[转载] Python学习之Numpy

参考链接： Python中的numpy.triu

a1=[1,2,3,4]

a1+1

TypeError Traceback (most recent call last)

<ipython-input-11-a66fed7b98b2> in <module>()

1 a1=[1,2,3,4]

----> 2 a1+1

TypeError: can only concatenate list (not "int") to list

import numpy as np

a=np.array([1,2,3,4])

a+1

a+[1,2,3,4]

a+[1]

a*2

b=np.array([[1,2],[3,4]])

b+2

a+[1,2]

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

array([2, 4, 6, 8])

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

array([2, 4, 6, 8])

array([[3, 4],

[5, 6]])

ValueError Traceback (most recent call last)

<ipython-input-15-e36b81d20138> in <module>()

1 import numpy as np

2 a=np.array([1,2,3,4])

----> 3 a+[1,2]

ValueError: operands could not be broadcast together with shapes (4,) (2,)

2**a

a**2

array([ 2, 4, 8, 16])

array([ 1, 4, 9, 16])

'''

ones(shape[,dtype,order])

根据形状和类型返回一个新的元素全部为1的数组

shape:int或者int元组定义返回数组的形状，形如：（2，3）或者2

dtype:数据类型，可选返回数组的数据类型，例如：numpy：int8，默认numpy：float64

'''

b=np.ones(4)+1

a-b

np.ones(4,dtype=np.int)

np.ones((2,3))

a*b

array([ 2., 2., 2., 2.])

array([-1., 0., 1., 2.])

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

array([[ 1., 1., 1.],

[ 1., 1., 1.]])

array([ 2., 4., 6., 8.])

j=np.arange(5)

2**(j+1)-j

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

array([ 2, 3, 6, 13, 28])

a=np.arange(10000)

'''

%取模运算格式化输出

'''

%timeit a+1

np.arange(1,5)

#第一个值为起始点，第二个值为终止点，第三个值为步长

np.arange(1,10,2)

The slowest run took 5.33 times longer than the fastest. This could mean that an intermediate result is being cached.

100000 loops, best of 3: 8.08 µs per loop

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

array([1, 3, 5, 7, 9])

l=range(10000)

%timeit[i+1 for i in l]

1000 loops, best of 3: 360 µs per loop

range(5)

range(1,5)

range(1,10,2)

[0, 1, 2, 3, 4]

[1, 2, 3, 4]

[1, 3, 5, 7, 9]

c=np.ones((3,3))

c*c#不是矩阵乘法

array([[ 1., 1., 1.],

[ 1., 1., 1.],

[ 1., 1., 1.]])

c.dot(c)

array([[ 3., 3., 3.],

[ 3., 3., 3.],

[ 3., 3., 3.]])

a=np.array([1,2,3,4])

b=np.array([4,2,2,4])

a==b

a>b

a=np.array([1,1,0,0],dtype=bool)

b=np.array([1,0,1,0],dtype=bool)

np.logical_or(a,b)

np.logical_and(a,b)

a=np.arange(10)

np.sin(a)

np.log(a)

np.log10(a)

np.exp(a)

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

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

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

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

array([ 0. , 0.84147098, 0.90929743, 0.14112001, -0.7568025 ,

-0.95892427, -0.2794155 , 0.6569866 , 0.98935825, 0.41211849])

array([ -inf, 0. , 0.69314718, 1.09861229, 1.38629436,

1.60943791, 1.79175947, 1.94591015, 2.07944154, 2.19722458])

array([ -inf, 0. , 0.30103 , 0.47712125, 0.60205999,

0.69897 , 0.77815125, 0.84509804, 0.90308999, 0.95424251])

array([ 1.00000000e+00, 2.71828183e+00, 7.38905610e+00,

2.00855369e+01, 5.45981500e+01, 1.48413159e+02,

4.03428793e+02, 1.09663316e+03, 2.98095799e+03,

8.10308393e+03])

a=np.arange(4)

print a

a.reshape(4,1)+np.array([2,3,5])

[0 1 2 3]

Out[81]:

array([[2, 3, 5],

[3, 4, 6],

[4, 5, 7],

[5, 6, 8]])

a=np.triu(np.ones((3,3)),-1)

a=np.triu(np.ones((3,3)),0)

a=np.triu(np.ones((3,3)),1)

a.T

array([[ 1., 1., 1.],

[ 1., 1., 1.],

[ 0., 1., 1.]])

array([[ 1., 1., 1.],

[ 0., 1., 1.],

[ 0., 0., 1.]])

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

[ 0., 0., 1.],

[ 0., 0., 0.]])

array([[ 0., 0., 0.],

[ 1., 0., 0.],

[ 1., 1., 0.]])

a=np.array([1,2,3,4])

b=np.array([2,3,4,5])

c=np.array([1,2,3,4])

#数组间的比较

np.array_equal(a,b)

np.array_equal(a,c)

False

True

Linear algebra The sub-module numpy.linalg implements basic linear algebra, such as solving linear systems, singular value decomposition, etc. However, it is not guaranteed to be compiled using efficient routines, and thus we recommend the use of scipy.linalg, as detailed in section scipy_linalg

a=np.array([1,2,3,4])

np.sum(a)

a.sum()

a.sum(axis=0)

a.sum(axis=1)

a[:,0].sum(),a[:,1].sum()

a[0,:].sum(),a[1,:].sum()

array([3, 3])

array([2, 4])

(3, 3)

(2, 4)

x=np.random.rand(2,2,2)

print x.sum(axis=2)

x.sum(axis=2)[0,1]

x[0,1,:].sum()

array([[[ 0.18897886, 0.3597148 ],

[ 0.45634364, 0.97641483]],

[[ 0.3529697 , 0.83570539],

[ 0.0629451 , 0.96301844]]])

[[ 1.70568465 1.36214561]

[ 0.50200916 0.98907998]]

1.3621456131271461

x=np.array([1,2,3,1])

x.mean()

np.median(x)

y=np.array([[1,2,3],[5,6,1]])

np.median(y,axis=-1)#最后一个axis

x.std()

x.min()

x.max()

x.argmin()#the index of min

x.argmax()#the index of max

1.75

1.5

array([ 2., 5.])

0.82915619758884995

np.all([True,True,True,False])#是否都为True

np.any([True,False,True])

False

True

可以使用在数组比较

a=np.zeros((100,100))

np.any(a!=0)

np.all(a==a)

a=np.array([1,2,3,4])

b=np.array([2,3,4,5])

np.all(a>b)

False

True

False

[转载] Python学习之Numpy相关推荐

[转载] Python学习之numpy函数 all()和any()比较矩阵
参考链接: Python中的numpy.greater 1.数组元素的比对,我们可以直接使用"=="进行比较,比如: 2.当数组元素较多时,查看输出结果便变得很麻烦,这时我们可以使 ...
[转载] python学习笔记numpy（一）np.zero
参考链接: Python中的numpy.zeros 一.np.zeros的参数 np.zeros(shape, dtype=float, order='C') 1.shape 对第一个属性shape传 ...
Python学习笔记——Numpy数组的移动滑窗，使用as_strided实现
Python学习笔记--Numpy数组的移动滑窗,使用as_strided实现 `Numpy`中移动滑窗的实现为何需要移动滑窗 `Numpy`中的移动滑窗移动滑窗的`as_strided`实现方法 ...
[转载] Python学习（五）Numpy通用函数汇总
参考链接: Python中的numpy.isneginf 参考资料: https://github.com/lijin-THU/notes-python(相应实体书为:<自学Python--编程 ...
[转载] Python 学习 - Numpy
参考链接: Python中的numpy.iscomplex Numpy 学习 Ndarray对象特点 N 维数组对象一系列同类型数据的集合下标从0开始每个元素在内存中占有相同存储大小由什 ...
[转载] python学习笔记（三）- numpy基础：array及matrix详解
参考链接: Python中的numpy.fv Numpy中的矩阵和数组 numpy包含两种基本的数据类型:数组(array)和矩阵(matrix).无论是数组,还是矩阵,都由同种元素组成. 下面是测试 ...
转载 Python 学习-Matplotlib库
Python学习-Matplotib 载出处:https://blog.csdn.net/weixin_60535956/article/details/128311973 目录 Matplotlib ...
[转载] Python学习：Python成员运算符和身份运算符
参考链接: Python中==和is运算符之间的区别 Python成员运算符除了以上的一些运算符之外,Python还支持成员运算符,测试实例中包含了一系列的成员,包括字符串,列表或元组. 运算符描 ...
[转载] [转载] python反三角函数arctan_Python numpy.arctan() 使用实例
参考链接: Python中的numpy.right_shift 参考链接: Python中的numpy.arcsin The following are code examples for showi ...

[转载] Python学习之Numpy

[转载] Python学习之Numpy相关推荐

最新文章

热门文章