numpy百题斩(二)

进阶部分

创建一个 5x5 的二维数组，其中边界值为1，其余值为0

Z = np.ones((5,5))
Z[1:-1,1:-1] = 0
Z

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

使用数字 0 将一个全为 1 的 5x5 二维数组包围

Z = np.ones((5,5))
Z = np.pad(Z,pad_width=2,mode = "constant",constant_values = 0) # pad_width表示用n行0包围
Z

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

创建一个 5x5 的二维数组，并设置值 1, 2, 3, 4 落在其对角线下方

Z= np.diag(1 + np.arange(5),k = 1)#np.info(np.diag)查看np.diag的用法
Z

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

 diag(v, k=0)Extract a diagonal or construct a diagonal array.See the more detailed documentation for ``numpy.diagonal`` if you use this
function to extract a diagonal and wish to write to the resulting array;
whether it returns a copy or a view depends on what version of numpy you
are using.Parameters
----------
v : array_likeIf `v` is a 2-D array, return a copy of its `k`-th diagonal.If `v` is a 1-D array, return a 2-D array with `v` on the `k`-thdiagonal.
k : int, optionalDiagonal in question. The default is 0. Use `k>0` for diagonalsabove the main diagonal, and `k<0` for diagonals below the maindiagonal.Returns
-------
out : ndarrayThe extracted diagonal or constructed diagonal array.See Also
--------
diagonal : Return specified diagonals.
diagflat : Create a 2-D array with the flattened input as a diagonal.
trace : Sum along diagonals.
triu : Upper triangle of an array.
tril : Lower triangle of an array.Examples
--------
>>> x = np.arange(9).reshape((3,3))
>>> x
array([[0, 1, 2],[3, 4, 5],[6, 7, 8]])>>> np.diag(x)
array([0, 4, 8])
>>> np.diag(x, k=1)
array([1, 5])
>>> np.diag(x, k=-1)
array([3, 7])>>> np.diag(np.diag(x))
array([[0, 0, 0],[0, 4, 0],[0, 0, 8]])

创建一个 10x10 的二维数组，并使得 1 和 0 沿对角线间隔放置

Z = np.zeros((10,10),dtype = int)
Z[1::2,::2] = 1
Z[::2,1::2] = 1
Z

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

创建一个 0-10 的一维数组，并将 (1, 9] 之间的数全部反转成负数

Z = np.arange(11)
Z

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10])

Z[(1<Z) &(Z<=9)] *= -1
Z

array([ 0,  1, -2, -3, -4, -5, -6, -7, -8, -9, 10])

找出两个一维数组中相同的元素

Z1 = np.random.randint(0,10,10)
Z2 = np.random.randint(0,10,10)
print("Z1:",Z1)
print("Z2:",Z2)
np.intersect1d(Z1,Z2)

Z1: [9 0 9 4 7 1 0 3 4 1]
Z2: [8 0 9 3 5 6 7 7 0 9]array([0, 3, 7, 9])

使用 NumPy 打印昨天、今天、明天的日期

yesterday = np.datetime64("today","D") - np.timedelta64(1,"D")
today  = np.datetime64("today","D")
tomorrw = np.datetime64("today","D") +np.timedelta64(1,"D")
print(yesterday)
print(today)
print(tomorrw)

2019-03-28
2019-03-29
2019-03-30

使用五种不同的方法去提取一个随机数组的整数部分

z = np.random.uniform(0,10,10)
z

array([3.41181266, 6.82533173, 1.34181518, 8.38217372, 8.27615988,8.89595855, 9.72320629, 5.45121909, 0.20435793, 3.61237419])

print("原始值：",z)
print("方法一：",z-z%1)
print("方法二：",np.floor(z))
print("方法三：",np.ceil(z)-1)
print("方法四：",z.astype(int))
print("方法五：",np.trunc(z))

原始值： [3.41181266 6.82533173 1.34181518 8.38217372 8.27615988 8.895958559.72320629 5.45121909 0.20435793 3.61237419]
方法一： [3. 6. 1. 8. 8. 8. 9. 5. 0. 3.]
方法二： [3. 6. 1. 8. 8. 8. 9. 5. 0. 3.]
方法三： [3. 6. 1. 8. 8. 8. 9. 5. 0. 3.]
方法四： [3 6 1 8 8 8 9 5 0 3]
方法五： [3. 6. 1. 8. 8. 8. 9. 5. 0. 3.]

59. 创建一个 5x5 的矩阵，其中每行的数值范围从 1 到 5

z = np.zeros((5,5))
z += np.arange(1,6)
z

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

创建一个长度为 5 的等间隔一维数组，其值域范围从 0 到 1，但是不包括 0 和 1

z = np.linspace(0,1,6,endpoint =False)

array([0.        , 0.16666667, 0.33333333, 0.5       , 0.66666667,0.83333333])

z[1:]

array([0.16666667, 0.33333333, 0.5       , 0.66666667, 0.83333333])

创建一个长度为10的随机一维数组，并将其按升序排序

z = np.random.random(10)
z.sort()
print(z)#正序
print(z[::-1])#倒序

[0.12281895 0.20993708 0.29406792 0.30965091 0.50447096 0.55375150.64390062 0.70902744 0.85633526 0.96974197]
[0.96974197 0.85633526 0.70902744 0.64390062 0.5537515  0.504470960.30965091 0.29406792 0.20993708 0.12281895]

创建一个 3x3 的二维数组，并将列按升序排序

z = np.array([[7,4,3],[3,2,1],[4,2,6]])
print("原始数组：\n",z)
z.sort(axis =0)
z

原始数组：[[7 4 3][3 2 1][4 2 6]]array([[3, 2, 1],[4, 2, 3],[7, 4, 6]])

创建一个长度为 5 的一维数组，并将其中最大值替换成 0

z = np.random.random(5)
print("原数组：",z)
z[z.argmax()] = 0
z

原数组： [0.67289415 0.60349904 0.98403777 0.95384253 0.88426089]array([0.67289415, 0.60349904, 0.        , 0.95384253, 0.88426089])

打印每个 NumPy 标量类型的最小值和最大值

for dtype in [np.int8, np.int32, np.int64]:print("The minimum value of {}: ".format(dtype), np.iinfo(dtype).min)print("The maximum value of {}: ".format(dtype),np.iinfo(dtype).max)
for dtype in [np.float32, np.float64]:print("The minimum value of {}: ".format(dtype),np.finfo(dtype).min)print("The maximum value of {}: ".format(dtype),np.finfo(dtype).max)

The minimum value of <class 'numpy.int8'>:  -128
The maximum value of <class 'numpy.int8'>:  127
The minimum value of <class 'numpy.int32'>:  -2147483648
The maximum value of <class 'numpy.int32'>:  2147483647
The minimum value of <class 'numpy.int64'>:  -9223372036854775808
The maximum value of <class 'numpy.int64'>:  9223372036854775807
The minimum value of <class 'numpy.float32'>:  -3.4028235e+38
The maximum value of <class 'numpy.float32'>:  3.4028235e+38
The minimum value of <class 'numpy.float64'>:  -1.7976931348623157e+308
The maximum value of <class 'numpy.float64'>:  1.7976931348623157e+308

将 float32 转换为整型

z = np.arange(10,dtype=np.float32)
print(z)
z = z.astype(np.int32,copy = False)
print(z)

[0. 1. 2. 3. 4. 5. 6. 7. 8. 9.]
[0 1 2 3 4 5 6 7 8 9]

将随机二维数组按照第 3 列从上到下进行升序排列

z = np.random.randint(0,10,(5,5))
print("排序前：\n",z)
z[z[:,2].argsort()]

排序前：[[6 9 5 6 5][9 3 1 7 7][0 0 3 0 1][8 3 9 1 8][0 0 2 6 4]]array([[9, 3, 1, 7, 7],[0, 0, 2, 6, 4],[0, 0, 3, 0, 1],[6, 9, 5, 6, 5],[8, 3, 9, 1, 8]])

从随机一维数组中找出距离给定数值（0.5）最近的数

z = np.random.uniform(0,1,20)
print("随机数：\n",z)
a = 0.5
m = z.flat[np.abs(z-a).argmin()]
print(m)

随机数：[0.74803699 0.11455862 0.99803515 0.14462869 0.5537112  0.303030480.96955316 0.49956142 0.06782649 0.60886511 0.52904903 0.712477090.11861379 0.07666849 0.59101115 0.26017775 0.87247072 0.386257680.58177161 0.68263192]
0.49956141969291046

将二维数组的前两行进行顺序交换

A = np.arange(25).reshape(5,5)
print(A)
A[[0,1]] = A[[1,0]]
print(A)

[[ 0  1  2  3  4][ 5  6  7  8  9][10 11 12 13 14][15 16 17 18 19][20 21 22 23 24]]
[[ 5  6  7  8  9][ 0  1  2  3  4][10 11 12 13 14][15 16 17 18 19][20 21 22 23 24]]

找出随机一维数组中出现频率最高的值

z = np.random.randint(0,10,50)
print("随机一位数组：",z)
np.bincount(z).argmax()

随机一位数组： [8 2 5 1 2 3 4 0 0 1 2 4 2 4 5 7 9 7 1 8 3 3 0 8 5 0 2 5 4 1 3 7 4 0 1 0 41 2 9 9 1 7 6 9 1 5 2 7 4]1

找出给定一维数组中非 0 元素的位置索引

z= np.nonzero([1,2,0,3,0,6,2])
z

(array([0, 1, 3, 5, 6], dtype=int64),)

对于给定的 5x5 二维数组，在其内部随机放置 p 个值为 1 的数

p = 3
z = np.zeros((5,5))
np.put(z,np.random.choice(range(5*5),p,replace=False),3)
z

array([[0., 0., 0., 0., 0.],[0., 0., 0., 0., 0.],[0., 0., 3., 0., 3.],[3., 0., 0., 0., 0.],[0., 0., 0., 0., 0.]])

对于随机的 3x3 二维数组，减去数组每一行的平均值

x = np.random.rand(3,3)
print(x)
y = x-x.mean(axis = 1,keepdims =True)
y

[[0.95448416 0.28157391 0.11756407][0.7902087  0.52327033 0.37404863][0.9034529  0.88961937 0.4843657 ]]array([[ 0.50327678, -0.16963347, -0.33364331],[ 0.22769948, -0.03923889, -0.18846059],[ 0.14430691,  0.13047338, -0.27478029]])

获得二维数组点积结果的对角线数组

A = np.random.uniform(0,1,(3,3))
B = np.random.uniform(0,1,(3,3))
print(A)
print(B)
np.dot(A,B)

[[0.50169276 0.02239518 0.69246797][0.28224578 0.75533929 0.28013729][0.48489567 0.61824741 0.30859325]]
[[0.47332788 0.05524409 0.92841459][0.12871947 0.34830053 0.57392612][0.47672191 0.33371663 0.57694793]]array([[0.57046252, 0.26660389, 0.87815002],[0.36436925, 0.37216395, 0.85717467],[0.45620828, 0.34510622, 0.98305479]])

# 较慢的方法
np.diag(np.dot(A, B))

array([0.57046252, 0.37216395, 0.98305479])

np.sum(A*B.T,axis = 1)# 较快的方法

array([0.57046252, 0.37216395, 0.98305479])

# 更快的方法
np.einsum("ij, ji->i", A, B)

array([0.57046252, 0.37216395, 0.98305479])

找到随机一维数组中前 p 个最大值

z = np.random.randint(1,100,100)
print(z)
p = 5
z[np.argsort(z)[:-p:-1]]

[89 81 44 83 90 65 67 66 70 85 52  4 60 34 76 43 19  7  7 19  5 20 42 5862 46 41 74 43 69 33 68 37  3 35 82 60 14 38 11 74 98 71 71 36 81 15 3550 59 24 32 45 84 70 62 62 23 77 23 67 90 93 75 74 25  6 20  4 88 20 6097 32 39 68 21  7 37  1 67 47  6 70 91 80  8 88 65 50 49 84 34 96 67 2679 76 92 48]array([98, 97, 96, 93])

计算随机一维数组中每个元素的 4 次方数值

x = np.random.randint(2,5,5)
print(x)
np.power(x,4)

[3 4 4 3 4]array([ 81, 256, 256,  81, 256], dtype=int32)

对于二维随机数组中各元素，保留其 2 位小数

z = np.random.random((5,5))
print(z)
np.set_printoptions(precision=2)
print(z)

[[0.54053894 0.51640907 0.30630568 0.70994421 0.25277349][0.96262252 0.65912837 0.41168413 0.42031458 0.26244   ][0.66793675 0.93206986 0.71694181 0.28627584 0.90228097][0.08131304 0.56829273 0.72174004 0.53821596 0.53626988][0.63199761 0.22767542 0.42476124 0.24653665 0.78349649]]
[[0.54 0.52 0.31 0.71 0.25][0.96 0.66 0.41 0.42 0.26][0.67 0.93 0.72 0.29 0.9 ][0.08 0.57 0.72 0.54 0.54][0.63 0.23 0.42 0.25 0.78]]

使用科学记数法输出 NumPy 数组

z = np.random.random([5,5])
print(z)
z/1e3

[[0.35 0.22 0.73 0.66 0.02][0.2  0.97 0.58 0.76 0.11][0.95 0.79 0.23 0.39 0.28][0.64 0.33 0.58 0.   0.35][0.86 0.33 0.19 0.72 0.84]]array([[3.47e-04, 2.18e-04, 7.29e-04, 6.61e-04, 1.66e-05],[2.03e-04, 9.74e-04, 5.83e-04, 7.59e-04, 1.08e-04],[9.48e-04, 7.93e-04, 2.28e-04, 3.94e-04, 2.82e-04],[6.38e-04, 3.33e-04, 5.82e-04, 1.96e-06, 3.47e-04],[8.57e-04, 3.29e-04, 1.91e-04, 7.16e-04, 8.45e-04]])

使用 NumPy 找出百分位数（25%，50%，75%）

a = np.arange(15)
print(a)
np.percentile(a,q = [25,50,75])

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]array([ 3.5,  7. , 10.5])

找出数组中缺失值的总数及所在位置

# 生成含有缺失值的2维数组
z = np.random.rand(10,10)
z[np.random.randint(10,size = 5),np.random.randint(10,size =5)] =np.nan
z

array([[0.57, 0.21, 0.21, 0.62, 0.55, 0.85, 0.17, 0.85, 0.93, 0.05],[0.91, 0.13, 0.23, 0.34, 0.1 , 0.82, 0.41, 0.52, 0.54, 0.58],[0.6 , 0.74, 0.27, 0.12, 0.63, 0.1 ,  nan, 0.86, 0.97, 0.35],[0.22, 0.45, 0.34, 0.39, 0.75, 0.93, 0.45, 0.52, 0.55, 0.82],[0.27, 0.39, 0.43, 0.56, 0.24, 0.37,  nan, 0.34, 0.7 , 0.79],[0.93, 0.39, 0.88, 0.1 , 0.54, 0.38, 0.93, 0.14, 0.99, 0.73],[ nan, 0.15, 0.92, 0.04, 0.6 , 0.86, 0.23, 0.74, 0.81, 0.59],[0.13, 0.07, 0.84,  nan, 0.05, 0.45, 0.63, 0.93,  nan, 0.34],[0.06, 0.51, 0.94, 0.11, 0.02, 0.15, 0.51, 0.24, 0.99, 0.62],[0.08, 0.25, 0.68, 0.34, 0.48, 0.55, 0.67, 0.37, 0.06, 0.16]])

print("缺失值总数：",np.isnan(z).sum())
print("缺失值索引：",np.where(np.isnan(z)))

缺失值总数： 5
缺失值索引： (array([2, 4, 6, 7, 7], dtype=int64), array([6, 6, 0, 3, 8], dtype=int64))

从随机数组中删除包含缺失值的行

# 沿用 79 题中的含缺失值的 2 维数组
z[np.sum(np.isnan(z),axis =1) ==0]

array([[0.57, 0.21, 0.21, 0.62, 0.55, 0.85, 0.17, 0.85, 0.93, 0.05],[0.91, 0.13, 0.23, 0.34, 0.1 , 0.82, 0.41, 0.52, 0.54, 0.58],[0.22, 0.45, 0.34, 0.39, 0.75, 0.93, 0.45, 0.52, 0.55, 0.82],[0.93, 0.39, 0.88, 0.1 , 0.54, 0.38, 0.93, 0.14, 0.99, 0.73],[0.06, 0.51, 0.94, 0.11, 0.02, 0.15, 0.51, 0.24, 0.99, 0.62],[0.08, 0.25, 0.68, 0.34, 0.48, 0.55, 0.67, 0.37, 0.06, 0.16]])

统计随机数组中的各元素的数量

z = np.random.randint(0,100,25).reshape(5,5)
print(z)

[[77 29 88 73 59][71 93  7 56 12][17 50 68 13  1][67 97 26 27 25][49 68 83 10 77]]

np.unique(z,return_counts=True)# 返回值中，第 2 个数组对应第 1 个数组元素的数量

(array([ 1,  7, 10, 12, 13, 17, 25, 26, 27, 29, 49, 50, 56, 59, 67, 68, 71,73, 77, 83, 88, 93, 97]),array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 1, 2, 1, 1, 1,1], dtype=int64))

将数组中各元素按指定分类转换为文本值

# 指定类别如下
# 1 → 汽车
# 2 → 公交车
# 3 → 火车
z =np.random.randint(1,4,10)
print(z)
label_map = {1:"汽车",2:"公交车",3:"火车"}
[label_map[x] for x in z]

[2 2 3 2 2 2 2 3 1 3]['公交车', '公交车', '火车', '公交车', '公交车', '公交车', '公交车', '火车', '汽车', '火车']

将多个 1 维数组拼合为单个 Ndarray

z1 = np.arange(3)
z2 = np.arange(3,7)
z3 = np.arange(7,10)z =np.array([z1,z2,z3])
print(z)

[array([0, 1, 2]) array([3, 4, 5, 6]) array([7, 8, 9])]

np.concatenate(z)

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

打印各元素在数组中升序排列的索引

a = np.random.randint(100,size = 10)
print("Array:",a)
a.argsort()

Array: [42 86 84  9 28 69 25 76 40  4]array([9, 3, 6, 4, 8, 0, 5, 7, 2, 1], dtype=int64)

得到二维随机数组各行的最大值

z = np.random.randint(1,100,[5,5])
print(z)
np.amax(z,axis =1)

[[64 57  2 27 67][64 65 86 90 83][12 30 69  1 11][54 21 86 41 30][ 7  6 78 16 27]]array([67, 90, 69, 86, 78])

得到二维随机数组各行的最小值（区别上面的方法）

z = np.random.randint(1,100,[5,5])
print(z)
np.apply_along_axis(np.min,arr =z ,axis=1)

[[67 49 70 94  8][76 10 79 50  6][12 90 48 45 24][20 23 44 24 27][27  3 77  7  5]]array([ 8,  6, 12, 20,  3])

计算两个数组之间的欧氏距离

a = np.array([1,2])
b = np.array([7,8])
#数学计算方法
print(np.sqrt(np.power((8-2),2) + np.power((7-1),2)))
# Numpy计算法
np.linalg.norm(b-a)

8.485281374238578.48528137423857

打印复数的实部和虚部

a = np.array([1 + 2j, 3 + 4j, 5 + 6j])print("实部：", a.real)
print("虚部：", a.imag)

实部： [1. 3. 5.]
虚部： [2. 4. 6.]

求解给出矩阵的逆矩阵并验证

matrix = np.array([[1,2],[3,4]])
inverse_matrix = np.linalg.inv(matrix)
# 验证原矩阵和逆矩阵的点积是否为单位矩阵
assert np.allclose(np.dot(matrix, inverse_matrix), np.eye(2))inverse_matrix

array([[-2. ,  1. ],[ 1.5, -0.5]])

使用 Z-Score 标准化算法对数据进行标准化处理

Z-Score 标准化公式：
Z = X − m e a n ( X ) s d ( X ) Z = \frac{X-\mathrm{mean}(X)}{\mathrm{sd}(X)} Z=sd(X)X−mean(X)

# 根据公式定义函数
def zscore(x,axis = None):xmean = x.mean(axis =axis,keepdims = True)xstd = np.std(x,axis = axis,keepdims = True)zscore = (x - xmean)/xstdreturn zscore
z = np.random.randint(10,size = (5,5))
print(z)
zscore(z)

[[2 1 3 3 1][3 8 3 2 5][6 7 3 6 1][6 6 0 2 3][0 6 5 8 3]]array([[-0.73, -1.15, -0.31, -0.31, -1.15],[-0.31,  1.81, -0.31, -0.73,  0.54],[ 0.97,  1.39, -0.31,  0.97, -1.15],[ 0.97,  0.97, -1.58, -0.73, -0.31],[-1.58,  0.97,  0.54,  1.81, -0.31]])

使用 Min-Max 标准化算法对数据进行标准化处理

Min-Max 标准化公式：
Y = Z − min ⁡ ( Z ) max ⁡ ( Z ) − min ⁡ ( Z ) Y = \frac{Z-\min(Z)}{\max(Z)-\min(Z)} Y=max(Z)−min(Z)Z−min(Z)

def min_max(x,axis = None):min = x.min(axis = axis,keepdims = True)max = x.max(axis = axis,keepdims = True)result = (x - min)/(max - min)return result#生成随机数据
z = np.random.randint(10,size = (5,5))
print(z)
min_max(z)

[[1 2 5 8 4][0 1 4 5 7][3 3 1 5 8][7 9 9 0 9][5 2 1 7 7]]array([[0.11, 0.22, 0.56, 0.89, 0.44],[0.  , 0.11, 0.44, 0.56, 0.78],[0.33, 0.33, 0.11, 0.56, 0.89],[0.78, 1.  , 1.  , 0.  , 1.  ],[0.56, 0.22, 0.11, 0.78, 0.78]])

使用 L2 范数对数据进行标准化处理

L2 范数计算公式：
L 2 = x 1 2 + x 2 2 + … + x i 2 L_2 = \sqrt{x_1^2 + x_2^2 + \ldots + x_i^2} L2=x12+x22+…+xi2

# 根据公式定义函数
def l2_normalize(v,axis = -1,order =2):l2 = np.linalg.norm(v,ord = order,axis = axis,keepdims =True)l2[l2 == 0] =1return v/l2
#生成随机数据
z = np.random.randint(10,size = [5,5])
print(z)l2_normalize(z)

[[6 4 7 7 7][4 5 7 9 6][8 1 5 0 3][4 6 5 4 4][7 2 4 8 9]]array([[0.43, 0.28, 0.5 , 0.5 , 0.5 ],[0.28, 0.35, 0.49, 0.63, 0.42],[0.8 , 0.1 , 0.5 , 0.  , 0.3 ],[0.38, 0.57, 0.48, 0.38, 0.38],[0.48, 0.14, 0.27, 0.55, 0.62]])

使用 NumPy 计算变量直接的相关性系数

Z = np.array([[1, 2, 1, 9, 10, 3, 2, 6, 7], # 特征 A[2, 1, 8, 3, 7, 5, 10, 7, 2], # 特征 B[2, 1, 1, 8, 9, 4, 3, 5, 7]]) # 特征 Cnp.corrcoef(Z)

array([[ 1.  , -0.06,  0.97],[-0.06,  1.  , -0.01],[ 0.97, -0.01,  1.  ]])

相关性系数取值从 [-1, 1] 变换，靠近 1 则代表正相关性较强，-1 则代表负相关性较强。结果如下所示，变量 A 与变量 A 直接的相关性系数为 1，因为是同一个变量。变量 A 与变量 C 之间的相关性系数为 0.97，说明相关性较强。

使用 NumPy 计算矩阵的特征值和特征向量

M = np.matrix([[1,2,3],[4,5,6],[7,8,9]])
w,v = np.linalg.eig(M)
# w对应特征值，v对应特征向量
print(w)
print(v)

[ 1.61e+01 -1.12e+00 -1.30e-15]
[[-0.23 -0.79  0.41][-0.53 -0.09 -0.82][-0.82  0.61  0.41]]

我们可以通过 P'AP=M 公式反算，验证是否能得到原矩阵。

v * np.diag(w)*np.linalg.inv(v)

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

使用 NumPy 计算 Ndarray 两相邻元素差值

z = np.random.randint(1,10,10)
print(z)# 计算z两相邻元素之间的差值
print(np.diff(z,n =1))
# 重复计算2次
print(np.diff(z,n = 2))#重复计算三次
print(np.diff(z,n = 3))

[6 5 5 8 5 5 1 5 8 9]
[-1  0  3 -3  0 -4  4  3  1]
[ 1  3 -6  3 -4  8 -1 -2]
[ 2 -9  9 -7 12 -9 -1]

使用 NumPy 将 Ndarray 相邻元素依次累加

z = np.random.randint(1,10,10)
print(z)
"""
[第一个元素, 第一个元素 + 第二个元素, 第一个元素 + 第二个元素 + 第三个元素, ...]
"""
np.cumsum(Z)

[1 6 1 2 9 5 8 9 7 3]array([  1,   3,   4,  13,  23,  26,  28,  34,  41,  43,  44,  52,  55,62,  67,  77,  84,  86,  88,  89,  90,  98, 107, 111, 114, 119,126], dtype=int32)

使用 NumPy 按列连接两个数组

M1 = np.array([1,2,3])
M2 = np.array([4,5,6])
np.c_[M1,M2]

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

使用 NumPy 按行连接两个数组

M1 = np.array([1, 2, 3])
M2 = np.array([4, 5, 6])np.r_[M1, M2]

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

使用 NumPy 打印九九乘法表

np.fromfunction(lambda i, j:(i+1)*(j+1),(9,9) )

array([[ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9.],[ 2.,  4.,  6.,  8., 10., 12., 14., 16., 18.],[ 3.,  6.,  9., 12., 15., 18., 21., 24., 27.],[ 4.,  8., 12., 16., 20., 24., 28., 32., 36.],[ 5., 10., 15., 20., 25., 30., 35., 40., 45.],[ 6., 12., 18., 24., 30., 36., 42., 48., 54.],[ 7., 14., 21., 28., 35., 42., 49., 56., 63.],[ 8., 16., 24., 32., 40., 48., 56., 64., 72.],[ 9., 18., 27., 36., 45., 54., 63., 72., 81.]])

使用 NumPy 将实验楼 LOGO 转换为 Ndarray 数组

from io import BytesIO
from PIL import Image
import PIL,requests
# 通过链接下载图像
URL = 'https://upload.jianshu.io/users/upload_avatars/4356789/7180cf5d-ad9d-45e7-b9d7-892e6f141885.jpg?imageMogr2/auto-orient/strip|imageView2/1/w/240/h/240'
response = requests.get(URL)
# 将内容读取为图像
I = Image.open(BytesIO(response.content))

# 将图像转换为 Ndarray
Datawhale= np.asarray(I)
Datawhale

array([[[ 2, 32, 40],[ 2, 32, 40],[ 2, 32, 40],...,[ 2, 32, 40],[ 2, 32, 40],[ 2, 32, 40]],[[ 2, 32, 40],[ 2, 32, 40],[ 2, 32, 40],...,[ 2, 32, 40],[ 2, 32, 40],[ 2, 32, 40]],[[ 2, 32, 40],[ 2, 32, 40],[ 2, 32, 40],...,[ 2, 32, 40],[ 2, 32, 40],[ 2, 32, 40]],...,[[ 2, 32, 40],[ 2, 32, 40],[ 2, 32, 40],...,[ 2, 32, 40],[ 2, 32, 40],[ 2, 32, 40]],[[ 2, 32, 40],[ 2, 32, 40],[ 2, 32, 40],...,[ 2, 32, 40],[ 2, 32, 40],[ 2, 32, 40]],[[ 2, 32, 40],[ 2, 32, 40],[ 2, 32, 40],...,[ 2, 32, 40],[ 2, 32, 40],[ 2, 32, 40]]], dtype=uint8)

本文章主要作为学习历程的记录，如有侵权，请联系作者删除，原文地址https://www.shiyanlou.com/courses/

numpy百题斩(二)相关推荐

Numpy百题斩(一）
文章目录知识点实验环境基础部分导入numpy库创建数组数组运算数学函数数组切片和索引数组形状操作数组排序数组统计 NumPy 是 Python 语言的一个扩充程序库.支持大量高维 ...
前端百题斩【017】——一基础、二主线、双机制理解原型链
写该系列文章的初衷是"让每位前端工程师掌握高频知识点,为工作助力".这是前端百题斩的第17斩,希望朋友们关注公众号"执鸢者",用知识武装自己的头脑. 17.1 ...
五万字前端面试宝典——前端百题斩（上）新鲜出炉
从2021年5月9号开始更新<前端百题斩>,目前终于取得了阶段性成果,<前端百题斩>上册已经更新完毕,内容包括JS基础篇.浏览器篇.网络篇,共计50个章节,5万多字.关注公众号 ...
# 算法百题斩其一： floodfill
算法百题斩其一: floodfill 写在前面:何所谓"斩"? 斩,即快速而有力地切断,指我们用最精简的语言,一针见血地点破算法题的核心难点.斩需三思而后行:斩需借助外力.旁征博引 ...
前端百题斩【032】——两个角度一个实战了解事件循环
写该系列文章的初衷是"让每位前端工程师掌握高频知识点,为工作助力".这是前端百题斩的第32斩,希望朋友们关注公众号"执鸢者",用知识武装自己的头脑. 111 9 ...
前端百题斩【018】——从验证点到手撕new操作符
写该系列文章的初衷是"让每位前端工程师掌握高频知识点,为工作助力".这是前端百题斩的第18斩,希望朋友们关注公众号"执鸢者",用知识武装自己的头脑. 18.1 ...
前端百题斩【028】——浏览器中的请求们
写该系列文章的初衷是"让每位前端工程师掌握高频知识点,为工作助力".这是前端百题斩的第28斩,希望朋友们关注公众号"执鸢者",用知识武装自己的头脑. 通过浏览器 ...
前端百题斩【035】——一文了解HTTP缓存
写该系列文章的初衷是"让每位前端工程师掌握高频知识点,为工作助力".这是前端百题斩的第35斩,希望朋友们关注公众号"执鸢者",用知识武装自己的头脑.提前透露一下 ...
前端百题斩【019】——数组中方法原理早知道
写该系列文章的初衷是"让每位前端工程师掌握高频知识点,为工作助力".这是前端百题斩的第19斩,希望朋友们关注公众号"执鸢者",用知识武装自己的头脑. js的Ar ...

numpy百题斩(二)

进阶部分

numpy百题斩(二)相关推荐

最新文章

热门文章