Python人工智能常用庫(kù)Numpy使用入門

第一章 jupyter notebook簡(jiǎn)單教程

目前成都創(chuàng)新互聯(lián)已為上千多家的企業(yè)提供了網(wǎng)站建設(shè)、域名、網(wǎng)絡(luò)空間、網(wǎng)站托管、服務(wù)器托管、企業(yè)網(wǎng)站設(shè)計(jì)、武定網(wǎng)站維護(hù)等服務(wù)，公司將堅(jiān)持客戶導(dǎo)向、應(yīng)用為本的策略，正道將秉承"和諧、參與、激情"的文化，與客戶和合作伙伴齊心協(xié)力一起成長(zhǎng)，共同發(fā)展。

命令模式按鍵esc開啟

Enter : 轉(zhuǎn)入編輯模式

Shift-Enter : 運(yùn)行本單元，選中下個(gè)單元

Ctrl-Enter : 運(yùn)行本單元

Alt-Enter : 運(yùn)行本單元，在其下插入新單元

Y : 單元轉(zhuǎn)入代碼狀態(tài)

M :單元轉(zhuǎn)入markdown狀態(tài)

Z : 恢復(fù)刪除的最后一個(gè)單元

第二章 numpy簡(jiǎn)單教程

2.1 數(shù)組

import numpy as np

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

print(a)

#out

[1 2 3]

#out

array([1, 2, 3])

type(a)

#out

numpy.ndarray

a.shape

#out

(3,)

# reshape(1, -1)中1代表設(shè)置數(shù)組為1行 , -1代表一個(gè)占位符 , 表示a數(shù)組列數(shù)

# reshape()中-1可以作為行的占位符也可以作為列的占位符

a = a.reshape(1, -1)

a.shape

#out

(1, 3)

a = np.array([1, 2, 3, 4, 5, 6])

a.shape

#out

(6,)

a = a.reshape(2,-1)

a.shape

#out

(2, 3)

#out

array([[1, 2, 3],

[4, 5, 6]])

a = a.reshape(-1, 2)

a.shape

#out

(3, 2)

a[2, 0]

#out

a[2, 0] = 55

a[2, 0]

#out

# zeros用于創(chuàng)建元素全部為0的矩陣數(shù)組

a = np.zeros((3, 3))

#out

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

[0., 0., 0.],

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

# ones用于創(chuàng)建元素全部為1的矩陣數(shù)組

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

#out

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

[1., 1., 1.],

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

# zeros ones函數(shù)也完全可以用full函數(shù)實(shí)現(xiàn)

a = np.full((2, 3), 0)

#out

array([[0, 0, 0],

[0, 0, 0]])

# eye函數(shù)用于創(chuàng)建單位矩陣

a = np.eye(3)

#out

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

[0., 1., 0.],

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

# random.random用戶創(chuàng)建數(shù)值為0-1之間的隨機(jī)二維數(shù)組

a = np.random.random((2, 3))

#out

array([[0.54627035, 0.49586489, 0.6976645 ],

[0.76596824, 0.95951819, 0.7515421 ]])

2.2 數(shù)組索引操作

# indexing : 數(shù)組索引

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

[5, 6, 7, 8],

[9, 10, 11, 12]])

# -2代表數(shù)組的倒數(shù)第二行 , 1:3代表從第一列開始往后兩個(gè)元素

a[-2:, 1:3]

#out

array([[ 6, 7],

[10, 11]])

# 取倒數(shù)第二行 , 第三列元素

a[-2, 3]

#out

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

[ 5, 6, 7, 8],

[ 9, 10, 11, 12]])

a.shape

#out

(3, 4)

# 將數(shù)組a倒數(shù)第二行開始到最后一行 , 從第一列往后兩列元素賦值給b數(shù)組

b = a[-2:, 1:3]

#out

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

[ 5, 6, 7, 8],

[ 9, 10, 11, 12]])

#out

array([[ 6, 7],

[10, 11]])

b.shape

#out

(2, 2)

# 指定為索引為的2行

b = a[2, 1:3]

#out

array([10, 11])

b.shape

#out

(2,)

b = a[1, 2]

#out

b.shape

#out

()

b = a[2:3, 1:3]

#out

array([[10, 11]])

b.shape

#out

(1, 2)

# 將數(shù)組的3行的1列 + 10

a[np.arange(3), 1] += 10

#out

array([[ 1, 12, 3, 4],

[ 5, 16, 7, 8],

[ 9, 20, 11, 12]])

a[np.arange(2), 3] += 100

#out

array([[ 1, 12, 3, 104],

[ 5, 16, 7, 108],

[ 9, 20, 11, 12]])

# 產(chǎn)生一個(gè)0,1,2的數(shù)組 , 不包含3

np.arange(3)

#out

array([0, 1, 2])

# 產(chǎn)生一個(gè)從3-7的數(shù)組 , 不包含7

np.arange(3,7)

#out

array([3, 4, 5, 6])

a[np.arange(3), [1,1,1]] += 10

#out

array([[ 1, 22, 3, 104],

[ 5, 26, 7, 108],

[ 9, 30, 11, 12]])

a[[0,1,2], [1,1,1]] += 10

#out

array([[ 1, 32, 3, 104],

[ 5, 36, 7, 108],

[ 9, 40, 11, 12]])

# 判斷數(shù)組a中大于10的值

result_index = a>10

result_index

#out

array([[False, True, False, True],

[False, True, False, True],

[False, True, True, True]])

a[result_index]

#out

array([ 32, 104, 36, 108, 40, 11, 12])

a[a>10]

#out

array([ 32, 104, 36, 108, 40, 11, 12])

2.3 元素?cái)?shù)組類型

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

a.dtype

#out

dtype('int64')

a = np.array([1.1, 2.2])

a.dtype

#out

dtype('float64')

a = np.array([1.1, 1, 'a'])

#out

array(['1.1', '1', 'a'], dtype='

# 將float型數(shù)組轉(zhuǎn)化成int型

a = np.array([1.1, 2.2], dtype=np.int64)

#out

array([1, 2])

# 將a數(shù)組賦值給b數(shù)組 , 同時(shí)設(shè)置元素類型為int

b = np.array(a, dtype=np.int64)

#out

array([1, 2])

2.3 數(shù)組運(yùn)算與常用函數(shù)

numpy中的數(shù)學(xué)運(yùn)算

a = np.array([[1,2],

[3,4]])

b = np.array([[5,6],

[6,5]])

# 加法

a+b

#out

array([[6, 8],

[9, 9]])

np.add(a,b)

#out

array([[6, 8],

[9, 9]])

# 減法

a-b

#out

array([[-4, -4],

[-3, -1]])

np.subtract(a,b)

#out

array([[-4, -4],

[-3, -1]])

# 乘法

a*b

#out

array([[ 5, 12],

[18, 20]])

np.multiply(a,b)

#out

array([[ 5, 12],

[18, 20]])

# 除法

a/b

#out

array([[0.2 , 0.33333333],

[0.5 , 0.8 ]])

np.divide(a,b)

#out

array([[0.2 , 0.33333333],

[0.5 , 0.8 ]])

# 開方

np.sqrt(a)

#out

array([[1. , 1.41421356],

[1.73205081, 2. ]])

#out

array([[1, 2],

[3, 4]])

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

[4,5,6]]) 無(wú)錫人流醫(yī)院哪家好 http://www.wxbhnkyy120.com/

# dot : 是將a數(shù)組與b數(shù)組矩陣相乘的結(jié)果

a.dot(b)

#out

array([[ 9, 12, 15],

[19, 26, 33]])

np.dot(a,b)

#out

array([[ 9, 12, 15],

[19, 26, 33]])

numpy中的常用函數(shù)

# sum : 求和函數(shù)

# 計(jì)算數(shù)組中全部元素的和

a = np.array([[1,2],

[3,4]])

np.sum(a)

#out

# 將數(shù)組中的每一列進(jìn)行求和操作

np.sum(a, axis=0)

#out

array([4, 6])

# 將數(shù)組中的每一行進(jìn)行求和操作

np.sum(a, axis=1)

#out

array([3, 7])

# mean : 求平均值函數(shù)

# 計(jì)算數(shù)組的平均值

np.mean(a)

#out

2.5

# 計(jì)算數(shù)組每一列的平均值

np.mean(a, axis=0)

#out

array([2., 3.])

# 計(jì)算數(shù)組每一行的平均值

np.mean(a, axis=1)

#out

array([1.5, 3.5])

# uniform : 用戶生成一個(gè)指定范圍內(nèi)的隨機(jī)數(shù)值

np.random.uniform(3,4)

#out

3.247709331922638

# tile : 用于將一個(gè)數(shù)組作為一個(gè)元素重復(fù)指定的次數(shù)

#out

array([[1, 2],

[3, 4]])

# 將數(shù)組在行上重復(fù)1次, 在列上重復(fù)2次

np.tile(a, (1,2))

#out

array([[1, 2, 1, 2],

[3, 4, 3, 4]])

# 將數(shù)組在行上重復(fù)1次, 在列上重復(fù)3次

np.tile(a, (1,3))

#out

array([[1, 2, 1, 2, 1, 2],

[3, 4, 3, 4, 3, 4]])

# argsort : 將數(shù)組中的元素進(jìn)行排序 , 默認(rèn)從小到大

a = np.array([[1,12,3,104],

[5,10,1,3]])

# 按照數(shù)組下標(biāo)將元素排好

np.argsort(a)

#out

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

[2, 3, 0, 1]])

# 將每一列進(jìn)行排序

a.argsort(axis=0)

#out

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

[1, 0, 0, 0]])

# T : 矩陣轉(zhuǎn)置

#out

array([[ 1, 12, 3, 104],

[ 5, 10, 1, 3]])

a.T

#out

array([[ 1, 5],

[ 12, 10],

[ 3, 1],

[104, 3]])

# 使用transpose函數(shù)將數(shù)組轉(zhuǎn)置

np.transpose(a)

#out

array([[ 1, 5],

[ 12, 10],

[ 3, 1],

[104, 3]])

2.4 廣播

廣播

可以將不同維度的數(shù)組進(jìn)行相加 , numpy會(huì)將不同維度的數(shù)組轉(zhuǎn)化成相同維度的數(shù)組 , 廣播會(huì)在缺失維度和一維的數(shù)組上進(jìn)行操作

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

[5, 6, 7],

[9, 10, 11]])

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

# 將b數(shù)組加到a數(shù)組的每一行

for i in range(3):

a[i, :] += b

#out

array([[ 2, 4, 6],

[ 6, 8, 10],

[10, 12, 14]])

# 將b數(shù)組行上重復(fù)3次 , 列上重復(fù)1次 , 與a相加

a + np.tile(b, (3,1))

#out

array([[ 3, 6, 9],

[ 7, 10, 13],

[11, 14, 17]])

標(biāo)題名稱：Python人工智能常用庫(kù)Numpy使用入門
網(wǎng)頁(yè)地址：http://muchs.cn/article40/isjoeo.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供動(dòng)態(tài)網(wǎng)站、全網(wǎng)營(yíng)銷推廣、網(wǎng)站制作、移動(dòng)網(wǎng)站建設(shè)、響應(yīng)式網(wǎng)站、品牌網(wǎng)站制作

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源：創(chuàng)新互聯(lián)

猜你還喜歡下面的內(nèi)容