Numpy 基础运算2

# -*- encoding:utf-8 -*-
# Copyright (c) 2015 Shiye Inc.
# All rights reserved.
#
# Author: ldq <[email protected]>
# Date: 2019/2/11 14:57

import numpy as np

a = np.arange(2, 14).reshape(3, 4)
‘‘‘
reshape矩阵变维
[[ 2  3  4  5]
 [ 6  7  8  9]
 [10 11 12 13]]
‘‘‘
a_arg_max = np.argmax(a)
‘‘‘
返回最大索引
11
‘‘‘
mean_a = np.mean(a)
‘‘‘
mean平均值
7.5
‘‘‘
avg_a = np.average(a)
‘‘‘
average加权平均值
7.5
‘‘‘
mean_x = np.mean(np.array([1,2,3,4,5]))
average_x = np.average(np.array([1,2,3,4,5]), weights=np.array([1,1,1,1,1]))
median_a = np.median(a)
‘‘‘
median中位数
7.5
‘‘‘
cumsum_a = np.cumsum(a)
‘‘‘
cumsum元素累加
[ 2  5  9 14 20 27 35 44 54 65 77 90]
‘‘‘
diff_a = np.diff(a, axis=0)
‘‘‘
数值差分
[[4 4 4 4]
 [4 4 4 4]]
‘‘‘
nonzero_a = np.nonzero(a)
‘‘‘
nonzero这个函数将所有非零元素的行与列坐标分割开,重构成两个分别关于行和列的矩阵
(array([0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2], dtype=int64), array([0, 1, 2, 3, 0, 1, 2, 3, 0, 1, 2, 3], dtype=int64))
‘‘‘
sort_a = np.sort(a,axis=-1,kind=‘mergesort‘)

transpose_a = np.transpose(a)
transpose_a_2 = a.T
‘‘‘
矩阵的转置
transpose
‘‘‘
clip_a = np.clip(a,5,9)
‘‘‘
clip指定的元素转换为最小值或者最大值
[[5 5 5 5]
 [6 7 8 9]
 [9 9 9 9]]
‘‘‘

原文地址:https://www.cnblogs.com/ldq1996/p/10362212.html

时间: 2024-08-30 18:10:21

Numpy 基础运算2的相关文章

Numpy 基础运算1

数组运算 import numpy as np a=np.array([10,20,30,40]) # array([10, 20, 30, 40]) b=np.arange(4) # array([0, 1, 2, 3]) 数组相加相减 c=a-b # array([10, 19, 28, 37]) 数组相乘 c=a*b # array([ 0, 20, 60, 120]) 数组乘方 c=b**2 # array([0, 1, 4, 9]) Numpy中具有很多的数学函数工具,比如三角函数等

numpy基础运算1

# -*- encoding:utf-8 -*- # Copyright (c) 2015 Shiye Inc. # All rights reserved. # # Author: ldq <[email protected]> # Date: 2019/2/11 13:41 import numpy as np a = np.array([0, np.pi/2, np.pi, np.pi/3, np.pi/4]) b = np.arange(4, 8, 2, np.float64) #[4

四、Numpy基础:数组运算

h2 { font-size: 24px; height: 35px; line-height: 35px !important; width: 95%; background-color: #169FE6; padding-left: 10px; color: white } table { border: 1px solid #d3d3d3; background: #fefefe; width: 90% } th,td { padding: 0.5% 1% 0.5% } th { back

利用 Python 进行数据分析(五)NumPy 基础:ndarray 索引和切片

概念理解 索引即通过一个无符号整数值获取数组里的值. 切片即对数组里某个片段的描述. 一维数组 一维数组的索引 一维数组的索引和Python列表的功能类似: 一维数组的切片 一维数组的切片语法格式为array[index1:index2],意思是从index1索引位置开始,到index2索引(不包括index2)位置结束的一段数组.例如: 当把一个值赋值为一个切片时,该值会作用于此数组片段里每一个元素,例如: 二维数组 二维数组的索引 当以一维数组的索引方式访问一个二维数组的时候,获取的元素不在

《利用python进行数据分析》读书笔记--第四章 numpy基础:数组和矢量计算

第四章 Numpy基础:数组和矢量计算 实话说,用numpy的主要目的在于应用矢量化运算.Numpy并没有多么高级的数据分析功能,理解Numpy和面向数组的计算能有助于理解后面的pandas.按照课本的说法,作者关心的功能主要集中于: 用于数据整理和清理.子集构造和过滤.转换等快速的矢量化运算 常用的数组解法,如排序.唯一化.集合运算等 高效的描述统计和数据聚合/摘要运算 用于异构数据集的合并/连接运算的数据对齐和关系型数据运算 将条件逻辑表述为数组表达式(而不是带有if-elif-else分支

[转]python与numpy基础

来源于:https://github.com/HanXiaoyang/python-and-numpy-tutorial/blob/master/python-numpy-tutorial.ipynb python与numpy基础 寒小阳(2016年6月) Python介绍 如果你问我没有编程基础,想学习一门语言,我一定会首推给你Python类似伪代码的书写方式,让你能够集中精力去解决问题,而不是花费大量的时间在开发和debug上同时得益于Numpy/Scipy这样的科学计算库,使得其有非常高效

科学计算库Numpy基础操作

pycharm,python3.7,numpy版本1.15.1 2018年9月11日04:23:06 """ 科学计算库Numpy基础操作 时间:2018\9\11 0011 """ import numpy print("""\n------以矩阵的方式读取数据------\n ------------genfromtxt函数('文件路径',delimiter = '分隔符',dtype = 读取方式)------

《利用Python进行数据分析&#183;第2版》第四章 Numpy基础:数组和矢量计算

<利用Python进行数据分析·第2版>第四章 Numpy基础:数组和矢量计算 numpy高效处理大数组的数据原因: numpy是在一个连续的内存块中存储数据,独立于其他python内置对象.其C语言编写的算法库可以操作内存而不必进行其他工作.比起内置序列,使用的内存更少(即时间更快,空间更少) numpy可以在整个数组上执行复杂的计算,而不需要借助python的for循环 4.0 前提知识 数据:结构化的数据代指所有的通用数据,如表格型,多维数组,关键列,时间序列等 相关包:numpy pa

数据分析(Numpy基础)

数据分析(Numpy基础) 1.什么是数据分析? 数据分析是指,用适当的统计分析方法,对收集来的大量数据进行分析,提取有用信息并形成结论,从而实现对数据的详细研究和概括总结的过程. 2.python做数据分析的常用库 1. numpy 基础数值算法 2. scipy 科学计算 3. matplotlib 数据可视化 4. pandas 序列高级函数 一.numpy概述 1.什么是numpy? 1. Numerical Python,数字的Python,弥补了Python语言所欠缺的数值计算能力.