Numpy库的学习(五)

今天继续学习一下Numpy库,废话不多说,整起走

先说下Numpy中,经常会犯错的地方,就是数据的复制

这个问题不仅仅是在numpy中有,其他地方也同样会出现

import numpy as np
a = np.arange(12)
b = a
print(b is a)
b.shape = 3,4
print(a.shape)
print(id(a))
print(id(b))

先看看这段代码,我们随便建立了一个numpy数组

然后我想把a这个值,赋值给b,很简单的操作,b = a

那么我们打印一下b和a是不相等,返回的结果为True

也就是说,b和a是相等的

那么我们现在讲b做个shape变换

然后在看看a的shape有没有变换

我们这里多打印些东西,更容易我们理解

我们看到a 的id,和b 的id 是一样的,说明a和b,是完全相等的

我改变其中任意一个,都是改变另外一个值。实际上a和b指向的都是内存中的同一个地址

我们接着看下面的代码

c = a.view()
print(c is a)
c.shape = 2,6
print(a.shape)
c[0,4] = 1234
print(a)
print(id(a))
print(id(c))

我这里 定义了一个c,这个c也是一种复制,浅复制。用view()

我们在看看c 是不是a,返回的结果则是,False,说明,a和c不相等

我们将c.shape变换为2,6

打印一下a.shape发现,a的shape还是3,4

那么我将c中的一个值,修改为1234

可以看到,打印出来的a也改变了

让后通过id发现, 他们两个不是同一个地址。但是我修改的时候会做修改

说明,用view()方法复制出来的数据,相当于python中的浅拷贝。

简单说,就是a和c他们指向的地址不一样,但是他们公用一组数据。

但是这个view不推荐使用

下面我们接着看

d = a.copy()
print(d is a)
d[0,0] = 9999
print(d)
print(a)

这里看到,d = a.copy(),a 不是d ,所以打印出来是False

那么我们让d 中的 一个元素变成9999

那么打印一下a和d 发现,a中没有变化,d中有变化,也就是说

如果我们想让一个变量,的初始值是a,然后在新的上面做一些变化的时候,一定要用copy来做

下面我们在说说argmax

data = np.sin(np.arange(20).reshape(5,4))
print(data)
ind = data.argmax(axis=0)
print(ind)
data_max = data[ind, range(data.shape[1])]
print(data_max)

这段代码可以看出,我们生成了一个5行 4列的矩阵。我们定义维度axis = 0 就是按照列进行选择

打印一下可以看到,第一列中0.98935825这个值是最大的。我们通过打印ind,得到最大的值是矩阵第一列的第3个元素

也就是元素下标为2,那么第二列中,第一个元素最大,下标为0,以此类推,得到[2 0 3 1]

按行找的话,需要设置维度axis = 1,即可

我们想取到,没列中,最大的数是多少,可以使用data_max这种取值方式,将矩阵中按照列排列最大的元素是多少,取出来

a = np.arange(0,40,10)
print(a)
b = np.tile(a,(4,2))
print(b)=

看到上面这段代码,我们生成一个向量

然后,通过tile函数,将我们生成的向量传入进去,让后按照矩阵进行翻倍变换

得到,4行2列的数据,下面继续

a = np.array([[4,3,5],[1,2,1]])
print(a)
b = np.sort(a, axis = 1)
print(b)
a.sort(axis = 1)
print(‘****************‘)
print(a)
a = np.array([4,3,1,2])
j = np.argsort(a)
print(‘***************‘)
print(j)
print(‘***************‘)
print(a[j])

首先我们使用sort,将我们的a进行了以行为主的排序

我们可以看到,使用np.sort和直接.sort的效果是一样的

np.argsort,则是求出a的索引值,然后再按照a的索引值进行排序

今天就先说到这里,感谢各位的阅读,感谢支持!!谢谢!!

原文地址:https://www.cnblogs.com/ws17345067708/p/10714169.html

时间: 2024-11-02 04:36:25

Numpy库的学习(五)的相关文章

Numpy库的学习(一)

今天来学习一下Python库中,支持高级大量的维度数组与矩阵运算的神奇的Numpy库 Numpy同时也对数组运算提供大量的数学函数,对于大量计算运行效率极好 是大量机器学习框架的基础库 废话不多说,直接开整 Numpy中最核心的结构就是ndarray数组 Numpy中定义的最重要的对象是成为ndarray的N维数组类型 它描述相同类型的元素集合.可以使用基于零的索引访问集合中的项目.大部分的数组操作仅仅是修改元数据部分,而不改变其底层的实际数据. 数组的维数称为秩,简单来说就是如果你需要获取数组

pyhton numpy库的学习

1.Numpy核心数据结构:ndarray ndarray是由同一种类型的元素组成的N维数组 1.1 ndarray的创建 主要有以下几个函数进行创建: array() zeros():全零数组 ones():全1数组 empty():创建未初始化的数组 1.1.1通过array()创建 (1)一维 a = np.array([1,2,3,4]) (2)二维 b = np.array([     [1,2,3,4],     [5,6,7,8]]) (3)三维 c = np.array([ [

数据分析与展示——NumPy库入门

这是我学习北京理工大学嵩天老师的<Python数据分析与展示>课程的笔记.嵩老师的课程重点突出.层次分明,在这里特别感谢嵩老师的精彩讲解. NumPy库入门 数据的维度 维度是一组数据的组织形式.数据维度就是在数据之间形成特定关系表达多种含义的一个概念. 一维数据: 一维数据由对等关系的有序或无序数据构成,采用线性方式组织.对应列表.数组和集合等概念. 列表和数组:一组数据的有序结构. 区别: 列表:数据类型可以不同 数组:数据类型相同 二维数据: 二维数据由多个一维数据构成,是一维数据的组合

Python关于PIL库的学习总结与成果展示

一.关于PIL库的学习总结 PIL(Python Image Library)库是Python语言的第三方库,需要通过pip工具安装.安装PIL库的方法如下,需要注意,安装库的名字是pillow. :\>pip install pillow      #或者    pip3 install pillow PIL库支持图像储存.显示和处理,他能够处理几乎所有图片格式,可以完成对图像的缩放.剪裁.叠加以及向图像添加线条.图像和文字等操作. PIL库主要可以实现图像归档和图像处理两方面功能需求. (1

&lt;class &#39;numpy.ndarray&#39;&gt;的学习

在学习opencv-python的时候,给出图片地址再调用cv2.imread("地址"),发现出创建的是numpy类型的ndarray对象,用来存放多维数组的对象 # 导入cv2模块 import cv2 # 给出本地图片的地址 img_dir="D:/360Downloads/test.jpg" # 创建numpy类型的ndarray对象,存放多维数组的对象 img=cv2.imread(img_dir) # <class 'numpy.ndarray'&

数据分析之Numpy库入门

1.列表与数组 在python的基础语言部分,我们并没有介绍数组类型,但是像C.Java等语言都是有数组类型的,那python中的列表和数组有何区别呢? 一维数据:都表示一组数据的有序结构 区别: 列表:数据类型可以不同,如:[3.1413,'pi',3.1404,[3.1402,2.34],'3.2376'] 数组:数据类型相同 .如[3.14,34.34,3433.3,343.23] 二维数据:二维数据由多个一维数据构成,是一维数据的集合形式!表格是典型的二维数据! 注意:表格的表头,可以是

标准模板库(STL)学习探究之vector容器

标准模板库(STL)学习探究之vector容器  C++ Vectors vector是C++标准模板库中的部分内容,它是一个多功能的,能够操作多种数据结构和算法的模板类和函数库.vector之所以被认为是一个容器,是因为它能够像容器一样存放各种类型的对象,简单地说,vector是一个能够存放任意类型的动态数组,能够增加和压缩数据.为了可以使用vector,必须在你的头文件中包含下面的代码:#include <vector>构造函数. Vectors 包含着一系列连续存储的元素,其行为和数组类

Beaglebone Back学习五(PWM测试)

PWM测试 参考链接 1 Enable PWM on BeagleBone with Device Tree overlays 2Using PWM on the Beaglebone Black 3 Beaglebone Coding 101: Buttons and PWM 4 Using PWM outputs 5 beaglebone-black-cpp-PWM 6 Enabling PWM Support in the kernel 7 Beaglebone Back学习五(PWM测试

gdal库的学习和使用

1.windows下的编译 1.1.解压后打开nmake.opt,设置GDAL_HOME 1.2.进入vs的command promot,进入正常的那个即可,64位的没试过,可以参考gdal官网 1.3.nmake /f makefile.vc 1.4.nmake /f makefile.vc install 1.5.nmake /f makefile.vc devinstall 2.打开文件 #include "gdal_priv.h" #include "cpl_conv