站群搭建,兼职写好评15元一条,灰色词排名上首页,搜索引擎优化包括哪些方面单词发音#xff1a; squeeze 发音#xff1a;死贵子 concatenation [kɒnˌktəˈneɪʃən] 拼接;串联 threshold [θreʃhəʊld] 死re后的 quantile 拷n太哦 分位数 因果不能改 智慧不能赐 正法不可说 无缘不能度 天雨虽宽不润无根之草#xff1b;佛法虽广不度无缘之人 …单词发音 squeeze 发音死贵子 concatenation [kɒnˌkætəˈneɪʃən] 拼接;串联 threshold [θreʃhəʊld] 死re后的 quantile 拷n太哦 分位数 因果不能改 智慧不能赐 正法不可说 无缘不能度 天雨虽宽不润无根之草佛法虽广不度无缘之人 1某一个维度实现元素复值
import numpy as np
arr np.random.randint(1, 10, (2, 3))
print(arr)
print(arr.repeat(2, axis0)) # 行复制,列不变 结果: 4行3列
print(arr.repeat(2, axis1)) # 列复制,行不变 结果: 2行6列实现按块复制元素
import numpy as np arr np.random.randint(1, 10, (2, 3)) print(np.tile(arr, 2)) # 按块复制 print(np.tile(arr, (2, 1))) # 按块当成一个元素(一个整体) 2行1列 print(np.tile(arr, (1, 2))) # 按块当成一个元素 1行2列
水平或竖直方向合并多个数组 (两种方法合并)
import numpy as np arr1 np.random.randint(1, 10, (2, 3)) arr2 np.random.randint(1, 10, (3, 3)) print(arr1) print(arr2) print(‘*’ * 30)
目标: 合并 5行3列
print(np.vstack((arr1, arr2))) # 必须是以元组的形式传入 print(np.hstack((arr1, arr2[:2, :]))) # arr2[:2, :]意思是: 行是选2行列是全选,本案例编程2行3列
指定维度上的合并
print(np.concatenate((arr1, arr2))) # 默认是垂直方向 print(np.concatenate((arr1, arr2[:2, :]), axis1)) # 水平方向合并
r_和c_的使用
print(np.r_[arr1, arr2]) # 行合并 print(np.c_[arr1, arr2[:2, :]]) # 列合并
返回数组中某个维度的最大或者最小值索引
import numpy as np arr np.random.randint(1, 10, (2, 3)) print(arr) print(arr.argmax()) # 按照行展平了之后的最大值 print(arr.argmin()) # 按照行展平了之后的最小值 print(arr.argmax(axis1)) # 某一维度最大值axis0/1, 本例应该返回3个值
限制打印元素的个数
import numpy as np import sys print(sys.maxsize) np.set_printoptions(thresholdsys.maxsize) # 全部打印 print(np.arange(100)) np.set_printoptions(precision3) # 3位有效数字 print(np.linspace(0, 10, 100))
返回一个有规律的数组,如数组: [1, 1, 1, 2, 2, 2, 3, 3, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3]
import numpy as np a np.array([1, 2, 3]) print(a)
print(np.repeat(a, 3))
print(np.tile(a, 3))
最终结果如下:
print(np.r_[np.repeat(a, 3), np.tile(a, 3)]) print(np.hstack((np.repeat(a, 3), np.tile(a, 3)))) print(np.concatenate((np.repeat(a, 3), np.tile(a, 3)), axis0))
列表实现向量化
import numpy as np a [1, 2, 3] print(np.array(a) 1) # 这就是向量化操作 def add(x, y): return x y addNum np.vectorize(add) # 用vectorize做了一层包装 ret addNum(a, 1) print(ret) ret2 addNum([1, 2, 3], [5, 5, 5]) # 两个列表相加 print(ret2)
求中位数和众数
import numpy as np
中位数是指将数据按⼤⼩顺序排列起来形成⼀个数列居于数列中间位置的那个数据。
如果数组是偶数则是两个数的平均值
众数是在⼀组数据中,出现次数最多的数据 通过bincount和argmax求众数
arr np.random.randint(1, 10, (10,)) print(arr) print(np.median(arr)) # 求中位数 tmp np.bincount(arr) print(np.argmax(tmp)) # [0 1 0 1 4 2 0 0 1 1] 每个数据出现的次数统计
求任意分位数(也叫分为点)
import numpy as np arr np.random.randint(1, 10, (15,)) print(np.median(arr)) print(np.sort(arr)) # 分位数肯定是先sort之后的值 print(‘*’ * 30) print(np.percentile(arr, q50)) # np.percentile(arr, q50) np.median(arr) print(np.percentile(arr, q[1, 25, 50, 75, 100])) # 求一组分位数
求相关系数,是研究变量之间线性相关程度的量;
import numpy as np arr np.array([[1, 2], [2, 3.8]]) # 线性相关性 print(arr) print(np.corrcoef(arr[:, 0], arr[:, 1])) # 考靠负
找到NumPy中缺失值
import numpy as np
np.nan # nan not number
arr np.array([0., 1., np.nan, 3., np.nan, np.nan, 6., 7., 8., 9.])
用isnan和where两个函数可以定位哪个位置是空值通过where查看哪些位置
print(np.where(np.isnan(arr)))
缺失值默认填0
import numpy as np arr np.array([[0., np.nan, 2., 3.], [4., 5., np.nan, 7.], [8., 9., 10., 11.], [12., 13., np.nan, 15.], [16., 17., np.nan, 19.], [20., 21., 22., 23.]])
print(np.where(np.isnan(arr))) arr[np.isnan(arr)] 0 # ~np.isnan(arr),取反就是不为0的 print(arr)
返回无缺失的行
import numpy as np
arr np.array([[0., np.nan, 2., 3.], [4., 5., np.nan, 7.], [8., 9., 10., 11.], [12., 13., np.nan, 15.], [16., 17., np.nan, 19.], [20., 21., 22., 23.]])
返回有缺失值的行
m np.sum(np.isnan(arr), axis1) 0 print(arr[m])
求softmax得分值
import numpy as np arr np.array([1, 3, 2, 4]) print(arr) def softmax(a): e_a np.exp(a - np.max(a)) return e_a / np.sum(e_a) np.set_printoptions(precision3) sf softmax(arr) print(sf)
