标签：into   ==   计算   vector   where   dom   个数   ice   范围   

Numpy常用总结

基础要打牢，恩。

基础

# 0 - 9
arr = np.arange(10)

# 3*3 bool
np.full((3,3),true,dtype = bool)
np.ones((3,3),dtype = bool)

# 奇数替换为-1
arr[arr%2 ==1] = -1

# 奇数替换为-1并且不改变原来数组
np.where(arr%2==1,-1,arr)

# 改变形状
a = np.random.randint(0,100,(3,4))
a.reshape((-1,6))

# 堆叠 (3,3) (3,3) -> (2,3,3) axis 沿axis向前堆叠，即向前增加一个轴在增加的轴上进行堆叠
a = np.ramdom.randint(0,100,(3,3))
b = np.random.randint(0,100,(3,3))
c = np.stack([a,b],axis = 0)

# 沿已有的轴堆叠 c.shape = (6,3),矩阵形式下等于vstack,同样的也有htack
a = np.ramdom.randint(0,100,(3,3))
b = np.random.randint(0,100,(3,3))
c = np.concatenate([a,b])

# 获取两个数组的公共项,交集
a = np.array([1,3,5,7,9])
b = np.array([2,3,5,4,8])
print(np.intersect1d(a,b))

# 从a中删除与b的公共项
a = np.array([1,3,5,7,9])
b = np.array([2,3,5,4,8])
print(np.setdiff1d(a,b))

# 得到数组元素匹配的位置,np.where得到位置，a==b得到true or false
a = np.array([1,3,5,7,9])
b = np.array([2,3,5,4,8])
print(np.where(a==b))

# 得到一定范围内的数组
a = np.array([1,3,5,7,9])
print(a[np.where((a>0) & (a<5))])

# 使得一般函数能够处理numpy对象，一定程度上我认为和map函数异曲同工
a = np.array([1,2,3,4,5])
b = np.array([5,4,3,2,1])
def maxx(x,y):
    if x>y:
        return x
    else:
        return y
pair_max = np.vectorize(maxx,otypes = [float])
print(pair_max(a,b))

# 交换第一列和第二列
a = np.arange(9).reshape((3,3))
print(a[:,[1,0,2]])

# 交换第一行和第二行
a = np.arange(9).reshape((3,3))
print(a[[1,0,2],:])

# 反转二维数组的行
a = np.arange(9).reshape((3,3))
print(a[::-1,:])

# 反转二维数组的列
a = np.arange(9).reshape((3,3))
print(a[:,::-1])

# 创建5到10之间随机浮动的二维数组
print(np.uniform(5,10,(5,3)))
print(np.random.random())

# 打印numpy数组的时候只保留小数点后三位
random_arr = np.random.random((5,3))
np.set_pointoptions(precision = 3)
print(random_arr)

# 设置科学计数法输出 suppress = False 则为科学计数法，True为小数输出
random_arr = np.random.random((5,3))/1e3
np.set_printoptions(supppress = False)

# 设置打印的数目数，多余的省略号代替
random_arr = np.arange(15)
np.set_printoptions(threshold = 6) # threshold = np.nan则全部打印

# 计算均值、中位数、标准差
mu,med,sd = np.mean(x),np.median(x),mp.std(x)

# 归一化到0和1之间
smin,smax = x.min(),s.max()
S = (x - smin)/(smax - smin)

# 计算softmax的得分,可以计算多个类别的score，感觉可以记一记
def softmax(x)
    e_x = np.exp(x - np.max(x))
    return e_x/e_x.sum(axis = 0)

# 在2d数组20个随机位置插入1
a = np.random.random((9,9))
i,j = np.where(a)
a[np.random.choice(i,20),np.random.choice(j,20)] # 两个random choice分别选择了 行和列

# 多个条件过滤Numpy数组
a = np.arange(50).reshape((-1,5))
condition = (a>5) & (a<10)
print(a[condition])

[numpy] 基础练习 (一)

标签：into   ==   计算   vector   where   dom   个数   ice   范围   

原文地址：https://www.cnblogs.com/aoru45/p/11068720.html