python numpy函数用法

函数np.append(arr, values, axis=None)
作用:
为原始array添加一些values

参数:
arr:需要被添加values的数组
values:添加到数组arr中的值(array_like,类数组)
axis:可选参数,如果axis没有给出,那么arr,values都将先展平成一维数组。注:如果axis被指定了,那么arr和values需要同为一维数组或者有相同的shape,否则报错:ValueError: arrays must have same number of dimensions
补充对axis的理解

axis的最大值为数组arr的维数-1,如arr维数等于1,axis最大值为0;arr维数等于2,axis最大值为1,以此类推。
当arr的维数为2(理解为单通道图),axis=0表示沿着行增长方向添加values;axis=1表示沿着列增长方向添加values
当arr的维数为3(理解为多通道图),axis=0,axis=1时同上;axis=2表示沿着图像深度增长方向添加values
返回:
添加了values的新数组

e.g.
1. 不考虑axis

    arr,values都将先展平成一维数组,然后沿着axis=0的方向在arr后添加values

import numpy as npa = [1, 2, 3]
b = [4, 5]
c = [[6, 7], [8, 9]]
print(np.append(a, b))
print(np.append(a, c))


输出结果如下:

[1 2 3 4 5]
[1 2 3 6 7 8 9]


2. 考虑axis,arr,values同为一维数组或两者shape相同

import numpy as npa = [1, 2, 3]
b = [4, 5]
c = [[6, 7], [8, 9]]
d = [[10, 11], [12, 13]]
print('在一维数组a后添加values,结果如下:\n{}'.format(np.append(a, b, axis=0)))
print('沿二维数组c的行增长方向添加values结果如下:\n{}'.format(np.append(c, d, axis=0)))
print('沿二维数组c的列增长方向添加values结果如下:\n{}'.format(np.append(c, d, axis=1)))


结果如下:

在一维数组a后添加values,结果如下:

[1 2 3 4 5]


沿二维数组c的行增长方向添加values结果如下:

[[ 6  7][ 8  9][10 11][12 13]]


沿二维数组c的列增长方向添加values结果如下:

[[ 6  7 10 11][ 8  9 12 13]]


3. 考虑axis,如果arr和values不同为一维数组且shape不同,则报错:

import numpy as npa = [1, 2, 3]
c = [[6, 7], [8, 9]]
print(np.append(a, c, axis=0))


输出结果如下:

Traceback (most recent call last):File "F:\eclipse-workspace\test\t1.py", line 4, in <module>print(np.append(a,c,axis=0))File "E:\anaconda\anzhuang\lib\site-packages\numpy\lib\function_base.py", line 4694, in appendreturn concatenate((arr, values), axis=axis)
ValueError: all the input arrays must have same number of dimensions

np.empty()

依据给定形状和类型(shape,[dtype, order])返回一个新的空数组
官方解释:


np.empty()返回一个随机元素的矩阵,所以使用的时候要小心。需要手工把每一个值重新定义,否则该值是接近零的随机数。

gauss = np.empty((5, 64, 64), dtype=np.float64)
print(gauss)

结果: 

[[[7.18634390e-312 7.19311879e-312 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000][0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000][0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000]...[0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000][0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000][0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000]][[0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000][0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000][0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000]...[0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000][0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000][0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000]][[0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000][0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000][0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000]...[0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000][0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000][0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000]][[0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000][0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000][0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000]...[0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000][0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000][0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000]][[0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000][0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000][0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000]...[0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000][0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000][0.00000000e+000 0.00000000e+000 0.00000000e+000 ... 0.00000000e+0000.00000000e+000 0.00000000e+000]]]

numpy.array()使用说明:object是必须输入的参数,其余为可选参数。

import numpy as np
np.array(object,dtype,copy=True,order,ndmin,subok=Fasle)
#	object: 一个数组序列,例如[1,2,3,4]
#	dtype: 更改数组内的数据类型
#	copy: 数据源是ndarray时数组能否被复制,default=True
#	order: 选择数组的内存布局,C(行序列)|F(列序列)|A(默认)
#	ndmin: 数组维度
#	subok: bool类型,True,使用object的内部数据类型;False,使用object的数组的数据类型,default=Fasle

创建存储元素类型不同的数组:

#int型
import numpy as np
a=np.array([1,2,3,4],dtype=int)	#"dtype="可省略
print(a)
a.dtype
'''
输出:
[1 2 3 4]
dtype('int32')
'''#float型
b=np.array([1,2,3,4],dtype=float)
print(b)
b.dtype
'''
输出:
[1. 2. 3. 4.]
dtype('float64')
'''

创建生成器:

a=np.array([i*10 for i in range(10)])
print(a)
b=np.array([i+2 for i in range(10)])
print(b)
'''
输出:
[ 0 10 20 30 40 50 60 70 80 90]
[ 2  3  4  5  6  7  8  9 10 11]
'''

当输入的object元素有不同类型时,将保留存储空间最大的类型:

x1=np.array([1,2,3,4,5.1])
print(x1)
x2=np.array([1,2,3,'a'])
print(x2)
x3=np.array([1,2.1,'a'])
print(x3)
'''
输出:
[1.  2.  3.  4.  5.1]
['1' '2' '3' 'a']
['1' '2.1' 'a']
'''

当多维数组元素个数不一致时:

x=np.array([[1,2,3],[1,2,3,4],[1,2,3,4,5]],dtype=object) 	#存储长度不一致序列时,应有“dtype=object”,否则会报错
print(x)
print(x.shape)
print(x.ndim)	#输出数组的维度,2Darray强制转换成1Darray
'''
输出:
[list([1, 2, 3]) list([1, 2, 3, 4]) list([1, 2, 3, 4, 5])]
(3,)
1
'''

float强制转化int(向下取整):

a=np.array([1,2,3.1],int)
b=np.array([1,2,3.7],int)
print(a)
print(b)
'''
输出:
[1 2 3]
[1 2 3]
'''

用copy参数定义是否创建副本:

#默认copy=True情况下,复制创建x1的副本为x2
x1=np.array([1,2,3])
x2=np.array(x1)
print('x1 ',id(x1),'x2',id(x2))
#更改x2的值,x1的值不会发生改变,反之,修改x1的值,x2也不会发生改变,因为二者地址不同
x2[2]=100
print('x1',x1)
print('x2',x2)
'''
输出:
x1  2055556179312 x2 2055300844976   x1 x2地址不同
x1 [1 2 3]
x2 [  1   2 100]
'''#copy=Fasle情况下,复制创建x1的副本为x2
x1=np.array([1,2,3])
x2=np.array(x1,copy=False) 
print('x1 ',id(x1),'x2',id(x2))
#更改x2的值,x1的值会发生改变,且x1永远等于x2,因为二者地址相同
x2[2]=100
print('x1',x1)
print('x2',x2)
'''
输出:
x1  2055300125584 x2 2055300125584   x1 x2地址相同
x1 [  1   2 100]
x2 [  1   2 100]
'''#另一种创建副本方法:copy() 这种方法更常用
x1=np.array([1,2,3])
x2=x1.copy()
print('x1 ',id(x1),'x2',id(x2))
#更改x2的值,x1的值不会发生改变
x2[2]=100
print('x1',x1)
print('x2',x2)
'''
输出:
x1  2055556233040 x2 2055556062160
x1 [1 2 3]
x2 [  1   2 100]
'''

ps:如果直接用 x2=x1 的形式复制array,此时x1 x2 共用同一个地址

用ndmin改变数组维度(升维有效,降维无效):

a=np.array([1,2,3,4],ndmin=2)
print('a ',a)
b=np.array([[1,2],[1,2]],ndmin=3)
print('b ',b)
#2D降维成1D,但输出结果仍为2D
c=np.array([[1,2],[1,2]],ndmin=1)
print('c ',c)
'''
输出:
a  [[1 2 3 4]]
b  [[[1 2][1 2]]]
c  [[1 2][1 2]]
'''

用subok参数(bool值)确定数据类型:

x1=np.mat([1,2,3])
a1=np.array(x1) #存储为原类型
b1=np.array(x1,subok=True)  #存储为数组类型
print('x1 ',type(x1),'a1 ',type(a1),'b1 ',type(b1))#原始格式为list,无论subok为何值都转换成数组类型
x2=[[1,2],[1,2],[1]]
a2=np.array(x2,dtype=object) #存储为原类型
b2=np.array(x2,dtype=object,subok=True)  #存储为数组类型
print('x2 ',type(x2),'a2 ',type(a2),'b2 ',type(b2))
'''
输出:
x1  <class 'numpy.matrix'> a1  <class 'numpy.ndarray'> b1  <class 'numpy.matrix'>
x2  <class 'list'> a2  <class 'numpy.ndarray'> b2  <class 'numpy.ndarray'>
'''

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/629543.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Docker-数据卷网络

docker数据卷 docker volume ls #查看有哪些数据卷 docker volume inspect mysql-db #查看具体数据卷的元信息 docker container run -d --name mysql1 -e MYSQL_ALLOW_EMPTY_PASSWORDTrue -v mysql-db:/var/lib/mysql mysql #会在docker 的卷下面新建一个mysqldb用于数据持久…

架构篇02-架构设计的历史背景

文章目录 机器语言&#xff08;1940 年之前&#xff09;汇编语言&#xff08;20 世纪 40 年代&#xff09;高级语言&#xff08;20 世纪 50 年代&#xff09;第一次软件危机与结构化程序设计&#xff08;20 世纪 60 年代~20 世纪 70 年代&#xff09;第二次软件危机与面向对象&…

使用Python+pygame实现贪吃蛇小游戏

使用Pythonpygame贪吃蛇小游戏 使用第三方库pygame&#xff0c;关于Python中pygame游戏模块的安装使用可见 https://blog.csdn.net/cnds123/article/details/119514520 给出两种实现。 第一种 运行效果如下&#xff1a; 游戏源码如下&#xff1a; import pygame import sy…

STM32——IIC知识总结及实战

1 IIC概念及结构体 IIC&#xff1a;Inter Integrated Circuit&#xff0c;集成电路总线&#xff0c;是一种同步 串行 半双工通信总线。 结构图 2 IIC协议时序 ① 起始信号 当 SCL 为高电平期间&#xff0c;SDA 由高到低的跳变。起始信号是一种电平跳变时序信号&#xff0c;而…

python输出运行设备进程信息

要获取运行设备的进程信息&#xff0c;你可以使用Python的psutil库。这个库提供了一种简单的方式来获取系统使用情况&#xff0c;包括进程信息。 首先&#xff0c;你需要安装psutil库。如果你还没有安装&#xff0c;可以使用pip来安装&#xff1a; bash pip install psutil 然…

Shiro + JWT + Spring Boot Restful 简易教程

Shiro JWT Spring Boot Restful 简易教程 GitHub 项目地址&#xff1a;github.com/Smith-Cruis… 。 原文地址&#xff1a;www.inlighting.org/archives/sp…。 序言 我也是半路出家的人&#xff0c;如果大家有什么好的意见或批评&#xff0c;请务必 issue 下。 如果想要…

【EI会议征稿通知】2024年第三届能源互联网及能源交互技术国际会议(EIEIT 2024)

2024年第三届能源互联网及能源交互技术国际会议(EIEIT 2024) 2024 3rd International Conference on the Energy Internet and Energy Interactive Technology 随着EIEIT前2届的成功举办&#xff0c;我们很荣幸地宣布&#xff0c;2024年第三届能源互联网及能源交互技术国际学术…

通过Vscode 简单创建一个vue3+element的项目

首先确保安装的nodejs是18版本以上 确保你安装了最新版本的 Node.js&#xff0c;并且你的当前工作目录正是打算创建项目的目录。在命令行中运行以下命令 VSCode打开终端 输入构建项目命令&#xff0c;个人推荐如果有cnpm使用cnpm npm create vuelatest cnpm create vuelate…

YOLOv5改进 | 检测头篇 | ASFFHead自适应空间特征融合检测头(全网首发)

一、本文介绍 本文给大家带来的改进机制是利用ASFF改进YOLOv5的检测头形成新的检测头Detect_ASFF,其主要创新是引入了一种自适应的空间特征融合方式,有效地过滤掉冲突信息,从而增强了尺度不变性。经过我的实验验证,修改后的检测头在所有的检测目标上均有大幅度的涨点效果,…

AI与区块链的完美交融创新时代的双重引擎

每个投资者都梦想早日进入“下一个亚马逊、苹果或比特币”&#xff0c;以追求代际财富。 然而&#xff0c;这些机会很少而且相距甚远&#xff0c;而且正如每一个虔诚的加密货币本地人都知道的那样&#xff0c;这条道路上常常布满了失败的项目、失信的承诺和波动。 但在 2023 …

uniapp 移动端app判断用户app版本是否是最新版(Android)

1.在uniapp项目中的App.vue文件下 <script>import { ref } from vue;const token ref();export default {onLaunch: function() {// #ifdef APP//获取打包时设置的版本号&#xff0c;然后存到storage里plus.runtime.getProperty(plus.runtime.appid, (wgtinfo) > {u…

用Python做数据分析之生成数据表

第一部分是生成数据表&#xff0c;常见的生成方法有两种&#xff0c;第一种是导入外部数据&#xff0c;第二种是直接写入数据。 Excel 中的文件菜单中提供了**外部数据的功能&#xff0c;支持数据库和文本文件和页面的多种数据源导入。 获取外部数据 python支持从多种类型的数…

mybtis动态SQL注解 脚本动态SQL\方法中构建SQL\SQL语句构造器

mybtis动态SQL注解 动态SQL注解脚本动态SQL方法中构建SQLSQL语句构造器 动态SQL注解 分类&#xff1a; 脚本动态SQL&#xff1a;XML配置方式的动态SQL&#xff0c;是用<script>的方式把它照搬过来&#xff0c;用注解来实现。适用于xml配置转换到注解配置方法中构建SQL&…

Hive数据导出的四种方法

hive数据仓库有多种数据导出方法&#xff0c;我在本篇文章中介绍下面的四种方法供大家参考&#xff1a;Insert语句导出、Hadoop命令导出、Hive shell命令导出、Export语句导出。 一、Insert语句导出 语法格式 Hive支持将select查询的结果导出成文件存放在文件系统中。语法格…

flink1.15 维表join guava cache和mysql方面优化

优化前 mysql响应慢,导致算子中数据输出追不上输入,导致显示cpu busy:100% 优化后效果两个图对应两个时刻: - - -- 优化前 select l.id,JSON_EXTRACT(r.msg,$$.key1) as msgv (select id,uid from tb1 l where id?) join (select uid,msg from tb2) r on l.uidr.uid;-- 优化…

STM32+HAL库驱动ADXL345传感器(SPI协议)

STM32HAL库驱动ADXL345传感器&#xff08;SPI协议&#xff09; ADXL345传感器简介实物STM32CubeMX配置SPI配置片选引脚配置串口配置 特别注意&#xff08;重点部分&#xff09;核心代码效果展示 ADXL345传感器简介 ADXL345 是 ADI 公司推出的基于 iMEMS 技术的 3 轴、数字输出加…

Flink(十三)【Flink SQL(上)】

前言 最近在假期实训&#xff0c;但是实在水的不行&#xff0c;三天要学完SSM&#xff0c;实在一言难尽&#xff0c;浪费那时间干什么呢。SSM 之前学了一半&#xff0c;等后面忙完了&#xff0c;再去好好重学一遍&#xff0c;毕竟这玩意真是面试必会的东西。 今天开始学习 Flin…

前端常见面试题之ajax、http

文章目录 一、手写ajax请求1. get2. post3. xhr.readyState4. xhr.status5. xhr.open 二、跨域三、cookie、localStorage和sessionStorage四、http1. http常见的状态码有哪些2. http常见的header有哪些3. 什么是RestfulAPI4. 描述一下http的缓存机制5. https 一、手写ajax请求 …

专业140+总410+哈尔滨工业大学803信号与系统和数字逻辑电路考研经验哈工大电子信息(信息与通信工程-信通)

一年的努力付出终于有了收获&#xff0c;今年专业课140&#xff0c;总分410顺利上岸哈工大803电子信息&#xff08;信息与通信-信通&#xff09;&#xff0c;回顾总结了自己这一年的复习&#xff0c;有得有失&#xff0c;希望对大家复习有所帮助。 数学 时间安排&#xff1a;…

Spring Boot中实现订单30分钟自动取消的策略

Spring Boot中实现订单30分钟自动取消的策略 简介 在电商和其他涉及到在线支付的应用中&#xff0c;通常需要实现一个功能&#xff1a;如果用户在生成订单后的一定时间内未完成支付&#xff0c;系统将自动取消该订单。本文将详细介绍基于Spring Boot框架实现订单30分钟内未支…