numpy基础代码操练

简介: In [20]: b[0,:,1] Out[20]: array([1, 5, 9]) In [21]: b[0,:,1] Out[21]: array([1, 5, 9]) In [22]: b[0,:,-1] Out[22]: array([ 3, 7, 11]) ...
In [20]: b[0,:,1]
Out[20]: array([1, 5, 9])

In [21]: b[0,:,1]
Out[21]: array([1, 5, 9])

In [22]: b[0,:,-1]
Out[22]: array([ 3,  7, 11])

In [23]: b[0,::-1, -1]
Out[23]: array([11,  7,  3])

In [24]: b[0,::-2, -1]
Out[24]: array([11,  3])

In [25]: b[::-1]
Out[25]:
array([[[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]],

       [[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]]])

In [26]: b
Out[26]:
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

In [27]: b.ravel()
Out[27]:
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19, 20, 21, 22, 23])

In [28]: b.flatten()
Out[28]:
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19, 20, 21, 22, 23])

In [29]: b.shape = (6,4)

In [30]: b
Out[30]:
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15],
       [16, 17, 18, 19],
       [20, 21, 22, 23]])

In [31]: b.transpose()
Out[31]:
array([[ 0,  4,  8, 12, 16, 20],
       [ 1,  5,  9, 13, 17, 21],
       [ 2,  6, 10, 14, 18, 22],
       [ 3,  7, 11, 15, 19, 23]])

In [32]: b.resize(2,12))
  File "<ipython-input-32-91b83b9b6cad>", line 1
    b.resize(2,12))
                  ^
SyntaxError: invalid syntax


In [33]: b.resize((2,12))

In [34]: b
Out[34]:
array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11],
       [12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23]])

In [35]: a = arange(3).reshape(3,3)
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-35-0863ec9f918e> in <module>()
----> 1 a = arange(3).reshape(3,3)

ValueError: cannot reshape array of size 3 into shape (3,3)

In [36]: a = arange(9).reshape(3,3)

In [37]: a
Out[37]:
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

In [38]: b = 2 * a

In [39]: b
Out[39]:
array([[ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])

In [40]: hstack((a,b))
Out[40]:
array([[ 0,  1,  2,  0,  2,  4],
       [ 3,  4,  5,  6,  8, 10],
       [ 6,  7,  8, 12, 14, 16]])

In [41]: concatenate((a,b), axis=1)
Out[41]:
array([[ 0,  1,  2,  0,  2,  4],
       [ 3,  4,  5,  6,  8, 10],
       [ 6,  7,  8, 12, 14, 16]])

In [42]: vstack((a,b))
Out[42]:
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])

In [43]: concatenate((a,b), axis=0)
Out[43]:
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])

In [44]: dstack((a,b))
Out[44]:
array([[[ 0,  0],
        [ 1,  2],
        [ 2,  4]],

       [[ 3,  6],
        [ 4,  8],
        [ 5, 10]],

       [[ 6, 12],
        [ 7, 14],
        [ 8, 16]]])

In [45]: a
Out[45]:
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

In [46]: hsplit(a, 3)
Out[46]:
[array([[0],
        [3],
        [6]]), array([[1],
        [4],
        [7]]), array([[2],
        [5],
        [8]])]

In [47]: hsplit(a, 3)
Out[47]:
[array([[0],
        [3],
        [6]]), array([[1],
        [4],
        [7]]), array([[2],
        [5],
        [8]])]

In [48]: split(a, 3, axis=1)
Out[48]:
[array([[0],
        [3],
        [6]]), array([[1],
        [4],
        [7]]), array([[2],
        [5],
        [8]])]

In [49]: vsplit(a, 3)
Out[49]: [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]

In [50]: split(a, 3, axis=0)
Out[50]: [array([[0, 1, 2]]), array([[3, 4, 5]]), array([[6, 7, 8]])]

In [51]: c = arange(27).reshape(3, 3, 3)

In [52]: c
Out[52]:
array([[[ 0,  1,  2],
        [ 3,  4,  5],
        [ 6,  7,  8]],

       [[ 9, 10, 11],
        [12, 13, 14],
        [15, 16, 17]],

       [[18, 19, 20],
        [21, 22, 23],
        [24, 25, 26]]])

In [53]: dsplit(c,3)
Out[53]:
[array([[[ 0],
         [ 3],
         [ 6]],

        [[ 9],
         [12],
         [15]],

        [[18],
         [21],
         [24]]]), array([[[ 1],
         [ 4],
         [ 7]],

        [[10],
         [13],
         [16]],

        [[19],
         [22],
         [25]]]), array([[[ 2],
         [ 5],
         [ 8]],

        [[11],
         [14],
         [17]],

        [[20],
         [23],
         [26]]])]

In [54]: b
Out[54]:
array([[ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])

In [55]: b
Out[55]:
array([[ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])

In [56]: b.ndim
Out[56]: 2

In [57]: b.size
Out[57]: 9

In [58]: b.itemsize
Out[58]: 4

In [59]: b.nbytes
Out[59]: 36

In [60]: b.size * b.itemsize
Out[60]: 36

In [61]: b.resize(6,4)
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-61-a30f6357ab78> in <module>()
----> 1 b.resize(6,4)

ValueError: cannot resize an array that references or is referenced
by another array in this way.  Use the resize function

In [62]: b.resize(6,6)
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-62-5d4e603729e0> in <module>()
----> 1 b.resize(6,6)

ValueError: cannot resize an array that references or is referenced
by another array in this way.  Use the resize function

In [63]: b.resize()

In [64]: b
Out[64]:
array([[ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])

In [65]: b
Out[65]:
array([[ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])

In [66]: b.tolist()
Out[66]: [[0, 2, 4], [6, 8, 10], [12, 14, 16]]

In [67]:

目录
相关文章
|
IDE 测试技术 开发工具
NumPy 代码调试与错误处理
【8月更文第30天】NumPy 是 Python 中用于科学计算的核心库之一,提供了高性能的多维数组对象和大量的数学函数。尽管 NumPy 提供了许多方便的功能,但在实际编程过程中难免会遇到各种各样的问题。本文将介绍一些调试 NumPy 代码的技巧,并讨论如何处理常见的错误。
943 2
|
存储 编译器 Serverless
NumPy 秘籍中文第二版:九、使用 Cython 加速代码
NumPy 秘籍中文第二版:九、使用 Cython 加速代码
198 0
|
机器学习/深度学习 算法 数据挖掘
【机器学习】利用numpy实现DBSCAN聚类算法(Python代码)
【机器学习】利用numpy实现DBSCAN聚类算法(Python代码)
471 0
|
机器学习/深度学习 算法 数据挖掘
【机器学习】利用numpy实现K-Means聚类算法(Python代码)
【机器学习】利用numpy实现K-Means聚类算法(Python代码)
384 0
|
Python
NumPy在数组操作上的效率优于纯 Python代码吗?
NumPy在数组操作上的效率优于纯 Python代码吗?
280 0
成功解决numpy.ndarray格式类型转数据为list格式数据带有中括号(一行代码搞定!)
成功解决numpy.ndarray格式类型转数据为list格式数据带有中括号(一行代码搞定!)
|
机器学习/深度学习 数据可视化 Python
仅使用NumPy完成卷积神经网络CNN的搭建(附Python代码)
现有的Caffe、TensorFlow等工具箱已经很好地实现CNN模型,但这些工具箱需要的硬件资源比较多,不利于初学者实践和理解。因此,本文教大家如何仅使用NumPy来构建卷积神经网络(Convolutional Neural Network , CNN)模型,具体实现了卷积层、ReLU激活函数层以及最大池化层(max pooling),代码简单,讲解详细。
19599 0
|
Python 数据挖掘 数据可视化
不可不学Numpy,带你快速撸Numpy代码,(Python学习教程)一遍过
不可不学Numpy,带你快速撸Numpy代码,(Python学习教程)一遍过
|
5月前
|
存储 Java 数据处理
(numpy)Python做数据处理必备框架!(一):认识numpy;从概念层面开始学习ndarray数组:形状、数组转置、数值范围、矩阵...
Numpy是什么? numpy是Python中科学计算的基础包。 它是一个Python库,提供多维数组对象、各种派生对象(例如掩码数组和矩阵)以及用于对数组进行快速操作的各种方法,包括数学、逻辑、形状操作、排序、选择、I/0 、离散傅里叶变换、基本线性代数、基本统计运算、随机模拟等等。 Numpy能做什么? numpy的部分功能如下: ndarray,一个具有矢量算术运算和复杂广播能力的快速且节省空间的多维数组 用于对整组数据进行快速运算的标准数学函数(无需编写循环)。 用于读写磁盘数据的工具以及用于操作内存映射文件的工具。 线性代数、随机数生成以及傅里叶变换功能。 用于集成由C、C++
504 1
|
5月前
|
Java 数据处理 索引
(numpy)Python做数据处理必备框架!(二):ndarray切片的使用与运算;常见的ndarray函数:平方根、正余弦、自然对数、指数、幂等运算;统计函数:方差、均值、极差;比较函数...
ndarray切片 索引从0开始 索引/切片类型 描述/用法 基本索引 通过整数索引直接访问元素。 行/列切片 使用冒号:切片语法选择行或列的子集 连续切片 从起始索引到结束索引按步长切片 使用slice函数 通过slice(start,stop,strp)定义切片规则 布尔索引 通过布尔条件筛选满足条件的元素。支持逻辑运算符 &、|。
324 0

热门文章

最新文章