np.max()、np.argmax()、np.maximum()、np.min()、np.argmin()、np.minimum()、np.sum()
numpy专题——最值、求和
- 最大值
- np.max()
- np.argmax()
- np.maximum()
- 求和
- np.sum
网上已经有很多对于这几个函数的讲解资料，但总感觉讲得有些乱，特别是对于高维数组，如果指定了某个轴，就会变得很复杂。这篇文章根据”拆分“原理，对numpy数据的这几个函数进行简单而又详细地讲解。
拆分原理：指定哪个轴，就对哪个轴进行拆分，以得到多个数组，然后对这些数组进行对应元素操作。即
假设三维numpy数组array1的shape为(c, m, n)，其中axis=0对应“c”，axis=1对应“m”，axis=2对应“n”。
若指定轴0（axis = 0），则对轴0进行拆分，得到c个shape为(m, n)的ndarray：array1[0, :, :]、array1[1, :, :]、… 、array1[c-1, :, :]，然后对array1[0, :, :]、array1[1, :, :]、… 、array1[c-1, :, :]进行对应元素操作，得到输出结果，其shape为(m, n)。其他轴类似。
如果您还没明白，请继续往下看。
最大值
np.max()、np.argmax()、np.maximum()和np.min()、np.argmin()、np.minimum()一一对应，前一组与”最大“有关，后一组与”最小“有关，所以这里只讲”最大“
np.max()
函数形式
np.max(array, axis=None, out=None, keepdims=False)
ndarray的形状是从左往右的，即由外往里计算，这和list是一样。
keepdims默认为False，如果keepdims=True，则输出的ndarray与原nadarray具有相同的形状。
- 一维ndarray
import numpy as nparray1 = np.array([1, 3, 2, 8, 5])
print(array1)
print(np.max(array1)) # 返回array1的最大值
print(np.max(array1, axis=0)) # 指定0轴（即array1本身，输出结果一样）
输出结果：
[1 3 2 8 5]
8
8
- 二维ndarray
假设二维numpy数组array1的shape为(3, 4)，其中axis=0对应“3”，axis=1对应“4”
（1）指定轴0：axis=0
np.max(array1, axis=0)的意思就是：按第一个维度（即，行）对array1进行拆分，得到array1[0, :]、array1[1, :]、array1[2, :]，然后对array1[0, :]、array1[1, :]、array1[2, :]的对应元素进行逐位比较，并取其最大者，构成新的ndarray。
array1 = np.reshape(list(range(12)), (3, 4))
print('array1 =', array1)
print('array1[0, :] =', array1[0, :])
print('array1[1, :] =', array1[1, :])
print('array1[2, :] =', array1[2, :])
print('np.max(array1, axis=0)=', np.max(array1, axis=0))
输出结果：
array1= [[0 1 2 3][4 5 6 7][8 9 10 11]]
array1[0, :] = [0 1 2 3]
array1[1, :] = [4 5 6 7]
array1[2, :] = [8 9 10 11]
np.max(array1, axis=0) = [8 9 10 11]
（2）指定轴1：axis=1
np.max(array1, axis=1)的意思就是：按第二个维度（即，列）对array1进行拆分，得到array1[:, 0]、array1[:, 1]、array1[:, 2]、array1[:, 3]，然后对array1[:, 0]、array1[:, 1]、array1[:, 2]、array1[:, 3]的对应元素进行逐位比较，并取其最大者，构成新的ndarray。
import numpy as nparray1 = np.reshape(list(range(12)), (3, 4))
print('array1 =', array1)
print('array1[:, 0] =', array1[:, 0])
print('array1[:, 1] =', array1[:, 1])
print('array1[:, 2] =', array1[:, 2])
print('array1[:, 3] =', array1[:, 3])
print('np.max(array1, axis=1) =', np.max(array1, axis=1))
输出结果：
array1 = [[0 1 2 3][4 5 6 7][8 9 10 11]]
array1[:, 0] = [0 4 8]
array1[:, 1] = [1 5 9]
array1[:, 2] = [2 6 10]
array1[:, 3] = [3 7 11]
np.max(array1, axis=1) = [3 7 11]
- 三维ndarray
假设三维numpy数组array1的shape为(2, 3, 4)，其中axis=0对应“2”，axis=1对应“3”，axis=2对应“4”。
（1）指定轴0：axis=0
np.max(array1, axis=0)的意思就是：按第一个维度对array1进行拆分，得到array1[0, :, :]、array1[1, :, :]，然后对array1[0, :, :]、array1[1, :, :]的对应元素进行逐位比较，并取其最大者，构成新的ndarray。
import numpy as nparray1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[0, :, :] =', array1[0, :, :])
print('array1[1, :, :] =', array1[1, :, :])
print('np.max(array1, axis=0) =', np.max(array1, axis=0))
输出结果：
array1 = [[[0 1 2 3][4 5 6 7][8 9 10 11]][[12 13 14 15][16 17 18 19][20 21 22 23]]]
array1[0, :, :] = [[0 1 2 3][4 5 6 7][8 9 10 11]]
array1[1, :, :] = [[12 13 14 15][16 17 18 19][20 21 22 23]]
np.max(array1, axis=0) = [[12 13 14 15][16 17 18 19][20 21 22 23]]
（2）指定轴1：axis=1
np.max(array1, axis=1)的意思就是：按第二个维度对array1进行拆分，得到array1[:, 0, :]、array1[:, 1, :]、array1[:, 2, :]，然后对array1[:, 0, :]、array1[:, 1, :]、array1[:, 2, :]的对应元素进行逐位比较，并取其最大者，构成新的ndarray。
import numpy as nparray1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[:, 0, :] =', array1[:, 0, :])
print('array1[:, 1, :] =', array1[:, 1, :])
print('array1[:, 2, :] =', array1[:, 2, :])
print('np.max(array1, axis=1) =', np.max(array1, axis=1))
输出结果：
array1 = [[[0 1 2 3][4 5 6 7][8 9 10 11]][[12 13 14 15][16 17 18 19][20 21 22 23]]]
array1[:, 0, :] = [[ 0 1 2 3][12 13 14 15]]
array1[:, 1, :] = [[ 4 5 6 7][16 17 18 19]]
array1[:, 2, :] = [[ 8 9 10 11][20 21 22 23]]
np.max(array1, axis=1) = [[ 8 9 10 11][20 21 22 23]]
（3）指定轴2：axis=2
np.max(array1, axis=2)的意思就是：按第三个维度对array1进行拆分，得到array1[:, :, 0]、array1[:, :, 1]、array1[:, :, 2]、array1[:, :, 3]，然后对array1[:, :, 0]、array1[:, :, 1]、array1[:, :, 2]、array1[:, :, 3]的对应元素进行逐位比较，并取其最大者，构成新的ndarray。
import numpy as nparray1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[:, :, 0] =', array1[:, :, 0])
print('array1[:, :, 1] =', array1[:, :, 1])
print('array1[:, :, 2] =', array1[:, :, 2])
print('array1[:, :, 3] =', array1[:, :, 3])
print('np.max(array1, axis=2) =', np.max(array1, axis=2))
输出结果：
array1 = [[[0 1 2 3][4 5 6 7][8 9 10 11]][[12 13 14 15][16 17 18 19][20 21 22 23]]]
array1[:, :, 0] = [[ 0 4 8][12 16 20]]
array1[:, :, 1] = [[ 1 5 9][13 17 21]]
array1[:, :, 2] = [[ 2 6 10][14 18 22]]
array1[:, :, 3] = [[ 3 7 11][15 19 23]]
np.max(array1, axis=2) = [[ 3 7 11][15 19 23]]
np.argmax()
np.argmax()与np.max()类似：np.max()返回指定轴的最大值，而np.argmax()返回指定轴的最大值对应的索引，指定哪个轴，就按哪个轴进行拆分。
- 一维ndarray
import numpy as nparray1 = np.array([1, 3, 2, 8, 5])
print(array1)
print(np.argmax(array1)) # 返回array1的最大值对应的索引
print(np.argmax(array1, axis=0)) # 指定0轴（即array1本身，输出结果一样）
输出结果：
[1 3 2 8 5]
3
3
- 二维ndarray
假设二维numpy数组array1的shape为(3, 4)，其中axis=0对应“3”，axis=1对应“4”
（1）指定轴0：axis=0
np.argmax(array1, axis=0)的意思就是：按第一个维度（即，行）对array1进行拆分，得到array1[0, :]、array1[1, :]、array1[2, :]，然后对array1[0, :]、array1[1, :]、array1[2, :]的对应元素进行逐位比较，并取其最大者所在的数组的索引（即，若某一对应元素的最大值在array1[0, :]，则返回索引0,；若某一对应元素的最大值在array1[1, :]，则返回索引1；依此类推），构成新的ndarray。
import numpy as nparray1 = np.reshape(list(range(12)), (3, 4))
print('array1 =', array1)
print('array1[0, :] =', array1[0, :])
print('array1[1, :] =', array1[1, :])
print('array1[2, :] =', array1[2, :])
print('np.max(array1, axis=0)=', np.max(array1, axis=0))
输出结果：
array1= [[0 1 2 3][4 5 6 7][8 9 10 11]]
array1[0, :] = [0 1 2 3]
array1[1, :] = [4 5 6 7]
array1[2, :] = [8 9 10 11]
np.argmax(array1, axis=0)= [2 2 2 2]
（2）指定轴1：axis=1
np.arg(array1, axis=1)的意思就是：按第二个维度（即，列）对array1进行拆分，得到array1[:, 0]、array1[:, 1]、array1[:, 2]、array1[:, 3]，然后对array1[:, 0]、array1[:, 1]、array1[:, 2]、array1[:, 3]的对应元素进行逐位比较，并取其最大者所在的数组的索引（即，若某一对应元素的最大值在array1[:, 0]，则返回索引0,；若某一对应元素的最大值在array1[:, 1]，则返回索引1；依此类推），构成新的ndarray。
import numpy as nparray1 = np.reshape(list(range(12)), (3, 4))
print('array1 =', array1)
print('array1[:, 0] =', array1[:, 0])
print('array1[:, 1] =', array1[:, 1])
print('array1[:, 2] =', array1[:, 2])
print('array1[:, 3] =', array1[:, 3])
print('np.argmax(array1, axis=1) =', np.argmax(array1, axis=1))
输出结果：
array1 = [[0 1 2 3][4 5 6 7][8 9 10 11]]
array1[:, 0] = [0 4 8]
array1[:, 1] = [1 5 9]
array1[:, 2] = [2 6 10]
array1[:, 3] = [3 7 11]
np.argmax(array1, axis=1) = [3 3 3]
（3）没有指定任何轴
import numpy as nparray1 = np.reshape(list(range(12)), (3, 4))
array1[2, 3] = 1
print('array1 =', array1)
print('np.argmax(array1) =', np.argmax(array1))
输出结果：
array1 = [[ 0 1 2 3][ 4 5 6 7][ 8 9 10 1]]
np.argmax(array1) = 10
由于Numpy是按维度大小的顺序由最底层开始存储的，所以m×nm \times nm×n 的ndarray最大值的索引是：(np.argmax(array1) // n, np.argmax(array1) % n)。
- 三维ndarray
假设三维numpy数组array1的shape为(2, 3, 4)，其中axis=0对应“2”，axis=1对应“3”，axis=2对应“4”。
（1）指定轴0：axis=0
np.argmax(array1, axis=0)的意思就是：按第一个维度对array1进行拆分，得到array1[0, :, :]、array1[1, :, :]，然后对array1[0, :, :]、array1[1, :, :]的对应元素进行逐位比较，并取其最大者所在的数组的索引（即，若某一对应元素的最大值在array1[0, :, :]，则返回索引0,；若某一对应元素的最大值在[1, :, :]，则返回索引1；依此类推），构成新的ndarray。
import numpy as nparray1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[0, :, :] =', array1[0, :, :])
print('array1[1, :, :] =', array1[1, :, :])
print('np.argmax(array1, axis=0) =', np.argmax(array1, axis=0))
输出结果：
array1 = [[[0 1 2 3][4 5 6 7][8 9 10 11]][[12 13 14 15][16 17 18 19][20 21 22 23]]]
array1[0, :, :] = [[0 1 2 3][4 5 6 7][8 9 10 11]]
array1[1, :, :] = [[12 13 14 15][16 17 18 19][20 21 22 23]]
np.argmax(array1, axis=0) = [[1 1 1 1][1 1 1 1][1 1 1 1]]
（2）指定轴1：axis=1
np.argmax(array1, axis=1)的意思就是：按第二个维度对array1进行拆分，得到array1[:, 0, :]、array1[:, 1, :]、array1[:, 2, :]，然后对array1[:, 0, :]、array1[:, 1, :]、array1[:, 2, :]的对应元素进行逐位比较，并取其最大者所在的数组的索引（即，若某一对应元素的最大值在array1array1[:, 0, :]，则返回索引0,；若某一对应元素的最大值在[:, 1, :]，则返回索引1；依此类推），构成新的ndarray。
import numpy as nparray1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[:, 0, :] =', array1[:, 0, :])
print('array1[:, 1, :] =', array1[:, 1, :])
print('array1[:, 2, :] =', array1[:, 2, :])
print('np.argmax(array1, axis=1) =', np.argmax(array1, axis=1))
输出结果：
array1 = [[[0 1 2 3][4 5 6 7][8 9 10 11]][[12 13 14 15][16 17 18 19][20 21 22 23]]]
array1[:, 0, :] = [[ 0 1 2 3][12 13 14 15]]
array1[:, 1, :] = [[ 4 5 6 7][16 17 18 19]]
array1[:, 2, :] = [[ 8 9 10 11][20 21 22 23]]
np.argmax(array1, axis=1) = [[2 2 2 2][2 2 2 2]]
（3）指定轴2：axis=2
np.argmax(array1, axis=2)的意思就是：按第三个维度对array1进行拆分，得到array1[:, :, 0]、array1[:, :, 1]、array1[:, :, 2]、array1[:, :, 3]，然后对array1[:, :, 0]、array1[:, :, 1]、array1[:, :, 2]、array1[:, :, 3]的对应元素进行逐位比较，并取其最大者所在的数组的索引（即，若某一对应元素的最大值在array1array1[:, :, 0]，则返回索引0,；若某一对应元素的最大值在[:, :, 1]，则返回索引1；依此类推），构成新的ndarray。
import numpy as nparray1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[:, :, 0] =', array1[:, :, 0])
print('array1[:, :, 1] =', array1[:, :, 1])
print('array1[:, :, 2] =', array1[:, :, 2])
print('array1[:, :, 3] =', array1[:, :, 3])
print('np.argmax(array1, axis=2) =', np.argmax(array1, axis=2))
输出结果：
array1 = [[[0 1 2 3][4 5 6 7][8 9 10 11]][[12 13 14 15][16 17 18 19][20 21 22 23]]]
array1[:, :, 0] = [[ 0 4 8][12 16 20]]
array1[:, :, 1] = [[ 1 5 9][13 17 21]]
array1[:, :, 2] = [[ 2 6 10][14 18 22]]
array1[:, :, 3] = [[ 3 7 11][15 19 23]]
np.argmax(array1, axis=2) = [[3 3 3][3 3 3]]
np.maximum()
np.maximum(array1, array2)：逐位比较array1和array2，并输出两者的最大值。
- 如果array1和array2的形状相同，则输出结果的形状与array1和array2的形状相同。
- 如果array1和array2的形状不同（允许只有一个维度不同），则会用到numpy的broadcast机制。
- 如果用于比较的ndarray有一个是标量，则另一个ndarray可以是任何形状，这同样用到了broadcast机制
import numpy as nparray1 = np.array([[2, 5, 8], [3, 4, 6]])
array2 = np.array([[3, 4, 9], [2, 1, 6]])
array3 = np.array([1, 6, 7])
print('array1 =', array1)
print('array2 =', array2)
print('array3 =', array3)
print('np.maximum(array1, array2) =', np.maximum(array1, array2))
print('np.maximum(array1, array3) =', np.maximum(array1, array3)) # numpy的broadcast机制
print('np.maximum(array1, 4) =', np.maximum(array1, 4)) # numpy的broadcast机制
输出结果：
array1 = [[2 5 8][3 4 6]]
array2 = [[3 4 9][2 1 6]]
array3 = [1 6 7]
np.maximum(array1, array2) = [[3 5 9][3 4 6]]
np.maximum(array1, array3) = [[2 6 8][3 6 7]]
np.maximum(array1, 4) = [[4 5 8][4 4 6]]
求和
np.sum
- 一维ndarray
对所有元素求和（无论多少维的ndarray，只要没有指定axis，就表示对所有元素进行求和）。
import numpy as nparray1 = np.array([1, 3, 2, 8, 5])
print(array1)
print(np.sum(array1)) # 返回对array1的所有元素进行求和
print(np.sum(array1, axis=0)) # 指定0轴（即array1本身，输出结果一样）
- 二维ndarray
假设二维numpy数组array1的shape为(3, 4)，其中axis=0对应“3”，axis=1对应“4”
（1）指定轴0：axis=0
np.sum(array1, axis=0)的意思就是：按第一个维度（即，行）对array1进行拆分，得到array1[0, :]、array1[1, :]、array1[2, :]，然后对array1[0, :]、array1[1, :]、array1[2, :]的对应元素进行逐位相加，构成新的ndarray。即
np.sum(array1, axis=0) = array1[0, :] + array1[1, :] + array1[2, :]
import numpy as nparray1 = np.reshape(list(range(12)), (3, 4))
print('array1 =', array1)
print('array1[0, :] =', array1[0, :])
print('array1[1, :] =', array1[1, :])
print('array1[2, :] =', array1[2, :])
print('np.sum(array1, axis=0)=', np.sum(array1, axis=0))
输出结果：
array1= [[0 1 2 3][4 5 6 7][8 9 10 11]]
array1[0, :] = [0 1 2 3]
array1[1, :] = [4 5 6 7]
array1[2, :] = [8 9 10 11]
np.sum(array1, axis=0)= [12 15 18 21]
（2）指定轴1：axis=1
np.sum(array1, axis=1)的意思就是：按第二个维度（即，列）对array1进行拆分，得到array1[:, 0]、array1[:, 1]、array1[:, 2]、array1[:, 3]，然后对array1[:, 0]、array1[:, 1]、array1[:, 2]、array1[:, 3]的对应元素进行逐位相加，构成新的ndarray。即
np.sum(array1, axis=1) = array1[:, 0] + array1[:, 1] + array1[:, 2] + array1[:, 3]
import numpy as nparray1 = np.reshape(list(range(12)), (3, 4))
print('array1 =', array1)
print('array1[:, 0] =', array1[:, 0])
print('array1[:, 1] =', array1[:, 1])
print('array1[:, 2] =', array1[:, 2])
print('array1[:, 3] =', array1[:, 3])
print('np.sum(array1, axis=1) =', np.sum(array1, axis=1))
输出结果：
array1 = [[0 1 2 3][4 5 6 7][8 9 10 11]]
array1[:, 0] = [0 4 8]
array1[:, 1] = [1 5 9]
array1[:, 2] = [2 6 10]
array1[:, 3] = [3 7 11]
np.sum(array1, axis=1) = [6 22 38]
- 三维ndarray
假设三维numpy数组array1的shape为(2, 3, 4)，其中axis=0对应“2”，axis=1对应“3”，axis=2对应“4”。
（1）指定轴0：axis=0
np.sum(array1, axis=0)的意思就是：按第一个维度对array1进行拆分，得到array1[0, :, :]、array1[1, :, :]，然后对array1[0, :, :]、array1[1, :, :]的对应元素进行逐位相加，构成新的ndarray，即
np.sum(array1, axis=0) = array1[0, :, :] + array1[1, :, :]
import numpy as nparray1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[0, :, :] =', array1[0, :, :])
print('array1[1, :, :] =', array1[1, :, :])
print('np.sum(array1, axis=0) =', np.sum(array1, axis=0))
输出结果：
array1 = [[[0 1 2 3][4 5 6 7][8 9 10 11]][[12 13 14 15][16 17 18 19][20 21 22 23]]]
array1[0, :, :] = [[0 1 2 3][4 5 6 7][8 9 10 11]]
array1[1, :, :] = [[12 13 14 15][16 17 18 19][20 21 22 23]]
np.sum(array1, axis=0) = [[12 14 16 18][20 22 24 26][28 30 32 34]]
（2）指定轴1：axis=1
npsum(array1, axis=1)的意思就是：按第二个维度对array1进行拆分，得到array1[:, 0, :]、array1[:, 1, :]、array1[:, 2, :]，然后对array1[:, 0, :]、array1[:, 1, :]、array1[:, 2, :]的对应元素进行逐位相加，构成新的ndarray，即
np.sum(array1, axis=1) = array1[:, 0, :] + array1[:, 1, :] + array1[:, 2, :]
import numpy as nparray1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[:, 0, :] =', array1[:, 0, :])
print('array1[:, 1, :] =', array1[:, 1, :])
print('array1[:, 2, :] =', array1[:, 2, :])
print('np.sum(array1, axis=1) =', np.sum(array1, axis=1))
输出结果：
array1 = [[[0 1 2 3][4 5 6 7][8 9 10 11]][[12 13 14 15][16 17 18 19][20 21 22 23]]]
array1[:, 0, :] = [[ 0 1 2 3][12 13 14 15]]
array1[:, 1, :] = [[ 4 5 6 7][16 17 18 19]]
array1[:, 2, :] = [[ 8 9 10 11][20 21 22 23]]
np.sum(array1, axis=1) = [[12 15 18 21][48 51 54 57]]
（3）指定轴2：axis=2
np.sum(array1, axis=2)的意思就是：按第三个维度对array1进行拆分，得到array1[:, :, 0]、array1[:, :, 1]、array1[:, :, 2]、array1[:, :, 3]，然后对array1[:, :, 0]、array1[:, :, 1]、array1[:, :, 2]、array1[:, :, 3]的对应元素进行逐位相加，构成新的ndarray，即
np.sum(array1, axis=2) = array1[:, :, 0] + array1[:, :, 1] + array1[:, :, 2] + array1[:, :, 3]
import numpy as nparray1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[:, :, 0] =', array1[:, :, 0])
print('array1[:, :, 1] =', array1[:, :, 1])
print('array1[:, :, 2] =', array1[:, :, 2])
print('array1[:, :, 3] =', array1[:, :, 3])
print('np.sum(array1, axis=2) =', np.sum(array1, axis=2))
输出结果：
array1 = [[[0 1 2 3][4 5 6 7][8 9 10 11]][[12 13 14 15][16 17 18 19][20 21 22 23]]]
array1[:, :, 0] = [[ 0 4 8][12 16 20]]
array1[:, :, 1] = [[ 1 5 9][13 17 21]]
array1[:, :, 2] = [[ 2 6 10][14 18 22]]
array1[:, :, 3] = [[ 3 7 11][15 19 23]]
np.sum(array1, axis=2) = [[ 6 22 38][54 70 86]]
np.max()、np.argmax()、np.maximum()、np.min()、np.argmin()、np.minimum()、np.sum()相关推荐
- 理解np.max、np.min、np.argmax、np.argmin以及np.sum中的axis参数
np.max.np.min.np.argmax.np.argmin以及np.sum方法均可设置axis参数,设置axis参数后,对应地,函数方法将沿着axis代表的轴的方向进行相应的数学运算.进行数学 ...
- python使用numpy的np.fmod函数计算numpy数组除以某一特定数值剩余的余数（remainder）、np.mod函数和np.fmod函数对负值的处理方式有差异
python使用numpy的np.fmod函数计算numpy数组除以某一特定数值剩余的余数(remainder).np.mod函数和np.fmod函数对负值的处理方式有差异 目录
- np.max()和np.argmax()
np.max()作用:取最大值. a=np.array([[1,4,2],[2,3,5]]) a 1.取这6个元素中的最大值, np.max(a) 2.按照维度来选取多个最大值,按照行,选出每一行的最 ...
- python中np.max与np.maximum的区别
在使用numpy的时候,我们会遇到取最大的问题,常用的函数有两个:np.max与np.maximum,那么它们的主要区别在哪里呢? np.max(a, axis=None, out=None, kee ...
- Numpy np.max和np.maximum实现relu函数
Numpy np.max和np.maximum实现relu函数 1. np.max 计算一个数组中的最值 1. np.max 计算一个数组中的最值 (1)基础用法 a = np.array([[1, ...
- numpy.max(a, axis=1) np.max(a, axis=1) 中的axis=1是那个维数？怎么理解？
numpy.max(a, axis=1),中的axis=1, 指的是沿着列(第2个维度)进行,最终返回的数组中元素个数和axis=1中元素个数相同. 举例子: a = np.linspace(1, 1 ...
- R语言ggplot2可视化散点图、可视化两个数值变量之间的关系、使用geom_smooth函数基于loess方法拟合数据点之间的趋势关系曲线、自定义数据点的大小、色彩、添加主标题、副标题、题注信息
R语言ggplot2可视化散点图.可视化两个数值变量之间的关系(Scatter plot).使用geom_smooth函数基于loess方法拟合数据点之间的趋势关系曲线.自定义数据点的大小.色彩.添加 ...
- R语言ggplot2可视化树状图、层次聚类系统树图、树状图根据给定的距离度量将相似点分组在一起、并根据点的相似性将它们组织成树状图链接起来（Hierarchical Dendrogram）
R语言ggplot2可视化树状图.层次聚类系统树图.树状图根据给定的距离度量将相似点分组在一起.并根据点的相似性将它们组织成树状图链接起来(Hierarchical Dendrogram) 目录
- python使用matplotlib可视化、使用subplots函数将可视化的画布划分为网格状的若干子区、通过nrows和ncols参数设置设置行数和列数
python使用matplotlib可视化.使用subplots函数将可视化的画布划分为网格状的若干子区.通过nrows和ncols参数设置设置行数和列数 目录
- Python使用matplotlib可视化树状图、层次聚类系统树图、树状图根据给定的距离度量将相似点分组在一起、并根据点的相似性将它们组织成树状图链接起来（Dendrogram）
Python使用matplotlib可视化树状图.层次聚类系统树图.树状图根据给定的距离度量将相似点分组在一起.并根据点的相似性将它们组织成树状图链接起来(Dendrogram) 目录
最新文章
- 2022-2028年中国体育用品行业投资分析及前景预测报告(全卷)
- FSWD_3_JavaScriptAdvance
- struts2 从 action 到 jsp 页面
- 3天html自学教程,html自学教程（八）html5基础
- Fiddler的常用功能（Web断点调试）
- boost::fibers::future用法的测试程序
- C语言实现镜子mirror算法(附完整源码)
- 二叉树的最大深度—leetcode104
- Python学习17 Turtle库绘图
- 《Macbook Pro概要》- Mac的各种功能使用方法
- 台式计算机拆机步骤ppt,三相异步电动机拆装的方法和步骤.PPT
- python从零基础直达神经网络之基础篇 第二章 编程基础概念（二）
- react脚手架搭建
- vim 保存出错 E45: readonly option is set (add ! to override)
- matlab生成的数值为inf,计算值时为Nan ／ inf
- 【已解决】Win10系统点击ikbc机械键盘win键无效的解决方法
- 使用Laravel提交POST请求出现The page has expired due to inactivity错误
- 线程池的创建及参数设置详解
- 类的静态成员与静态成员函数
- GMS-VBA工程不可查看-破解方法