CS231n-Numpy入门

import numpy as npa = np.array([1, 2, 3])          #创建一个1x3的数组
print(type(a))                   #结果应该是:<type 'numpy.ndarray'>
print(a.shape)                   #(3,)
print(a[0], a[1], a[2])          #1,2,3
a[0]=5
print(a)                         #[1,2,3]#####################其他一些创建并初始化数组的方法######################
a = np.zeros((2,2)
print(a)                         #输出结果为：[[0.,0.],#             [0.,0.]]b = np.ones((1,2))
print（b)                        #输出结果为：[[1.,1.],#             [1.,1.]]c = np.full((2,2), 7)
print(c)                         #输出结果为：[[7.,7.],#             [7.,7.]]d = np.eye(2)
print(d)                         #输出结果为：[[1.,0.],#             [0.,1.]]e = np.random.random((2,2))
print(e)                         #一输出结果：[[ 0.24675928，0.08179221]#             [ 0.86916875，0.67120492]]#####################下标操作的一些常用的方法############################
a = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]]) #创建数组：## [[ 1  2  3  4]#   [ 5  6  7  8]#   [ 9 10 11 12]]#取a的子数组，前2行的1，2列(从0开始)
b = a[:2, 1:3]                                     #结果为：#[[2,3]# [3,7]]#子数组是原数组中的一部分，改变子数组值会相应更改原数组的值
b[0,0]=0.
print(a)                                           #输出为：#  [[ 1  0  3  4]#   [ 5  6  7  8]#   [ 9 10 11 12]]#取整行的操作，注意区别
row_r1 = a[1, :]
row_r2 = a[1:2, :]
print(row_r1, row_r1.shape)                        #[5,6,7,8] (4,)
print(row_r2, row_r2.shape)                        #[[5,6,7,8]] (1,4)#整数索引
a=np.array([[1,2],[3,4],[5,6]])
print(a[[0,1,2],[0,1,0]])                          #[1,4,5]前面是行后面是列
同
print(np.array[a[0,0],a[1,1],a[2,0]])              #[1,4,5]print(a[[0,0],[1,1]])                              #[2,2]
同
print(np.array[a[0,1],a[0,1]])                     #[2,2]#整数索引使用，选择修改矩阵中某些行中的某些值
a=np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])
print(a)                                           #[[1,2,3],# [4,5,6],# [7,8,9],# [10,11,12]]
b = np.array([0, 2, 0, 1])                         #创建一个下标数组
print(a[np.arrange(4),b])                          #使用b中元素做下标取a中每行对应的元素#[1,6,7,11]
a[np.arrange(4),b]+10                              #改变对应的值
print(a)                                           #[[11,2,3],# [4,5,16],# [17,8,9],# [10,21,12]]#布尔索引，从数组中取出一些满足一定条件的元素a = np.array([[1,2], [3, 4], [5, 6]])              #[[1,2],[3,4],[5,6]]bool_idx=(a>2)                                     #找出a中大于2的元素，#返回值为形如a的矩阵，值为False或True
print(bool_idx)                                    #[[False,False],[True,True],[True,True]]#使用布尔数组做下标输出a中的值
print(a[bool_idx])                                 #[3,4,5,6]###########################Numpy数组中的数据类型##############################
#缺省情况下，numpy 自动选择
x = np.array([1, 2])
print(x.dtype)                                     #int64x = np.array([1.0, 2.0])
print(x.dtype)])                                   #float64#强制类型转换
x = np.array([1, 2], dtype=np.float64)
print(x.dtype)                                     #float64#################################数组数学运算####################################按元素操作的基本数学运算，可以使用运算符，也可以使用相关函数
x = np.array([[1,2],[3,4]], dtype=np.float64)
y = np.array([[5,6],[7,8]], dtype=np.float64)#加法
print(x + y)
print(np.add(x, y))                                #[[6.0,8.0],[10.0,12.0]]#减法
print(x - y)
print(np.subtract(x, y))                           #[[-4.0,-4.0],[-4.0,-4.0]]#按位除
print(x / y)
print(np.divide(x, y))                             #[[0.2,0.33333333],[0.42851743,0.5]]#按位乘
print(x * y)
print(np.multiply(x, y))                           #[[5.0,12.0],[21.0,32.0]]#按位取平方根
print(np.sqrt(x))                                  #[[1.,1.41421356],[]1.73205081,2.]###矩阵运算
x = np.array([[1,2],[3,4]])
y = np.array([[5,6],[7,8]])v = np.array([9,10])
w = np.array([11, 12])#向量内积
print(v.dot(w))
print(np.dot(v, w))                                #219#矩阵向量相乘
print(x.dot(v))
print(np.dot(x, v))                                #[29,67]#矩阵相乘
print(x.dot(y))
print(np.dot(x, y))                                #[[19,22],[43,50]]###数组中最有用的函数之一sum
x = np.array([[1,2],[3,4]])print(np.sum(x))                                   #10,计算数组x中所有元素的和
print(np.sum(x, axis=0))                           #[4 6]，按列求和
print(np.sum(x, axis=1))                           #[3 7]，按行求和###数组reshape或元素操作
#转置
x = np.array([[1,2], [3,4]])
print(x)                                           #[[1,2],[3,4]]
print(x.T)                                         #[[1,3],[2,4]]#对向量转置不起作用
v = np.array([1,2,3])
print(v)                                           #[1，2，3]
print(v.T)                                         #[1，2，3]########################## Broadcasting #####################################
#Broadcast是numpy中不同shape的数组进行数学运算的有效机制
#例：假如对一个矩阵的每一行同一个向量相加
#1.常规做法
x = np.array([[1,2,3], [4,5,6], [7,8,9], [10, 11, 12]])
v = np.array([1, 0, 1])
y = np.empty_like(x)                               #创建一个形如x的空数组for i in range(4):y[i, :] = x[i, :] + vprint(y)                                          #[[2,2,4],# [5,5,7],# [8,8,10],# [11,11,13]]#but,若x很大，显示的循环在py中很费时#2.使用v生成一个与x shape相同的矩阵
x = np.array([[1,2,3], [4,5,6], [7,8,9], [10, 11, 12]])
v = np.array([1, 0, 1])
vv = np.tile(v, (4, 1))                           #在每层上堆积v,(4,3)y = x + vv
print(y)                                          #[[2,2,4],# [5,5,7],# [8,8,10],# [11,11,13]]
#3使用broadcast
x = np.array([[1,2,3], [4,5,6], [7,8,9], [10, 11, 12]])
v = np.array([1, 0, 1])
y = x + v                                         #不同shape的数组相加
print(y)                                          #[[2,2,4],# [5,5,7],# [8,8,10],# [11,11,13]]

numpy.flatnonzero(a)
返回将aflatten之后的一维数组中非零元素的下标(indices)

>>>a=np.array([[1,2],[0,-1]])
>>>b=np.flatnonzero(a)
>>>b
array([0,1,3])

numpy.vstack(a,b),沿垂直方向合并数组(行方向)，a,b除第一维外，其他维数要相同

>>> a = np.array([1, 2, 3])
>>> b = np.array([2, 3, 4])
>>> np.vstack((a,b))
array([[1, 2, 3],[2, 3, 4]])
>>> a = np.array([[1], [2], [3]])
>>> b = np.array([[2], [3], [4]])
>>> np.vstack((a,b))
# a.shape为3x1
array([[1],[2],[3],[2],[3],[4]])

numpy.stack(arr,axis=1),沿当前轴方向合并数组

>>> arrays = [np.random.randn(1, 2) for _ in range(3)]
>>> arrays[array([[0.66415129, 1.17639802]]),array([[-0.20116847, -0.07704193]]),array([[0.82340426, 0.56482453]])]>>> np.stack(arrays,axis=-1)array([[[ 0.66415129, -0.20116847,  0.82340426],[ 1.17639802, -0.07704193,  0.56482453]]])In [16]: np.stack(arrays,axis=0)
Out[16]:
array([[[ 0.66415129,  1.17639802]],[[-0.20116847, -0.07704193]],[[ 0.82340426,  0.56482453]]])

reference

[1]https://docs.scipy.org/doc/numpy/user/basics.creation.html#arrays-creation

[2]https://docs.scipy.org/doc/numpy/reference/arrays.indexing.html

[3]https://docs.scipy.org/doc/numpy/reference/arrays.dtypes.html

[4]https://docs.scipy.org/doc/numpy/reference/routines.math.html

[5]https://docs.scipy.org/doc/numpy/reference/ufuncs.html#available-ufuncs

[6]http://scipy.github.io/old-wiki/pages/EricsBroadcastingDoc

[7]http://cs231n.github.io/python-numpy-tutorial/#numpy-datatypes

CS231n-Numpy入门相关推荐

numpy 数组抽取_清晰易懂的Numpy入门教程
原标题:清晰易懂的Numpy入门教程翻译 | 石头来源 | Machine Learning Plus Numpy是python语言中最基础和最强大的科学计算和数据处理的工具包,如数据分析工具pa ...
python numpy教程_Python中的Numpy入门教程
这篇文章主要介绍了 Python 中的 Numpy 入门教程,着重讲解了矩阵中的数组操作 , 需要的朋友可以参考下 1 . Numpy 是什么很简单, Numpy 是 Python 的一个科学计算 ...
Numpy入门[9]——数组与字符串的转换
Numpy入门[9]--数组与字符串的转换参考: https://ailearning.apachecn.org/ 使用Jupyter进行练习 import numpy as np tobytes方 ...
numpy入门详细代码
numpy入门生成小的随机数组属性生成ndarray 维度类型转换数组算术基础索引和切片 copy使用数组切片索引数组转置面向数组编程条件逻辑转为数组操作随机漫步示例 numpy ...
[入门教程](python numpy入门)
[入门教程](python numpy入门) NumPy NumPy是一个开源的Python科学计算基础库,包含 •一个强大的N维数组对象ndarray •广播功能函数 •整合C/C++/Fortra ...
【Python语言基础】——Python NumPy 入门
Python语言基础--Python NumPy 入门文章目录 Python语言基础--Python NumPy 入门一.Python NumPy 入门一.Python NumPy 入门安装 ...
Numpy入门(九)：np.corrcoef()用法
点击跳转 <Numpy入门系列目录> numpy.corrcoef(x, y=无, rowvar = True, 偏差=<无值>, ddof=<无值>) x: ar ...
python科学计算2 数据组织形式与numpy入门
文章目录 1 数据组织 1.1 单个数据 1.2 数据组织 1.3 数据组织的形式 1.3.1一维数据 1.3.2 二维数据 1.3.3 多维数据 1.3.4 高维数据 1.4普通数据组织的缺点 2 ...
Numpy入门[16]——choose函数实现条件筛选
Numpy入门[16]--choose函数实现条件筛选参考: https://ailearning.apachecn.org/ numpy高级函数操作之--select.choose 使用Jupyt ...
numpy入门详细教程(一)
本讲主要介绍对numpy库和numpy库的N维数组对象:ndarray的基本了解.更多内容请看numpy入门详细教程(二) numpy: NumPy是一个开源的Python科学计算基础库,包含: • ...

CS231n-Numpy入门

CS231n-Numpy入门相关推荐

最新文章

热门文章