NumPy Cookbook 带注释源码十一、NumPy 的底牌

# 来源：NumPy Cookbook 2e Ch11np.random.seed(44)
a = np.random.random_integers(-4, 4, 7)
print(a)
# [ 0 -1 -3 -1 -4  0 -1]# ufunc 的 at 方法可以对数组元素部分调用
np.sign.at(a, [2, 4])
print(a)
# np.sign.at(a, [2, 4]) print(a) np.random.seed(20)
a = np.random.random_integers(0, 7, 9)
print(a)
# [3 2 7 7 4 2 1 4 3] # partition 仅仅排序所选位置
# 也就是说 a 中下标为 4 的元素在排序后的位置
# 其它的不保证
print(np.partition(a, 4))
# [2 3 1 2 3 7 7 4 4]np.random.seed(46)
a = np.random.randn(30)
estimates = np.zeros((len(a), 3))# nanmean nanvar 和 nanstd 可以用于计算
# 排除 NaN 值的均值、方差和标准差
for i in xrange(len(a)):# 依次把 a[i] 设为 NaN# 计算均值、方差和标准差b = a.copy()b[i] = np.nanestimates[i,] = [np.nanmean(b), np.nanvar(b), np.nanstd(b)]print("Estimator variance", estimates.var(axis=0))
# Estimator variance [ 0.00079905  0.00090129  0.00034604]# full 创建纯量数组
# full(size, val) 等价于 ones(size) * val
print(np.full((1, 2), 7))
# array([[ 7.,  7.]])print(np.full((1, 2), 7, dtype=np.int))
array([[7, 7]])a = np.linspace(0, 1, 5)
print(a)
# array([ 0.  ,  0.25,  0.5 ,  0.75,  1.  ]) # full_like 接受数组，并取形状
# full_like(arr, val) 等价于 ones(arr.shape) * val
print(np.full_like(a, 7))
# array([ 7.,  7.,  7.,  7.,  7.])print(np.full_like(a, 7, dtype=np.int))
# array([7, 7, 7, 7, 7])

np.random.choice 随机选取


# 取 400 个随机数，满足 B(5, 0.5)
N = 400
np.random.seed(28)
data = np.random.binomial(5, .5, size=N) # 从随机数中随机取 400x30 个值
# 等价于选取 Nx30 次
# 每次使用 randint(0, len(data)) 来生成下标
bootstrapped = np.random.choice(data, size=(N, 30)) # 计算每列的均值
means = bootstrapped.mean(axis=0) # 绘制盒图（包含最大值、最小值、中位数、两个四分位数）
plt.title('Bootstrapping demo')
plt.grid()
plt.boxplot(means)
plt.plot(3 * [data.mean()], lw=3, label='Original mean')
plt.legend(loc='best')
plt.show()

datetime64 类型

import numpy as np# 由年月日构造
print(np.datetime64('2015-05-21'))
# numpy.datetime64('2015-05-21')# 去掉横杠
print(np.datetime64('20150521'))
# 由年月构造
print(np.datetime64('2015-05'))
# numpy.datetime64('20150521')
# numpy.datetime64('2015-05')# 由日期和时间构造
local = np.datetime64('1578-01-01T21:18')
print(local)
# numpy.datetime64('1578-01-01T21:18Z')# 可以带上偏移
with_offset = np.datetime64('1578-01-01T21:18-0800')
print(with_offset)
# numpy.datetime64('1578-01-02T05:18Z')# datetime64 作差会生成 timedelta64
print(local - with_offset)
# numpy.timedelta64(-480,'m')

NumPy Cookbook 带注释源码十一、NumPy 的底牌相关推荐

NumPy Cookbook 带注释源码二、NumPy 高级索引和数组概念
调整图像尺寸 # 这个代码用于调整图像尺寸 # 来源:NumPy Cookbook 2e Ch2.3import scipy.misc import matplotlib.pyplot as plt ...
NumPy Cookbook 带注释源码十、Scikit 中的乐趣
# 来源:NumPy Cookbook 2e Ch10 加载示例数据集 from __future__ import print_function from sklearn import datase ...
NumPy Cookbook 带注释源码六、NumPy 特殊数组与通用函数
# 来源:NumPy Cookbook 2e ch6 创建通用函数 from __future__ import print_function import numpy as np# 我们需要定义对单 ...
NumPy Cookbook 带注释源码五、NumPy 音频和图像处理
# 来源:NumPy Cookbook 2e Ch5 将图像加载进内存 import numpy as np import matplotlib.pyplot as plt# 首先生成一个 512x5 ...
NumPy Cookbook 带注释源码四、连接 NumPy 与剩余世界
# 来源:NumPy Cookbook 2e Ch4 使用缓冲区协议 # 协议在 Python 中相当于接口 # 是一种约束 import numpy as np import Image # fro ...
NumPy Cookbook 带注释源码三、掌握 NumPy 常用函数
斐波那契数的第 n 项 # 来源:NumPy Cookbook 2e Ch3.1import numpy as np# 斐波那契数列的每个新项都由之前的两项相加而成 # 以 1 和 2 开始,前 10 ...
NumPy Essentials 带注释源码四、NumPy 核心和模块
# 来源:NumPy Essentials ch4 步长 # 步长是每个维度相邻两个元素的偏移差值 import numpy as npx = np.arange(8, dtype = np.int8 ...
NumPy Essentials 带注释源码三、NumPy 数组使用
版权声明:License CC BY-NC-SA 4.0 https://blog.csdn.net/wizardforcel/article/details/73252085 # 来源:NumPy ...
NumPy Essentials 带注释源码六、NumPy 中的傅里叶分析
# 来源:NumPy Essentials ch6 绘图函数 import matplotlib.pyplot as plt import numpy as np def show(ori_func, ...

NumPy Cookbook 带注释源码十一、NumPy 的底牌

np.random.choice 随机选取

datetime64 类型

NumPy Cookbook 带注释源码十一、NumPy 的底牌相关推荐

最新文章

热门文章

NumPy Cookbook 带注释源码 十一、NumPy 的底牌

np.random.choice 随机选取

datetime64 类型

NumPy Cookbook 带注释源码 十一、NumPy 的底牌相关推荐

最新文章

热门文章

NumPy Cookbook 带注释源码十一、NumPy 的底牌

NumPy Cookbook 带注释源码十一、NumPy 的底牌相关推荐