[转载] numpy用法（logical_and, nonzero，arange, reshape）

参考链接： Python中的numpy.logical_not

numpy里面有很多数组矩阵的用法，遇到一个就记一个。

1.np.logical_and/or/not (逻辑与/或/非)

np.logical_and(逻辑与)

Syntax

np.logical_and(x1, x2, *args, **kwargs)

Test

>>> np.logical_and(True, False)

False

>>> np.logical_and([True, False], [False, False])

array([False, False], dtype=bool)

>>> x = np.arange(5)

>>> np.logical_and(x>1, x<4)

array([False, False, True, True, False], dtype=bool)

np.logical_or(逻辑或)

Syntax

np.logical_or(x1, x2, *args, **kwargs)

Test

>>> np.logical_or(True, False)

True

>>> np.logical_or([True, False], [False, False])

array([ True, False], dtype=bool)

>>> x = np.arange(5)

>>> np.logical_or(x < 1, x > 3)

array([ True, False, False, False, True], dtype=bool)

np.logical_not(逻辑非)

Syntax

logical_not(x, *args, **kwargs)Test

>>> np.logical_not(3)

False

>>> np.logical_not([True, False, 0, 1])

array([False, True, True, False], dtype=bool)

>>> x = np.arange(5)

>>> np.logical_not(x<3)

array([False, False, False, True, True], dtype=bool)

转自：https://blog.csdn.net/JNingWei/article/details/78651535?locationNum=2&fps=1

2.numpy中的nonzero()的用法

nonzero(a)返回数组a中值不为零的元素的下标，它的返回值是一个长度为a.ndim(数组a的轴数)的元组，元组的每个元素都是一个整数数组，其值为非零元素的下标在对应轴上的值。例如对于一维布尔数组b1，nonzero(b1)所得到的是一个长度为1的元组，它表示b1[0]和b1[2]的值不为0(False)。

>>> b1=np.array([True, False, True, False])

>>> np.nonzero(b1)

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

对于二维数组b2，nonzero(b2)所得到的是一个长度为2的元组。它的第0个元素是数组a中值不为0的元素的第0轴的下标，第1个元素则是第1轴的下标，因此从下面的结果可知b2[0,0]、b[0,2]和b2[1,0]的值不为0：

>>> b2 = np.array([[True, False, True], [True, False, False]])

>>> np.nonzero(b2)

(array([0, 0, 1], dtype=int64), array([0, 2, 0], dtype=int64))

当布尔数组直接做为

numpy数组

下标时，相当于使用由nonzero()转换之后的元组作为下标对象：

>>> a = np.arange(3*4*5).reshape(3,4,5)

>>> a

array([[[ 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],

[25, 26, 27, 28, 29],

[30, 31, 32, 33, 34],

[35, 36, 37, 38, 39]],

[[40, 41, 42, 43, 44],

[45, 46, 47, 48, 49],

[50, 51, 52, 53, 54],

[55, 56, 57, 58, 59]]])

>>> a[b2]

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

[10, 11, 12, 13, 14],

[20, 21, 22, 23, 24]])

>>> a[np.nonzero(b2)]

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

[10, 11, 12, 13, 14],

[20, 21, 22, 23, 24]])

为了观察变化，下面有一个例子：

dataSet=array(

[[1,0,0,0],

[0,1,0,0],

[0,0,0,1]])

a=dataSet[:,1]>0.5

print(a)

print('--------------')

print(nonzero(a))

print('--------------')

print(nonzero(a)[0])

print('--------------')

print(dataSet[nonzero(a)[0],:])

输出结果：

[False True True False]

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

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

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

[1 2]

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

[[0 1 0 0]

[0 1 0 0]]

转自：https://blog.csdn.net/zhihaoma/article/details/51235016

3.range和np.arange()

range()返回的是range object，而np.nrange()返回的是numpy.ndarray() range尽可用于迭代，而np.nrange作用远不止于此，它是一个序列，可被当做向量使用。range()不支持步长为小数，np.arange()支持步长为小数两者都可用于迭代两者都有三个参数，以第一个参数为起点，第三个参数为步长，截止到第二个参数之前的不包括第二个参数的数据序列某种意义上，和STL中由迭代器组成的区间是一样的，即左闭右开的区间。[first, last)或者不加严谨地写作[first:step:last)

>>>range(1,5)

range(1,5)

>>>tuple(range(1, 5))

(1, 2, 3, 4)

>>>list(range(1, 5))

[1, 2, 3, 4]

>>>r = range(1, 5)

>>>type(r)

>>>for i in range(1, 5):

... print(i)

>>> np.arange(1, 5)

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

>>>range(1, 5, .1)

Traceback (most recent call last):

File "<stdin>", line 1, in <module>

TypeError: 'float' object cannot be interpreted as an integer

>>>np.arange(1, 5, .5)

array([ 1. , 1.5, 2. , 2.5, 3. , 3.5, 4. , 4.5])

>>>range(1, 5, 2)

>>>for i in range(1, 5, 2):

... print(i)

>>for i in np.arange(1, 5):

... print(i)

4转自：https://blog.csdn.net/lanchunhui/article/details/49493633

4.arange(),reshape()用法

arange()用于生成一维数组

reshape()将一维数组转换为多维数组

import numpy as np

print('默认一维为数组:', np.arange(5))

print('自定义起点一维数组:',np.arange(1, 5))

print('自定义起点步长一维数组:',np.arange(2, 10, 2))

print('二维数组:', np.arange(8).reshape((2, 4)))

print('三维数组:', np.arange(60).reshape((3, 4, 5)))

print('指定范围三维数组:',np.random.randint(1, 8, size=(3, 4, 5)))

输出结果:

默认一维数组: [0 1 2 3 4]

自定义起点一维数组: [1 2 3 4]

自定义起点步长一维数组: [2 4 6 8]

二维数组: [[0 1 2 3]

[4 5 6 7]]

三维数组: [[[ 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]

[25 26 27 28 29]

[30 31 32 33 34]

[35 36 37 38 39]]

[[40 41 42 43 44]

[45 46 47 48 49]

[50 51 52 53 54]

[55 56 57 58 59]]]

指定范围三维数组: [[[2 3 2 1 5]

[6 5 5 6 7]

[4 4 6 5 3]

[2 2 3 5 6]]

[[2 1 2 4 4]

[1 4 2 1 4]

[4 4 3 4 2]

[4 1 4 4 1]]

[[6 2 2 7 6]

[2 6 1 5 5]

[2 6 7 2 1]

[3 3 1 4 2]]]

[[[3 3 5 6]

[2 1 6 6]

[1 1 3 5]]

[[7 6 5 3]

[5 6 5 4]

[6 5 7 1]]]转自：https://blog.csdn.net/chinacmt/article/details/78548420

[转载] numpy用法（logical_and, nonzero，arange, reshape）相关推荐

【numpy】numpy中np.nonzero()的用法
nonzero(a) 返回数组a中非零元素的索引值数组. 只有a中非零元素才会有索引值,那些零值元素没有索引值: 返回的索引值数组是一个2维tuple数组,该tuple数组中包含一维的array数组. ...
Numpy用法详细总结：学习numpy如何使用，看这一篇文章就足够了
Numpy用法详细总结一.创建ndarray及查看数据类型 1. 使用np.array()由python list创建图片与array数组的关系 2. 使用np的常用函数创建二.ndarray的 ...
python中Numpy用法总结
Numpy用法 1.创建ndarry数组 import numpy as np data1 = [1,3,5,7.8] w1 = np.array(data1) print(w1) data2=(2, ...
Numpy和Opencv中的reshape 和 transpose的区别
Numpy和Opencv中的reshape 和 transpose的区别在Numpy和Opencv中,都有两个函数:reshape 和 transpose. 该两个函数都具有改变维度的作用,在使用中 ...
numpy函数:arange(),reshape()用法,
arange()用于生成一维数组 reshape()将一维数组转换为多维数组 import numpy as npprint('默认一维为数组:', np.arange(5)) print('自定义起 ...
[转载] numpy.reshape用法（自用）
参考链接: Python中的numpy.reshape numpy.reshape(a,newshape,order='C') 官方文档:https://docs.scipy.org/doc/nump ...
[转载] numpy.dot numpy.linalg.eig numpy.linalg.svd np.linalg.inv 用法 + 例子
参考链接: Python中的numpy.dot numpy.dot() x是mn 矩阵 ,y是nm矩阵则x.dot(y) 得到m*m矩阵 >>> np.dot(3, 4) 12 & ...
[转载] numpy总结
参考链接: Python中的numpy.tri numpy 'Numerical Python'.它是一个由多维数组对象和一组处理数组的例程组成的库. NumPy通常与 SciPy (Scientif ...
[转载] Numpy 数学函数及逻辑函数
参考链接: Numpy 数学函数目录一.向量化和广播二.数学函数算数运算 numpy.add numpy.subtract numpy.multiply numpy.divide numpy. ...

[转载] numpy用法（logical_and, nonzero，arange, reshape）

[转载] numpy用法（logical_and, nonzero，arange, reshape）相关推荐

最新文章

热门文章