numpy学习笔记 - numpy常用函数、向量化操作及基…
2018-08-26 17:32:32来源：博客园 阅读 ()
# -*- coding: utf-8 -*-
"""
主要记录代码，相关说明采用注释形势，供日常总结、查阅使用，不定时更新。
Created on Fri Aug 24 19:57:53 2018
@author: Dev
"""
import numpy as np
import random
# 常用函数
arr = np.arange(10)
print(np.sqrt(arr)) # 求平方根
print(np.exp(arr)) # 求e的次方
random.seed(200) # 设置随机种子
x = np.random.normal(size=(8, 8))
y = np.random.normal(size=(8, 8))
np.maximum(x, y) # 每一位上的最大值
arr = np.random.normal(size=(2, 4)) * 5
print(arr)
print(np.modf(arr)) # 将小数部分与整数部分分成两个单独的数组
# 向量化操作
# meshgrid的基本用法
points1 = np.arange(-5, 5, 1) # [-5, 5]闭区间步长为1的10个点
points2 = np.arange(-4, 4, 1)
xs, ys = np.meshgrid(points1, points2) # 返回一个由xs, ys构成的坐标矩阵
print(xs) # points1作为行向量的len(points1) * len(points2)的矩阵
print(ys) # points2作为列向量的len(points1) * len(points2)的矩阵
# 将坐标矩阵经过计算后生成灰度图
import matplotlib.pyplot as plt
points = np.arange(-5, 5, 0.01) # 生成1000个点的数组
xs, ys = np.meshgrid(points, points)
z = np.sqrt(xs ** 2 + ys ** 2) # 计算矩阵的平方和开根
print(z)
plt.imshow(z, cmap=plt.cm.gray)
plt.colorbar()
plt.title("Image plot of $\sqrt{x^2 + y^2}$ for a grid of values")
plt.show()
# 将条件逻辑表达为数组运算
xarr = np.array([1.1, 1.2, 1.3, 1.4, 1.5])
yarr = np.array([2.1, 2.2, 2.3, 2.4, 2.5])
cond = np.array([True, False, True, True, False])
# 纯Python，用列表解析式做判断
result = [x if c else y for x, y, c in zip(xarr, yarr, cond)]
# zip()基本用法
a = [1, 2, 3]
b = [4, 5, 6]
c = [7, 8, 9]
for tupple_a in zip(a, b, c): # python 3.x为了减少内存占用，每次zip()调用只返回一个元组对象
print(tupple_a)
# np.where()
result = np.where(cond, xarr, yarr)
# np.where()的用法：
#np.where()的几个例子
# condition, x, y均指定
np.where([[False, True], [True, False]],
[[1, 2], [3, 4]],
[[9, 8], [7, 6]])
# 只指定condition时，返回np.nonzero()，即非零元素的索引
x = np.arange(9.).reshape(3, 3)
np.where( x > 5 )
x[np.where( x > 3.0 )] # 将索引值带入原数组，得到满足大于3条件的元素
arr = np.random.normal(size=(4,4))
print(arr)
np.where(arr > 0, 2, -2)
np.where(arr > 0, 2, arr) # 只将大于0的元素设置为2
# 用np.where()进行多条件判断
# 例子： 对0~100范围内的数进行判断
# 纯python
sum1 = 0
for i in range(0, 100):
if np.sqrt(i) > 3 and np.sqrt(i) < 5: # 平方根在(3, 5)之间
sum1 += 3
elif np.sqrt(i) > 3: # 平方根在[5, 10)之间
sum1 += 2
elif np.sqrt(i) < 5: # 平方根在(0, 3]之间
sum1 += 1
else:
sum1 -= 1
print(sum1)
注： 这个例子其实用的不好，最后一个sum -= 1实际上没有用到，只是用这个例子说明多条件判断。
# 使用np.where()
num_list = np.arange(0, 100)
cond1 = np.sqrt(num_list) > 3
cond2 = np.sqrt(num_list) < 5
result = np.where(cond1 & cond2, 3, np.where(cond1, 2, np.where(cond2 < 5, 1, -1)))
print(sum(result))
# 数学与统计方法
arr = np.random.normal(size=(5, 4))
arr.mean() # 平均值
np.mean(arr)
arr.sum() # 求和
arr.mean(axis=1) # 对行求平均值
arr.sum(0) # 对每列求和
arr.sum(axis=0)
arr = np.arange(9).reshape(3, 3)
arr.cumsum(0) # 每列的累计和
arr.cumprod(1) # 每行的累计积
注： 关于numpy中axis的问题
axis=1可理解为跨列操作
axis=0可理解为跨行操作
# 布尔型数组
arr = np.random.normal(size=(10, 10))
(arr > 0).sum() # 正值的数量
bools = np.array([False, False, True, False])
bools.any() # 有一个为True，则结果为True
bools.all() # 必须全为True，结果才为True
# 排序
arr = np.random.normal(size=(4, 4))
print(arr)
arr.sort() # 对每行元素进行排序
arr = np.random.normal(size=(5, 3))
print(arr)
arr.sort(0) # 对每列元素进行排序
# 求25%分位数（排序后根据索引位置求得）
num_arr = np.random.normal(size=(1000, 1000))
num_arr.sort()
print(num_arr[0, int(0.25 * len(num_arr))])
# 求唯一值
names = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe'])
print(np.unique(names))
# 纯Python
print(sorted(set(names)))
# 判断values中的列表元素是否在数组list_a中
arr_a = np.array([6, 0, 0, 3, 2, 5, 6])
values = [2, 3, 6]
np.in1d(arr_a, values)
# 线性代数相关的函数
x = np.array([[1., 2., 3.], [4., 5., 6.]])
y = np.array([[6., 23.], [-1, 7], [8, 9]])
x.dot(y) # 矩阵的乘法
np.dot(x, y)
np.dot(x, np.ones(3))
np.random.seed(12345)
from numpy.linalg import inv, qr
X = np.random.normal(size=(5, 5))
mat = X.T.dot(X) # 矩阵X转置后再与原X相乘
inv(mat) # 求逆矩阵
mat.dot(inv(mat)) # 与逆矩阵相乘
# 随机数
samples = np.random.normal(size=(4, 4))
samples
from random import normalvariate
# normalvariate(mu,sigma)
# mu: 均值
# sigma: 标准差
# mu = 0, sigma=1: 标准正态分布
# 比较纯Python与numpy生成指定数量的随机数的速度
N = 1000000 # 设置随机数的数量
get_ipython().magic(u'timeit samples = [normalvariate(0, 1) for _ in range(N)]')
get_ipython().magic(u'timeit np.random.normal(size=N)')
结果：
818 ms ± 9.87 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
34.5 ms ± 164 μs per loop (mean ± std. dev. of 7 runs, 10 loops each)
# 范例：随机漫步
import random
# 纯Python
position = 0
walk = [position]
steps = 1000
for i in range(steps):
step = 1 if random.randint(0, 1) else -1
position += step
walk.append(position)
# np
np.random.seed(12345)
nsteps = 1000
draws = np.random.randint(0, 2, size=nsteps) # 取不到2
steps = np.where(draws > 0, 1, -1)
walk = steps.cumsum() # 求累计和
walk.min()
walk.max()
(np.abs(walk) >= 10).argmax() # 首次到达10的索引数
# 一次模拟多个随机漫步
nwalks = 5000 # 一次生成5000组漫步数据
nsteps = 1000
draws = np.random.randint(0, 2, size=(nwalks, nsteps))
steps = np.where(draws > 0, 1, -1)
walks = steps.cumsum(1) # 将5000个样本中每一步的值进行累积求和
print(walks)
# 计算首次到达30
hits30 = (np.abs(walks) >= 30).any(1) # 在列方向上进行对比
print(hits30)
print(hits30.sum()) # 到达+/-30的个数
# 查看每一步中首次到达30的步数
crossing_times = (np.abs(walks[hits30]) >= 30).argmax(1)
# 求到达30的平均步数
crossing_times.mean()
# 标准正态分布
steps = np.random.normal(loc=0, scale=0.25, size=(nwalks, nsteps))
标签：
版权申明：本站文章部分自网络，如有侵权，请联系：west999com@outlook.com
特别注意：本站所有转载文章言论不代表本站观点，本站所提供的摄影照片，插画，设计作品，如需使用，请与原作者联系，版权归原作者所有
相关文章
- Python学习日记(十) 生成器和迭代器 2019-08-13
- python学习-53 正则表达式 2019-08-13
- Python之装饰器笔记 2019-08-13
- Python之对象持久化笔记 2019-08-13
- python爬虫学习之爬取超清唯美壁纸 2019-08-13
IDC资讯： 主机资讯 注册资讯 托管资讯 vps资讯 网站建设
网站运营： 建站经验 策划盈利 搜索优化 网站推广 免费资源
网络编程： Asp.Net编程 Asp编程 Php编程 Xml编程 Access Mssql Mysql 其它
服务器技术： Web服务器 Ftp服务器 Mail服务器 Dns服务器 安全防护
软件技巧： 其它软件 Word Excel Powerpoint Ghost Vista QQ空间 QQ FlashGet 迅雷
网页制作： FrontPages Dreamweaver Javascript css photoshop fireworks Flash
热门词条
最新资讯
热门关注
热门标签