1. 首页
  2. IT资讯

Numpy 常用函数和属性(一)

“u003Cdivu003Eu003Cpu003Enumpy数组的 常用属性:u003Cu002Fpu003Eu003Cpu003E.ndim :维度u003Cu002Fpu003Eu003Cpreu003E>>> a =np.array([[1, 1, 1],[1, 1, 1]])u003Cbru003E>>> a.ndimu003Cbru003E2u003Cbru003Eu003Cu002Fpreu003Eu003Cpu003E.shape :各维度尺寸组成的元组u003Cu002Fpu003Eu003Cpreu003E>>> a.shape(2, 3)u003Cbru003Eu003Cu002Fpreu003Eu003Cpu003E.size :元素的个数u003Cu002Fpu003Eu003Cpreu003E>>> a.sizeu003Cbru003E6u003Cbru003Eu003Cu002Fpreu003Eu003Cpu003E.dtype :元素类型u003Cu002Fpu003Eu003Cpreu003E>>> a.dtypeu003Cbru003Edtype(‘int32′)u003Cbru003Eu003Cu002Fpreu003Eu003Cpu003E.itemsize :每个元素的字节数u003Cu002Fpu003Eu003Cpreu003E>>> a.itemsizeu003Cbru003E4u003Cbru003Eu003Cu002Fpreu003Eu003Cpu003E数组的创建:u003Cu002Fpu003Eu003Cpu003Enp.arange([start,] stop[, step,], dtype=None) : 略(前面某篇介绍过)u003Cu002Fpu003Eu003Cpu003Enp.linspace(start,stop,num=50,endpoint=True,retstep=False, dtype=None) : 略u003Cu002Fpu003Eu003Cpu003Enp.logspace(start,stop,num=50,endpoint=True,base=10.0, dtype=None) : 略u003Cu002Fpu003Eu003Cpu003Enp.zeros(shape, dtype=float, order=’C’): 全为0.u003Cu002Fpu003Eu003Cpu003Enp.ones(shape, dtype=float, order=’C’): 全为1.u003Cu002Fpu003Eu003Cpu003Enp.eye(N, M=None, k=0, dtype=<class ‘float’>, order=’C’) :返回主对角线为1,其余元素全为0的数组。N为行数,M为列数。用通过K设置相对于主对角线的偏移量(右上为正,左下为负)u003Cu002Fpu003Eu003Cpreu003E>>> np.eye(3)u003Cbru003Earray([[1., 0., 0.], u003Cbru003E[0., 1., 0.], u003Cbru003E[0., 0., 1.]])u003Cbru003E>>> np.eye(3,2)u003Cbru003Earray([[1., 0.], [0., 1.], [0., 0.]]) [0., 0., 1.]])u003Cbru003E>>> np.eye(2,3)u003Cbru003Earray([[1., 0., 0.], [0., 1., 0.]])u003Cbru003E>>> np.eye(5,k=1)u003Cbru003Earray([[0., 1., 0., 0., 0.], [0., 0., 1., 0., 0.],[0., 0., 0., 1., 0.],[0., 0., 0., 0., 1.],[0., 0., 0., 0., 0.]])u003Cbru003Eu003Cu002Fpreu003Eu003Cpu003Enp.full(shape, fill_value, dtype=None, order=’C’) : 元素全为fill_valueu003Cu002Fpu003Eu003Cpreu003E >>> np.full((2, 2), np.inf)# inf表示正无穷 u003Cbru003Earray([[ inf, inf], [ inf, inf]]) u003Cbru003E>>> np.full((2, 2), 10) u003Cbru003Earray([[10, 10], [10, 10]])u003Cbru003Eu003Cu002Fpreu003Eu003Cpu003Enp.ones_like(a) : 按数组a的形状生成元素全为1的数组 u003Cu002Fpu003Eu003Cpu003Enp.zeros_like(a): 按数组a的形状生成元素全为1的数组 u003Cu002Fpu003Eu003Cpu003Enp.full_like (a, val) : 按数组a的形状生成元素全为val的数组u003Cu002Fpu003Eu003Cpu003Econcatenate((a1, a2, …), axis=0, out=None) : 在指定的轴上串接各数组u003Cu002Fpu003Eu003Cpreu003E>>> a = np.array([[1, 2], [3, 4]])u003Cbru003E>>> b = np.array([[5, 6]])u003Cbru003E>>> np.concatenate((a, b), axis=0)u003Cbru003Earray([[1, 2], [3, 4], [5, 6]])u003Cbru003E>>> np.concatenate((a, b.T), axis=1)#b.T表示b的转置u003Cbru003Earray([[1, 2, 5], [3, 4, 6]])u003Cbru003E>>> np.concatenate((a, b), axis=None)u003Cbru003Earray([1, 2, 3, 4, 5, 6])u003Cbru003Eu003Cu002Fpreu003Eu003Cpu003E数组的维度变换:u003Cu002Fpu003Eu003Cpu003E.reshape(shape) : 不改变当前数组,依shape生成 u003Cu002Fpu003Eu003Cpu003E.resize(shape) : 改变当前数组,依shape生成 u003Cu002Fpu003Eu003Cpu003E.swapaxes(ax1, ax2) : 将两个维度调换u003Cu002Fpu003Eu003Cpreu003E>>> a = np.array([[1, 2], [3, 4]])u003Cbru003E>>> aarray([[1, 2], [3, 4]])u003Cbru003E>>> a.swapaxes(0,1)u003Cbru003Earray([[1, 3], [2, 4]])u003Cbru003Eu003Cu002Fpreu003Eu003Cpu003E .flatten() : 对数组进行降维,返回折叠后的一维数组u003Cu002Fpu003Eu003Cpreu003E>>> a = np.array([[1, 2], [3, 4]])>>> a.flatten()array([1, 2, 3, 4])u003Cbru003Eu003Cu002Fpreu003Eu003Cpu003E数组的类型变换:u003Cu002Fpu003Eu003Cpu003E数据类型的转换 :a.astype(new_type) : eg, a.astype (np.float) u003Cu002Fpu003Eu003Cpu003E数组向列表的转换: a.tolist() u003Cu002Fpu003Eu003Cpreu003E>>> a = np.array([[1, 2], [3, 4]])u003Cbru003E>>> a.tolist()[[1, 2], [3, 4]]u003Cbru003Eu003Cu002Fpreu003Eu003Cpu003E数组的索引和切片:略u003Cu002Fpu003Eu003Cpu003E数组的运算:u003Cu002Fpu003Eu003Cpu003Enp.abs(a) 和 np.fabs(a) :返回数组a 个元素取绝对值后的数组u003Cu002Fpu003Eu003Cpreu003E>>> a = np.array([[-1, -2], [3, -4]])u003Cbru003E>>> np.abs(a)u003Cbru003Earray([[1, 2],u003Cbru003E [3, 4]])u003Cbru003E>>> np.fabs(a) #元素为浮点数u003Cbru003Earray([[1., 2.],u003Cbru003E [3., 4.]])u003Cbru003Enp.sqrt(a) : 计算各元素的平方根u003Cbru003Eu003Cu002Fpreu003Eu003Cpreu003E>>> a = np.array([[-1, -2], [3, -4]])u003Cbru003E>>> np.sqrt(a)array([[1. , 1.41421356], [1.73205081, 2. ]])u003Cbru003Eu003Cu002Fpreu003Eu003Cpu003Enp.square(a) : 计算各元素的平方u003Cu002Fpu003Eu003Cpu003Enp.log(a) np.log10(a) np.log2(a) : 计算各元素的自然对数(e为底)、10、2为底的对数 u003Cu002Fpu003Eu003Cpu003Enp.ceil(a) np.floor(a) : 计算各元素的ceiling 值, floor值(ceiling向上取整,floor向下取整) u003Cu002Fpu003Eu003Cpu003Enp.rint(a) : 各元素 四舍五入 u003Cu002Fpu003Eu003Cpu003Enp.modf(a) : 将数组各元素的小数和整数部分以两个独立数组形式返回 u003Cu002Fpu003Eu003Cpu003Enp.exp(a) : 计算各元素的指数值 u003Cu002Fpu003Eu003Cpu003Enp.sign(a) : 计算各元素的符号值 1(+),0,-1(-)u003Cu002Fpu003Eu003Cpu003Ea.max(axis=None, out=None, keepdims=False) :在给点轴上计算最大值u003Cu002Fpu003Eu003Culu003Eu003Cliu003Eu003Cbru003Eu003Cu002Fliu003Eu003Cu002Fulu003Eu003Cpreu003E>>> a = np.array([[1, 2], [3, 4]])u003Cbru003E>>> a.max()u003Cbru003E4u003Cbru003E>>> a.max(axis = 0)u003Cbru003Earray([3, 4])u003Cbru003E>>> a.max(axis =1)u003Cbru003Earray([2, 4])u003Cbru003Eu003Cu002Fpreu003Eu003Cpu003Ea.min(axis=None, out=None, keepdims=False) :计算最小值u003Cu002Fpu003Eu003Cpu003Enp.max(a), np.min(a) : 功能,参数同a.max() 和a.min()u003Cu002Fpu003Eu003Cpu003Enp.mod(a, b) : 元素级的模运算 u003Cu002Fpu003Eu003Cpu003Enp.copysign(a, b) : 将b中各元素的符号赋值给数组a的对应元素u003Cu002Fpu003Eu003Cpreu003E>>> a = np.array([[-1, 2], [-3, 4]])u003Cbru003E>>> b = np.array([[5, 6], [7, 8]])u003Cbru003E>>> np.copysign(a, b)u003Cbru003Earray([[1., 2.], [3., 4.]])u003Cbru003E>>> np.copysign(b, a)u003Cbru003Earray([[-5., 6.], [-7., 8.]])u003Cbru003Eu003Cu002Fpreu003Eu003Cu002Fdivu003E”

原文始发于:Numpy 常用函数和属性(一)

主题测试文章,只做测试使用。发布者:玩家L-,转转请注明出处:http://www.cxybcw.com/10606.html

联系我们

13687733322

在线咨询:点击这里给我发消息

邮件:1877088071@qq.com

工作时间:周一至周五,9:30-18:30,节假日休息

QR code