NumPy的思考……

问题：

　　为什么第一次输出矩阵形式的数据，第二次输出list形式的数据？

详见代码：

a = np.array([[1, 2], [3, 4]])
print(a)
print('ndim :', a.ndim)

控制台输出：

[[1 2][3 4]]
ndim : 2

然而，代码修改一下：

b = np.array([[11, 12], [14, 16, 17]])
print(b)
print(type(b))

控制台输出：

[list([11, 12]) list([14, 16, 17])]
<class 'numpy.ndarray'>

答案：

　　第二次输出元素 [ [11, 12], [14, 16, 17] ] 在形式上不能用矩阵形式输出，不对称。

问题：

array(p_object, dtype=None, copy=True, order='K', subok=False, ndmin=0)

order : {'K', 'A', 'C', 'F'}, optionalSpecify the memory layout of the array. order参数用于：指定数组的内存布局。

　　order的作用体现在哪里？

　　怎么才能看出数组的内存布局？

答案：

　　ndarray.flags属性，查看ndarray对象的内存信息

  C_CONTIGUOUS : True　　　　　　　　c_contiguous(连续的）F_CONTIGUOUS : False　　　　　　　 f_contiguousOWNDATA : True　　　　　　　　　　　own dataWRITEABLE : True　　　　　　　　　　writeableALIGNED : True　　　　　　　　　　　aligned（对齐）WRITEBACKIFCOPY : False　　　　　write back if copyUPDATEIFCOPY : False　　　　　　　update if copy

sin()：

Parameters----------x : array_likeAngle, in radians (:math:`2 \pi` rad equals 360 degrees).

2 \pi = 2π

360°等于2π弧度
在数学和物理中,弧度是角的量度单位.它是由国际单位制导出的单位,单位缩写是rad.（radians）

弧度定义：弧长等于圆半径的弧所对的圆心角为1弧度

根据定义,一周的弧度数为2πr/r=2π, 360°角＝2π弧度,因此,1弧度约为57.3°,即57°17'44.806'',1°为π/180弧度,近似值为0.01745弧度,周角为2π弧度, 平角（即180°角）为π弧度, 直角为π/2弧度.
在具体计算中,角度以弧度给出时,通常不写弧度单位,直接写值.最典型的例子是三角函数,如sin 8π、tan (3π/2).
弧长公式：
l rad=nπr/180
在这里,n就是角度数.

np.repeat()使用技巧

c = np.array([[1, 2, 3]])
c = c.reshape(-1, 3).repeat(2, 0)
输出c:
[[1, 2, 3],[1, 2, 3]]
=====================
cc = c.reshape(-1, 3)
# -1代表不管行数，只是确定列数为3# repeat用法
d = c.reshape(-1, 3)
d.repeat(2, 0)                           可以
d.repeat(preats=2, axis=0)               可以
np.repeat(d, 2, 0)                       也可以

问题：

　　同样是order排序，传入'C'，'F'不同，则打印不同？

代码：

import numpy as np
a = np.arange(0, 60, 5).reshape((3, 4))
print(a)
for x in np.nditer(a,flags=['external_loop'], order='C'):print(x, end=', ')

控制台输出：

[[ 0  5 10 15][20 25 30 35][40 45 50 55]]
[ 0  5 10 15 20 25 30 35 40 45 50 55],

然而，代码：

import numpy as np
a = np.arange(0, 60, 5).reshape((3, 4))
print(a)
for x in np.nditer(a,flags=['external_loop'], order='F'):print(x, end=', ')

控制台输出：

[[ 0  5 10 15][20 25 30 35][40 45 50 55]]
[ 0 20 40], [ 5 25 45], [10 30 50], [15 35 55],

答案：

　　迭代器遍历对应于每列，并组合为一维数组。（默认）

问题：

　　a.T在nditer中迭代不应该输出

[[0 3][1 4][2 5]]

　　吗？

代码：

a = np.arange(6).reshape(2, 3)
print(a)
print(a.T)
print(a.T.flags)
for x in np.nditer(a.T):print(x, end=', ')
print('\n')

控制台输出：

[[0 1 2][3 4 5]][[0 3][1 4][2 5]]C_CONTIGUOUS : FalseF_CONTIGUOUS : TrueOWNDATA : FalseWRITEABLE : TrueALIGNED : TrueWRITEBACKIFCOPY : FalseUPDATEIFCOPY : False0, 1, 2, 3, 4, 5,

答案：

　　np.nditer(..., order='K') ：

　　　　order参数默认‘K’

　　源码中，as close sth. as possible ：尽可能靠近

'K' means as close to the order the array elements appear in memory as possible.

　　翻译：'K' 意味着，（顺序要）尽可能靠近内存中出现的的数组的元素顺序。　　　

=============================================

转载于:https://www.cnblogs.com/daemonFlY/p/10029667.html

NumPy的思考……相关推荐

NumPy学的还不错？来试试这20题
来源 | 早起Python(ID: zaoqi-python) 又到了NumPy进阶修炼专题.NumPy大家应该不陌生了,看了太多的原理讲解之后,用刷题来学习是最有效的方法,本文将带来20个NumPy ...
图解NumPy，这是理解数组最形象的一份教程了
点击上方"视学算法",选择加"星标"或"置顶" 重磅干货,第一时间送达转自:深度学习初学者作者:Jay Alammar 本文用可视化的方 ...
图解NumPy：常用函数的内在机制
选自Medium 作者:Lev Maximov 机器之心编译编辑:Panda 支持大量多维数组和矩阵运算的 NumPy 软件库是许多机器学习开发者和研究者的必备工具,本文将通过直观易懂的图示解析常用 ...
如何从NumPy直接创建RNN？
木易发自凹非寺量子位报道 | 公众号 QbitAI 使用成熟的Tensorflow.PyTorch框架去实现递归神经网络(RNN),已经极大降低了技术的使用门槛. 但是,对于初学者,这还是远 ...
Python从入门到精通 - 什么是NumPy (下)
本文是 Python 系列的第四篇 Python 入门篇 (上) Python 入门篇 (下) 数组计算之 NumPy (上) 数组计算之 NumPy (下) 科学计算之 SciPy 数据结构之 Pa ...
Python从入门到精通- 什么是NumPy？ (上)
0 引言本文是 Python 系列的第三篇 Python 入门篇 (上) Python 入门篇 (下) 数组计算之 NumPy (上) 数组计算之 NumPy (下) 科学计算之 SciPy 数据结 ...
Numpy中数组间运算
Numpy中数组间运算 1 数组与数的运算 [可以直接进行运算] arr = np.array([[1, 2, 3, 2, 1, 4], [5, 6, 1, 2, 3, 1]]) arr + ...
Numpy的介绍和优势
Numpy的介绍和优势 1 Numpy介绍 Numpy(Numerical Python)是一个开源的Python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 ...
附录2：Numpy实例记录
使用Numpy是为了让数组的处理更高效,Numpy高效的原因在于操作并行,比如arrayX10的广播,不会一个一个去X10,而是一组一组的并行执行,numpy的实现涉及到硬件的管理: 另外,Numpy ...

NumPy的思考……

NumPy的思考……相关推荐

最新文章

热门文章