Numpy || np.arange()、np.linspace()、np.logspace()、np.zeros()、np.ones()函数用法指南

1、创建区间数组(arange()函数)

numpy.arange()使用说明：

import numpy as np
np.arange(start,stop,step,dtype)
#   start: 起始值（从起始值开始），default=0
#   stop： 终止值(生成序列的最后一位为stop-step)
#   step： 步长，default=1
#   dtype: 返回的数据类型，default=输入数据类型

生成int序列或float序列：

a=np.arange(10)
print('a ',a)
b=np.arange(10.5)
print('b ',b)
c=np.arange(10.5,step=0.5)    #只有两个数字参数时，“step=”不可省略，否则输出一个空序列
print('c ',c)
d=np.arange(10,20,2)   #起始值不为零的情况，有三个参数，“step=”可省略
print('d ',d)
'''
输出：
a  [0 1 2 3 4 5 6 7 8 9]
b  [ 0.  1.  2.  3.  4.  5.  6.  7.  8.  9. 10.]  生成float序列，stop值可以不包含在序列中
c  [ 0.   0.5  1.   1.5  2.   2.5  3.   3.5  4.   4.5  5.   5.5  6.   6.5   7.   7.5  8.   8.5  9.   9.5 10. ]
d  [ 2  4  6  8 10 12 14 16 18]
'''#int序列和float序列的转换
a=np.arange(10,dtype=float)   #“dtype="不能省略，会报错
print('a ',a)
b=np.arange(10.0,dtype=int)
print('b ',b)
'''
输出：
a  [0. 1. 2. 3. 4. 5. 6. 7. 8. 9.]
b  [0 1 2 3 4 5 6 7 8 9]
'''

2、创建等差数列（linspace()函数）

numpy.linspace()使用说明：

import numpy as np
np.linspace(start,stop,num=50,endpoint=True,retstep=False,dtype=None)
#   start: 序列起始值，必填
#   end： 序列终止值，必填
#   num： 要生成等步长的样本数量，default=50
#   endpoint： bool类型，True时，数列包含stop值；fasle时，数列不包含stop值，default=True
#   retstep: bool类型，True时，显示等差数列的公差；fasle时，不显示，default=Fasle
#   dtype: ndarray的数据类型

生成等差数列：

x1=np.linspace(1,10)    #默认num=50
print('x1 ',x1)
x2=np.linspace(1,10,10)    #设置num=10，“num=”可省略
print('x2 ',x2)
x3=np.linspace(1,10,10,endpoint=False)    #用endpoint设置数列不包含stop值
print('x3 ',x3)
x4=np.linspace(1,10,10,retstep=True)    #用retstep计算数列公差，并显示
print('x4 ',x4)
'''
输出：
x1  [ 1.          1.18367347  1.36734694  1.55102041  1.73469388  1.918367352.10204082  2.28571429  2.46938776  2.65306122  2.83673469  3.020408163.20408163  3.3877551   3.57142857  3.75510204  3.93877551  4.122448984.30612245  4.48979592  4.67346939  4.85714286  5.04081633  5.22448985.40816327  5.59183673  5.7755102   5.95918367  6.14285714  6.326530616.51020408  6.69387755  6.87755102  7.06122449  7.24489796  7.428571437.6122449   7.79591837  7.97959184  8.16326531  8.34693878  8.530612248.71428571  8.89795918  9.08163265  9.26530612  9.44897959  9.632653069.81632653 10.        ]
x2  [ 1.  2.  3.  4.  5.  6.  7.  8.  9. 10.]
x3  [1.  1.9 2.8 3.7 4.6 5.5 6.4 7.3 8.2 9.1]
x4  (array([ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.]), 1.0)    #这是个元组，有两个元素，分别为array和step
'''

PS:等差数列常作为线性回归中的样本集

3、创建等比数列（logspace()函数）

numpy.logspace()使用说明：

import numpy as np
np.logspace(start,stop,num=50,endpoint=True,base=10.0,dtype=None)
#   start: 序列起始值，必填
#   end： 序列终止值，必填
#   num： 要生成等步长的样本数量，default=50
#   endpoint： bool类型，True时，数列包含stop值；fasle时，数列不包含stop值，default=True
#   base: 对数log的底数,default=10.0
#   dtype: ndarray的数据类型

ps:等比数列起始值为 base^start ,终止值为 base^stop ,数列中元素个数为 num

生成等比数列：

x1=np.logspace(0,9,10,base=2)   #起始值 2^0=1 ,终止值 2^9=512 , 有9个元素
print('x1 ',x1)
#等价于，先做一个0-9的10元素等差数列 [0,1,2,3,4,5,6,7,8,9]
#再将等差数列的元素分别 ^2 得到等比数列
'''
输出：
x1  [  1.   2.   4.   8.  16.  32.  64. 128. 256. 512.]
'''

4、全0数组(zeros()函数)和全1数组(ones()函数)

numpy.zeros()和numpy.ones()使用说明：

import numpy as np
np.zeros(shape,dtype=float,order='C')
#   shape: 数组形状
#   dtype: 数组内数据类型，default=floatnp.ones(shape,dtype=float,order='C')
#   shape: 数组形状
#   dtype: 数组内数据类型，default=float

生成几种全0数组(zeros()和zeros_like())：

#一维数组
x1=np.zeros(3)
print('x1 ',x1)
x2=np.zeros(3,int)
print('x2 ',x2)
#二维数组
x3=np.zeros((3,3))
print('x3 ',x3)
#根据已知数组，生成一个与已知数组shape和dtype相同的全0数组
a=np.array([[1,2],[1,2]])
x4=np.zeros_like(a)
print('x4 ',x4)
'''
输出：
x1  [0. 0. 0.]
x2  [0 0 0]
x3  [[0. 0. 0.][0. 0. 0.][0. 0. 0.]]
x4  [[0 0][0 0]]
'''

PS: ones() 和 ones_like() 使用情况参考 zeros() 和 zeros_like()

Numpy || np.arange()、np.linspace()、np.logspace()、np.zeros()、np.ones()函数用法指南相关推荐

Numpy || np.array()函数用法指南
1.Numpy ndarray对象 numpy ndarray对象是一个n维数组对象,ndarray只能存储一系列相同元素. #一维数组 [1,2,3,4] #shape(4,)#二维数组 [[1,2 ...
python numpy中arange()和linspace()区别
引用 https://blog.csdn.net/hedgehogygy/article/details/80924431
np.arange()和 range()的用法及区别
np.arange() np.arange()函数返回一个有终点和起点的固定步长的排列,如[1,2,3,4,5],起点是1,终点是6,步长为1. 参数个数情况: np.arange()函数分为一个参数 ...
range()和np.arange()的区别
文章目录 1.range(start, end, step) 2.np.arange(start, end, step) 1.range(start, end, step) range(start, ...
np.dot()函数用法(亲测矩阵算法)
Numpy中dot()函数主要功能有两个:向量点积和矩阵乘法. 格式:x.dot(y) 等价于 np.dot(x,y) ---x是m*n 矩阵 ,y是n*m矩阵,则x.dot(y) 得到m*m矩阵. ...
Numpy之arange
Python 中的range,以及numpy包中的arange函数 range()函数函数说明: range(start, stop[, step]) -> range object,根据st ...
[转载] python3 numpy函数_Python numpy总结（3）——常用函数用法
参考链接: Python中的numpy.isreal 关于Python Numpy矩阵知识请参考博文:Python numpy学习(2)--矩阵的用法 1,np.ceil(x, y) 限制元素范围,进 ...
Numpy库中einsum函数用法
Numpy中einsum函数用法一.一维张量收缩二.二维张量收缩 2.1 收缩到零维张量 2.2 收缩到一维张量三.三维张量收缩(重难点) 3.1 例1 3.2 例2 四.其他功能介绍(次要) ...
【Python-numpy】range()、np.arange()、np.linspace()、np.logspace()的使用和区别，list和array不同
[Python]range().np.arange().np.linspace().np.logspace()的使用和区别_秋天-CSDN博客版权声明:本文为博主原创文章,遵循 CC 4.0 BY- ...