2, 3],
#       [4, 5, 6]])
arr2 = np.asarray(arr) # 浅拷贝
arr2
# 输出结果为
# array([[1, 2, 3],
#       [4, 5, 6]])
# 修改原数组中的值
arr[0, 0] = 10
print(arr[0, 0])
# 输出结果为
# 10
arr
# 输出结果为
# array([[10,  2,  3],
#       [ 4,  5,  6]])
arr1
# 输出结果为
# array([[1, 2, 3],
#       [4, 5, 6]])
arr2
# 输出结果为
# array([[10,  2,  3],
#       [ 4,  5,  6]])

3.1.2 生成固定范围内的数组

3.1.2.1 np.linspace(start, stop, num, endpoint)
  • 创建等差数组——指定数量
  • 参数
    • start：序列的起始值
    • stop：序列的终止值
    • num：要生成等间隔样例数量，默认为50
    • endpoint：数列中是否包含stop值，默认为true
np.linspace(0, 100, 11)
# 执行结果为
array([  0.,  10.,  20.,  30.,  40.,  50.,  60.,  70.,  80.,  90., 100.])
3.1.2.2 np.arrage(start, stop, step, dtype)
  • 创建等差数组——指定步长
  • 参数：
    • step：步长，默认值为1
np.arange(10, 100, 2)
# 执行结果为
# array([10, 12, 14, 16, 18, 20, 22, 24, 26, 28, 30, 32, 34, 36, 38, 40, 42,
#       44, 46, 48, 50, 52, 54, 56, 58, 60, 62, 64, 66, 68, 70, 72, 74, 76,
#       78, 80, 82, 84, 86, 88, 90, 92, 94, 96, 98])
3.1.2.3 np.logspace(start, stop, num)
  • 创建等比数列
  • 参数
    • num：要生成等比数列的数量，默认为50
# 生成10^x
np.logspace(0, 2, 3)
# 执行结果为
# array([  1.,  10., 100.])

3.1.2 生成随机数组

3.1.2.1 正态分布
  • np.random.randn(d0, d1, … dn)
    • 功能:从标准正态分布中返回一个或多个样本值
  • np.random.normal(loc=0.0, scale=1.0, size=None)
    • loc:float
      此概率分布的均值(对应着整个分布的中心centre)
    • scale: float
      此概率分布的标准差(对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高)
    • size: int or tuple of ints
      输出的shape，默认为None，只输出一个值
  • np.random.standard normal(size=None)返回指定形状的标准正态分布的数组，
    代码展示如下：
import numpy as np
import matplotlib.pyplot as plt


# 生成均值为1.75， 标准差为1的正态分布数据，100000000个 
x1 = np.random.normal(1.75, 1, 100000000)
# 1. 绘制画布
plt.figure(figsize=(20, 8), dpi=1000)

# 2. 绘制图像
plt.hist(x1, 1000)

# 3. 展示图像
plt.show()

下面是绘制的图像
在这里插入图片描述
还有另外一种参数

stock_change = np.random.normal(0, 1, [4, 5])
stock_change
# 执行结果为
# array([[-0.07343123,  0.85828909, -0.53859673, -0.33504883,  0.92722191],
#       [ 1.20410613, -0.17707847, -0.22810201,  2.06332424,  0.62370079],
#       [-0.03909452, -0.89459127, -1.29837664, -1.16698214, -1.47110174],
#       [-0.31251457,  1.40358518, -0.09564691,  0.81625364, -0.30557632]])
3.1.2.2 均匀分布
  • np.random.rand(d0, d1,… dn)
    • 返回[0.0，1.0)内的一组均匀分布的数。
  • np.random.uniform(low=0.0,high=1.0,size=None)
    • 功能：从一个均匀分布[low,high)中随机采样，注意定义域是左闭右开，即包含low，不包含high.
    • 参数介绍:
      • low：采样下界，filoat类型，默认值为0;
      • high：采样上界，float类型，默认值为1;
      • size:输出样本数目，为int或元组(tuple)类型，例如，size=(m,n,k),则输出mnk个样本，缺省时输出1个值。
    • 返回值：ndarray类型，其形状和参数size中描述一致。
  • np.random.randint(low, high=None, size=None, dtype=“I”)
    • 从一个均匀分布中随机采样，生成一个整数或N维整数数组。
    • 取数范围:若high不为None时，取[low,high)之间随机整数，否则取值[0,low)之间随机整数。

代码展示如下：

import numpy as np
import matplotlib.pyplot as plt

x2 = np.random.uniform(-1, 1, 10000000)
# 1. 绘制画布
plt.figure(figsize=(10, 10), dpi=100)

# 2. 绘制图像
plt.hist(x1, bins = 1000)

# 3. 展示图像
plt.show()

下面是绘制的图像：
在这里插入图片描述

3.2 数组的索引、切片

  • 一维、二维、三维的数组如何索引?

    • 直接进行索引,切片。
    • 对象[:,:」- 先行后列

  • 二维数组索引方式：

import numpy as np

random_data = np.random.normal(0, 1, [4, 5])
random_data
# 执行结果为
# array([[-6.91170397e-01,  1.05658456e-01, -5.89351993e-01,
#        -2.21543309e-01,  1.06325249e+00],
#       [-3.19562934e-01, -3.60183322e-01,  4.43128156e-01,
#        -3.43462327e-01,  1.53589554e+00],
#       [ 1.14135674e-01, -8.19353230e-02,  1.48187923e+00,
#         8.48903981e-01, -2.72218976e+00],
#       [ 1.17056407e+00, -5.65536429e-01,  1.12495627e+00,
#         1.31499650e-01, -1.68119945e-03]])
random_data[0, 0:3]
# 执行结果为
# array([-0.6911704 ,  0.10565846, -0.58935199])
  • 三维数组索引方式
three_dimensional_array = np.array(
    [[[1, 2, 3], [4, 5, 6]],[ [5, 6 , 7], [10, 11, 12]]]
)
three_dimensional_array
# 执行结果为
# array([[[ 1,  2,  3],
#        [ 4,  5,  6]],
#
#       [[ 5,  6,  7],
#        [10, 11, 12]]])
# 想要获取12这个数字
three_dimensional_array[1, 1, 2]
# 执行结果为
# 12

3.3 数组形状修改

3.3.1 ndarray.reshape(shape, order)

  • 返回一个具有相同的数据域，但shape不一样的视图
  • 行、列不进行互换
stock_change
# 执行结果
# array([[ 0.44339819,  1.54955448,  1.07050935,  0.48085666,  1.18180945],
#       [-0.21080738, -1.33541332,  0.65786619, -1.34373628,  0.5230377 ],
#       [ 0.27264498,  0.57616681, -0.49485241, -0.90567332,  0.22385249],
#       [-0.73744206, -0.24905045, -1.37285789, -0.47820998,  0.36067824]])
stock_change.reshape([5, 4])
# 执行结果
# array([[ 0.44339819,  1.54955448,  1.07050935,  0.48085666],
#       [ 1.18180945, -0.21080738, -1.33541332,  0.65786619],
#       [-1.34373628,  0.5230377 ,  0.27264498,  0.57616681],
#       [-0.49485241, -0.90567332,  0.22385249, -0.73744206],
#       [-0.24905045, -1.37285789, -0.47820998,  0.36067824]])
stock_change.reshape([-1, 2])
# 执行结果
# array([[ 0.44339819,  1.54955448],
#       [ 1.07050935,  0.48085666],
#       [ 1.18180945, -0.21080738],
#       [-1.33541332,  0.65786619],
#       [-1.34373628,  0.5230377 ],
#       [ 0.27264498,  0.57616681],
#       [-0.49485241, -0.90567332],
#       [ 0.22385249, -0.73744206],
#       [-0.24905045, -1.37285789],
#       [-0.47820998,  0.36067824]])

# 当不确定要改为多少行或是多少列时，如果分割不均匀会报错 20/3 = 2
# stock_change.reshape([3, -1]) # 报错

3.3.2 ndarray.resize(new_shape)

  • 修改数组本身的形状（需要保持元素个数前后相同）
  • 行、列不进行互换
stock_change.resize([10, 2])
stock_change
# 执行结果
# array([[ 0.44339819,  1.54955448],
#       [ 1.07050935,  0.48085666],
#       [ 1.18180945, -0.21080738],
#       [-1.33541332,  0.65786619],
#       [-1.34373628,  0.5230377 ],
#       [ 0.27264498,  0.57616681],
#       [-0.49485241, -0.90567332],
#       [ 0.22385249, -0.73744206],
#       [-0.24905045, -1.37285789],
#       [-0.47820998,  0.36067824]])

3.3.3 ndarray.T

  • 数组的转置
  • 将数组的行、列进行互换
stock_change.T # 上述例子可知，其形状为10*2
# 转置后
# array([[ 0.44339819,  1.07050935,  1.18180945, -1.33541332, -1.34373628,
#         0.27264498, -0.49485241,  0.22385249, -0.24905045, -0.47820998],
#
#       [ 1.54955448,  0.48085666, -0.21080738,  0.65786619,  0.5230377 ,
#         0.57616681, -0.90567332, -0.73744206, -1.37285789,  0.36067824]])

3.4 数组类型修改

stock_change.astype(np.int64)
# 执行结果
# array([[ 0,  1],
#       [ 1,  0],
#       [ 1,  0],
#       [-1,  0],
#       [-1,  0],
#       [ 0,  0],
#       [ 0,  0],
#       [ 0,  0],
#       [ 0, -1],
#       [ 0,  0]], dtype=int64)
# 可以看到，数组由小数变为了整数

3.5 数组的去重

temp = np.array([[1, 2, 3, 4], [4, 5, 6, 7]])
temp
# 执行结果
# array([[1, 2, 3, 4],
#       [4, 5, 6, 7]])
temp = np.unique(temp)
temp
# 执行结果
# array([1, 2, 3, 4, 5, 6, 7])
# 可以看到，相同的元素3和4只保留了一份

以上是我对NumPy的ndarray基础知识的学习总结，如有不足请批评指正，希望一起进步！！！

Squirrel_zh
关注
  • 8
    点赞
  • 踩
  • 25
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
02-Numpy
南柯一梦的江湖
06-10 167
NumPy（Numerical Python的缩写）是Python中用于科学计算、数据分析和机器学习的底层库，补充了Python语言所欠缺的数值计算能力。NumPy在各种科学和工程领域中都得到了广泛的应用，包括但不限于：数据分析和处理：NumPy用于处理大量的数值数据，执行数据清洗、转换、汇总等操作。信号处理：音频、图像处理领域广泛使用NumPy来处理信号和图像数据。机器学习：NumPy数组通常用于存储和处理机器学习算法中的输入数据和模型参数。
数据分析入门--Numpy
weixin_38855787的博客
09-24 646
python数据分析一些学习经历欢迎一起来讨论有关python分析的内容前言一、数据分析二、学习环境1.python2.编写代码环境三、Numpy基础1.数组（列表）创建2.Numpy一些特性总结新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程
Python---NumPy
qq_39251759的博客
10-01 1775
NumPy简介 NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。 NumPy 的前身 Numeric 最早是由 Jim Hugunin 与其它协作者共同开发，2005 年，Travis Oliphant 在 Numeric 中结合了另一个同性质的程序库 Numarray 的特色，并加入了其它扩展而开发了 NumPy。NumPy 为开放源代码并且由许多协作者共同维护开发。 NumPy 是一个运行速度非
python--numpy库的讲解1
YQyq1021的博客
05-24 3643
1、NumPy Ndarray 对象 例如： import numpy as np a=np.array([1,2,3,4,5,6]) print(a) 2、Numpy数组属性 ndarray.ndim： import numpy as np a=np.array([[1,2,3],[4,5,6]]) #ndarray.ndim表示输出数组的维度，比如是二维还是三维 print(a.ndim) #注意两个中括号才表示二维维度，如下例子，一个中括号表示一维，两个中括号表示二维 w0=np.array([1,
python-numpy
huangguanghao1的博客
04-25 277
numpy介绍 NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。 NumPy 的前身 Numeric 最早是由 Jim Hugunin 与其它协作者共同开发，2005 年，Travis Oliphant 在 Numeric 中结合了另一个同性质的程序库 Numarray 的特色，并加入了其它扩展而开发了 NumPy。NumPy 为开放源代码并且由许多协作者共同维护开发。 numpy安装 Micros
数据分析四大库之------Numpy
Dreamy_Y的博客
08-02 486
Numpy —— 科学计算库 NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。 NumPy 的前身 Numeric 最早是由 Jim Hugunin 与其它协作者共同开发，2005 年，Travis Oliphant 在 Numeric 中结合了另一个同性质的程序库 Numarray 的特色，并加入了其它扩展而开发了 NumPy。NumPy 为开放源代码并且由许多协作者共同维护开发。 NumPy 是
无涯教程-NumPy - center()函数
无涯教程
10-19 34
无涯教程网提供此函数返回所需宽度的数组，以使输入字符串居中并在左侧和右侧使用 fillchar 进行填充...此函数返回所需宽度的数组，以使输入字符串居中并在左侧和右侧使用 fillchar 进行填充。NumPy 中的 center()函数 - 无涯教程网。
【数据分析之道-NumPy(七)】numpy字符串函数
阿极的博客
04-18 1168
numpy字符串函数：add()函数、multiply()函数、center()函数、capitalize()函数、title()函数、lower()函数、upper()函数、split()函数、splitlines()函数、strip()函数、join()函数
python模块--Numpy详细教程
yetugeng的专栏
11-03 2432
NumPy - 简介 NumPy 是一个 Python 包。 它代表 “Numeric Python”。 它是一个由多维数组对象和用于处理数组的例程集合组成的库。 Numeric，即 NumPy 的前身，是由 Jim Hugunin 开发的。 也开发了另一个包 Numarray ，它拥有一些额外的功能。 2005年，Travis Oliphant 通过将 Numarray 的功能集成到 Num...
hello_numpy.ipynb
06-12
——学习参考资料：仅用于个人学习使用！ 本代码仅作学习交流，切勿用于商业用途，否则后果自负。若涉及侵权，请联系，会尽快处理! 未进行详尽测试，请自行调试!
《Hello NumPy》系列-运算与函数应用
01-20
《Hello NumPy》系列-数据类型与创建 《Hello NumPy》系列-切片的花式操作 疫情严峻，有空多学习，没事多看看文章，期待阳春三月！高阶部分篇篇都是干货，建议大家不要错过任何一节内容，最好关注我，方便看到每次的...
python numpy总结
12-23
"Python NumPy 总结" Python 是一种广泛使用的高级编程语言，它提供了大量的库和工具来进行数据分析、科学计算和机器学习等任务。NumPy（Numerical Python）是 Python 中一个非常重要的库，提供了对多维数组和矩阵...
matlab代码sqrt-Hello-world:只是一个新的存储库
05-23
numpy as np import sklearn import sklearn.datasets import sklearn.linear_model import matplotlib.pyplot as plt import matplotlib import operator import time def createData(dim = 200, cnoise = 0.2): ''...
第3课 Python与Numpy基础
10-17
"Python与Numpy基础" Python是一种广泛应用于数据科学、机器学习和人工智能等领域的高级编程语言。 Python的优点在于易于学习、语法简洁、扩展性强、社区活跃等。 Python可以应用于数据分析、数据挖掘、机器学习、...
基于JavaScript 如何实现爬山算法以及优化方案
乐闻世界
06-10 1367
爬山算法（Hill Climbing Algorithm）是一种常见的启发式搜索算法，常用于解决优化问题。其核心思想是从一个初始状态出发，通过逐步选择使目标函数值增大的邻近状态来寻找最优解。接下来，我们将通过 JavaScript 实现一个简单的爬山算法，帮助大家理解其原理和应用。从一个初始状态开始。评估当前状态的目标函数值。在当前状态的邻居中选择一个目标函数值更大的状态。如果找到了更优的邻居，则移动到该邻居并重复步骤2和步骤3。如果没有更优的邻居，则算法结束，当前状态即为局部最优解。
2024.6.13刷题记录
最新发布
lshx4658的博客
06-14 443
当时没有想到怎么保证队内全都是窗口内的元素，答案：“当队头元素在窗口的左边的时候，弹出队头”，虽然不能保证队内一直没有窗口外的元素，但是能保证使用到的队内元素（队头）全是窗口内元素。当时是有想到这个方法的，但是以为不行，一下没转过来弯。队列储存索引而不是元素，通过储存索引使我们能够快速判断元素是否出窗口。不会，思路来自题解（
Java——简单图书管理系统
m0_74100417的博客
06-09 1536
数据类型变量iffor数组方法类和对象封装继承多态抽象类和接口今天就是把上述知识点全部都用起来 图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理系统图书管理
python迁移数据教程
2402_85292291的博客
06-13 636
if os.path.isfile(src_item_path): dest_item_path = os.path.join(dest_folder, item) shutil.copy2(src_item_path, dest_item_path) # 如果item是目录，递归调用migrate_data函数。2. 准备源文件夹和目标文件夹： 在您的计算机上创建两个文件夹，分别为源文件夹（source_folder）和目标文件夹（destination_folder）。将您希望迁移的数据放入源文件夹。
numpy怎么输出hello world
09-12
要在numpy中输出"Hello, World!"，你可以使用numpy的print函数。下面是两种方法可以实现这个目标： 方法一：使用numpy的print函数 ```python import numpy as np np.print_("Hello, World!") ``` 方法二：将字符串...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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