人工智能研究生前置知识—科学计算库numpy

人工智能研究生前置知识—科学计算库numpy

numpy是python中做科学计算的基础库,对数组进行操作
整个numpy的操作和使用比较简单因此可以通过案例的学习掌握基本的用法在之后的学习中不断的进行熟悉和补充

创建数组(矩阵 )

创建的ndarray数组与python中的列表有格式上的相似之处。所有创建的数据类型都是ndarray类型

import numpy as npt1 = np.array([1,2,3])
print(t1)
print(type(t1))

运行结果

[1 2 3]
<class ‘numpy.ndarray’>

创建顺序数组的方式二

#创建方式二:生成顺序数组
t2 = np.array(range(6))
#等价形式
t3 = np.arange(6)print(t2)
print(t3)

运行结果

[0 1 2 3 4 5]
[0 1 2 3 4 5]

创建方式三:设置起始位置与步长的创建方式

t4 = np.arange(4,10,2)
print(t4)
[4 6 8]

补充:查看当前数组中存放的数据类型可以使用.dtype的类型来进行获取和实现。对于数据类型可以参考numpy中常见的数据类型。

print(t4.dtype)
t5 = np.array(['aaa',12,5.2])
print(t5)
print(t5.dtype)

运行结果:
int32
[‘aaa’ ‘12’ ‘5.2’]
<U32

创建方式四:上面了解了numpy中存储数据常见的数据类型,由此可以引出第四种创建方式。在创建时引入指定的数据类型

t6 = np.arange(4,dtype=float)
print(t6)
print(t6.dtype)[0. 1. 2. 3.]
float64

补充调整数据类型的操作

#调整数据类型的操作
t7 = t6.astype("int8")
print(t7)
[0 1 2 3]

创建方式五:通过列表生成式随机生成十个小数

#列表生成式
t8 = np.array([random.random() for i in range(10)])
print(t8)
print(t8.dtype)[0.29322004 0.66179523 0.49565288 0.91203122 0.36098369 0.390472660.67372706 0.28380916 0.08134317 0.96597784]
float64

补充:numpy中的去指定位数的小数的操作步骤(固定小数的位数)

t9 = np.round(t8,2)
print(t9)
[0.95 0.03 0.31 0.06 0.18 0.19 0.47 0.71 0.28 0.11]

数组的形状

查看数组的形状可以使用shape来调用,而修改数组的形状可以通过reshape来进行调用

创建一个二维数组每个数组中含有6个元素的数据

import numpy as npa = np.array([[3,4,5,6,7,8],[4,5,6,7,8,9]])
print(a)
print(a.shape)# 修改数组的形状并进行输出
print(a.reshape(3,4))
print(a.shape)
print(a)

[[3 4 5 6 7 8]
[4 5 6 7 8 9]]
(2, 6)
[[3 4 5 6]
[7 8 4 5]
[6 7 8 9]]
(2, 6)
[[3 4 5 6 7 8]
[4 5 6 7 8 9]]

问题思考:为什么a还是2行6列的数组格式呢?:原因reshape函数的操作是原地操作只对数组本身进行修改而没有返回值存在

对于shape的输出是一个元祖,二维数据中含有两个数值,三维数组中含有三个数值来进行表示以此类推。(通常将高维数组降为低维数组进行计算)

t5 = np.arange(24).reshape(2,3,4)
print(t5)[[[ 0  1  2  3][ 4  5  6  7][ 8  9 10 11]][[12 13 14 15][16 17 18 19][20 21 22 23]]]
# 降维操作
t6 = t5.reshape(4,6)
print(t6)t7 = t5.reshape(24,)
print(t7)[[ 0  1  2  3  4  5][ 6  7  8  9 10 11][12 13 14 15 16 17][18 19 20 21 22 23]]
[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]

将高维数组降为低维数组可以使用numpy中内置的方法flatten将其展平为一维数组

# 一维数组展平
t8 = t7.flatten()
print(t8)

数组的计算

数组和数值进行计算

计算规则:数组中的每一个元素都加上该数值来进行计算(应用到数组中的每一个数字)也称为广播机制,同时可以应用减法,乘法,除法等相关运算

print(t6)
print(t6+2)[[ 0  1  2  3  4  5][ 6  7  8  9 10 11][12 13 14 15 16 17][18 19 20 21 22 23]]
[[ 2  3  4  5  6  7][ 8  9 10 11 12 13][14 15 16 17 18 19][20 21 22 23 24 25]]

补充特殊的运算方式除0进行运算

[[nan inf inf inf inf inf]
[inf inf inf inf inf inf]
[inf inf inf inf inf inf]
[inf inf inf inf inf inf]] inf:无穷 nan:不是数值

同维数数组进行计算

计算规则:满足矩阵之间的运算规则:相同对应位置的元素之间进行相加的运算操作(同理加法乘法除法相同)。

b1 = np.arange(100,124).reshape(4,6)
print(t6)
print(b1)
print(b1+t6)[[ 0  1  2  3  4  5][ 6  7  8  9 10 11][12 13 14 15 16 17][18 19 20 21 22 23]]
[[100 101 102 103 104 105][106 107 108 109 110 111][112 113 114 115 116 117][118 119 120 121 122 123]]
[[100 102 104 106 108 110][112 114 116 118 120 122][124 126 128 130 132 134][136 138 140 142 144 146]]

不同维数的数组之间进行计算

使用二维数组与一维数组进行计算:采用的计算规则是高维数组中的每个低维元素与低维数组进行运算举例说明

print(t6)
b2 = np.arange(0,6)
print(b2)
print(t6-b2)
# 类似于取反的操作
print(b2-t6)[[ 0  1  2  3  4  5][ 6  7  8  9 10 11][12 13 14 15 16 17][18 19 20 21 22 23]]
[0 1 2 3 4 5]
[[ 0  0  0  0  0  0][ 6  6  6  6  6  6][12 12 12 12 12 12][18 18 18 18 18 18]]
[[  0   0   0   0   0   0][ -6  -6  -6  -6  -6  -6][-12 -12 -12 -12 -12 -12][-18 -18 -18 -18 -18 -18]]

在判断满足计算条件时至少需要有一个维度满足相同的条件,否则会报错,在之后的练习使用中可以尝试3维数组与2维数组的计算等

numpy读取本地数据

轴的概念

在numpy中轴可以理解为方向,使用数字0,1,2来进行表示,对于一维数组只有一个0轴,对于2维数组(shape(2,2))有0轴和1轴,同理对于三维数组(shape(2,2,3))有0轴1轴2轴

有了轴的概念之后,计算一个二维数组的平均值必须指定在那一个方向

读取csv数据简单了解

numpy索引

  • 去numpy中的指定位置的元素(1维,2维)

一维数组的索引和切片操作

#numpy的索引与切片操作
import numpy as np
a = np.arange(3,15)
print(a)
print(a[4])
print(a[:])[ 3  4  5  6  7  8  9 10 11 12 13 14]
7
[ 3  4  5  6  7  8  9 10 11 12 13 14]

二维数组的索引和切片操作

b= np.arange(1,13).reshape(3,4)
print(b)
# 情况一选中一行元素
print(b[1])
# 等价形式
print(b[1,:])
#情况二选中一个元素
print(b[1][2])
# 等价形式
print(b[1,2])
# 选中一列元素
print(b[:,1])[[ 1  2  3  4][ 5  6  7  8][ 9 10 11 12]]
[5 6 7 8]
[5 6 7 8]
7
7
[ 2  6 10]
[5 6 7 8]

数组的转置与迭代

# 矩阵或数组的转置
print(b.T)
# 遍历与迭代(按列进行迭代)
for col in b.T:print(col)
#按行进行迭代
for rol in b:print(rol)
结果:
[[ 1  5  9][ 2  6 10][ 3  7 11][ 4  8 12]]
[1 5 9]
[ 2  6 10]
[ 3  7 11]
[ 4  8 12]
[1 2 3 4]
[5 6 7 8]
[ 9 10 11 12]

numpy的数组合并

  • 一维数组的垂直合并(vertical stack)
# array数组的合并
import numpy as np
a = np.array([1,1,1])
b= np.array([2,2,2])
print(np.vstack((a,b)))
# 测试合并之后变为二维数组
print(np.vstack((a,b)).shape)[[1 1 1][2 2 2]]
(2, 3)

要确保满足格式的条件下进行合并操作

  • 一维数组的水平合并(左右合并 horizontal stack)
print(np.hstack((a,b)))
print(np.hstack((a,b)).shape)[1 1 1 2 2 2]
(6,)
  • 向量的转置操作
# 向量进行转置可以在转置之后进行合并
print('===========')
c = a[:,np.newaxis]
print(c)
print(c.shape)
d = a[np.newaxis,:]
print(d)
print(d.shape)===========
[[1][1][1]]
(3, 1)
[[1 1 1]]
(1, 3)
(3,)

numpy数组的分割

若进行横向分割axis = 0 进行纵向分割是axis = 1

等量分割

import numpy as np
a = np.arange(12).reshape((3,4))
print(a)
print(np.split(a,3,axis=0))
print(np.split(a,4,axis=1))[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]
[array([[0],[4],[8]]), array([[1],[5],[9]]), array([[ 2],[ 6],[10]]), array([[ 3],[ 7],[11]])]

不等量分割

print(np.array_split(a,3,axis=1))
print(np.array_split(a,6,axis=0))

不等量分割的结果

[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2],
[ 6],
[10]]), array([[ 3],
[ 7],
[11]])]
[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]]), array([], shape=(0, 4), dtype=int32), array([], shape=(0, 4), dtype=int32), array([], shape=(0, 4), dtype=int32)]

对应的简单等价形式

# 等价分割的形式
print('==============')
print(np.vsplit(a,3))
print(np.hsplit(a,4))
print(np.hsplit(a,2))==============
[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8,  9, 10, 11]])]
[array([[0],[4],[8]]), array([[1],[5],[9]]), array([[ 2],[ 6],[10]]), array([[ 3],[ 7],[11]])]
[array([[0, 1],[4, 5],[8, 9]]), array([[ 2,  3],[ 6,  7],[10, 11]])]

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/815075.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

使用cmake进行打包,包含可执行程序和动态依赖库

平常代码开发中&#xff0c;有时候需要将写的程序打包成压缩包放到目标设备上进行运行测试。用CMake管理工程&#xff0c;实现使用make -jnproc package指令可以将工程进行打包&#xff0c;可执行文件存储在bin文件夹中&#xff0c;依赖库存储在lib文件夹中。 示例 1.工程目录结…

谷歌翻译接口-国内使用在线翻译API

对于翻译要求比较高的同学都知道Google翻译比现有市面上的翻译软件优势在哪里。下面来浅浅介绍一下其优点&#xff1a; 1、支持超过100种不同语言之间的互译&#xff0c;覆盖了全球主要语言。 2、基于机器学习技术&#xff0c;可根据用户大量的翻译数据不断优化和提升翻译的准确…

算法打卡day41|动态规划篇09| Leetcode198.打家劫舍、213.打家劫舍II、337.打家劫舍 III

算法题 Leetcode 198.打家劫舍 题目链接:198.打家劫舍 大佬视频讲解&#xff1a;198.打家劫舍视频讲解 个人思路 偷还是不偷&#xff0c;这取决于前一个和前两个房是否被偷了&#xff0c;这种存在依赖关系的题目可以用动态规划解决。 解法 动态规划 动规五部曲&#xff1…

B端系统:控制台图表的十大常见类型,附精美案例

大家伙&#xff0c;我是大千UI工场&#xff0c;专注UI分享和项目接单&#xff0c;本期带来控制台图表的常见类型&#xff0c;欢迎大家关注、互动交流。 B端系统控制台的图表类型有很多种&#xff0c;常见的包括&#xff1a; 折线图&#xff1a;用于显示随时间变化的数据趋势&a…

Spring Boot 学习(3)——Spring Initializr 创建项目问题解决

产生问题的原因&#xff0c;各种的版本都较老&#xff0c;所以导致出现问题。目前暂未打到合适的教程&#xff0c;按老教程学起来先。 小白瞎学&#xff0c;大神勿喷&#xff01; 再次强调环境&#xff1a;maven 3.3.9、jdk 1.8、idea 2017、Spring 4.3.13、Spring Boot 1.5.…

【动态规划 区间dp 位运算】100259. 划分数组得到最小的值之和

本文涉及知识点 动态规划 区间dp 位运算 LeetCode100259. 划分数组得到最小的值之和 给你两个数组 nums 和 andValues&#xff0c;长度分别为 n 和 m。 数组的 值 等于该数组的 最后一个 元素。 你需要将 nums 划分为 m 个 不相交的连续 子数组&#xff0c;对于第 ith 个子数…

设计者模式之中介者模式(下)

3&#xff09;中介者与同事类的扩展 1.结构图 新增了具体同事类Label和具体中介者类SubConcreteMediator。 2.代码实现 //文本标签类&#xff1a;具体同事类 public class Label extends Component {public void update() {System.out.println("文本标签内容改变&#…

【蓝桥杯-牛客冲刺题单】

蓝桥杯-牛客冲刺题单 前言&#xff1a;牛牛的早八光速签到牛牛的身高A加B,A模B四舍五入小红的环形字符串牛牛的说谎机器传送阵优美的序列小d和超级泡泡堂qsgg and Subarray结语 前言&#xff1a; 蓝桥杯前一天除了看看模板和做过的题&#xff0c;也可以限时做一下中等偏下的题…

linux中screen命令及Tmux的使用

linux中screen命令及Tmux的使用.md Screen使用一、大概使用的过程示例 Tmux使用安装基本用法会话管理窗口管理 Screen使用 本文内容摘自原文https://blog.csdn.net/weixin_43570155/article/details/121845415 使用 screen 可以帮助你在后台运行程序并保持持久性。下面是一些…

鉴权设计(一)———— 登录验证

1、概述 网站系统出于安全性的考虑会对用户进行两个层面的校验&#xff1a;身份认证以及权限认证。这两个认证可以保证只有特定的用户才能访问特定的数据的需求。 本文先实现一个基于jwt拦截器redis注解实现的简单登录验证功能。 2、设计思路 jwt用于签发token。 拦截器用于拦…

南京观海微电子---二极管钳位电路

在选择电阻器和电容器时&#xff0c;您必须注意电容器的放电时间&#xff0c;因为它会保持波形的时间段。它必须比时间段的一半大得多&#xff0c;以便电容器放电缓慢。电解电容器不应用于钳位电路&#xff0c;因为它们的充电和放电速度很慢。放电时间&#xff08;&#xff09;…

容器镜像进阶

Dockerfile 编写注意事项&#xff1a; 选择合适的基础镜像&#xff0c;没必要追求镜像的绝对大小。 alpine镜像不推荐&#xff0c;尤其是编译型业务&#xff0c;因为alpine镜像内置的musl libc库与标准的glibc不一样。 如果就是想使用alpine镜像&#xff0c;推荐多阶段构建&am…

2023-2024年科技行业主要变化趋势梳理与总结

一、主要大额并购案例并购原因 &#xff08;一&#xff09;产品线补充与业务市场拓展&#xff08;如VMware、Activision Blizzard并购案&#xff09; &#xff08;二&#xff09;技术整合&#xff08;如Spunk并购案&#xff09;、 &#xff08;三&#xff09;优化运营以期溢…

分类预测 | Matlab实现PSO-LSSVM粒子群算法优化最小二乘支持向量机数据分类预测

分类预测 | Matlab实现PSO-LSSVM粒子群算法优化最小二乘支持向量机数据分类预测 目录 分类预测 | Matlab实现PSO-LSSVM粒子群算法优化最小二乘支持向量机数据分类预测分类效果基本介绍程序设计参考资料 分类效果 基本介绍 1.Matlab实现PSO-LSSVM粒子群算法优化最小二乘支持向量…

C++ 红黑树模拟实现

&#x1f493;博主CSDN主页:麻辣韭菜&#x1f493;   ⏩专栏分类&#xff1a;C知识分享⏪   &#x1f69a;代码仓库:C高阶&#x1f69a;   &#x1f339;关注我&#x1faf5;带你学习更多C知识   &#x1f51d;&#x1f51d; 前言 前面我们实现了AVL树&#xff0c;发明AVL树…

AI大模型探索之路-实战篇:基于CVP架构-企业级知识库实战落地

目录 前言 一、概述 二、本地知识库需求分析 1. 知识库场景分析 2. 知识库应用特点 3. 知识库核心功能 三、本地知识库架构设计 1. RAG架构分析 2. 大模型方案选型 3. 应用技术架构选型 4. 向量数据库选型 5. 模型选型 三、本地知识库RAG评估 四、本地知识库代码落地 1. 文件…

一文了解LangChain的记忆模块(理论实战+细节)

大多数LLM应用程序都有一个会话接口。会话的一个重要组成部分是能够参考会话早期的信息&#xff08;上文信息&#xff09;。这种存储过去互动信息的能力就称为“记忆&#xff08;Memory&#xff09;”。LangChain提供了许多用于向系统添加Memory的封装。 目前 LangChain 中大多…

OJ 连续数的和 球弹跳高度的计算【C判断是否为完全平方数】【格式输出%g输出全部小数部分】

连续数的和 判断是否为完全平方数有两种方法 1.遍历所有小于该数的整数&#xff0c;有一个满足平方与该数相等&#xff0c;则是完全平方数 2.用sqrt()或pow()函数对该数开方&#xff0c;取整&#xff08;舍去小数部分&#xff09;&#xff0c;再平方&#xff0c;与该数相等则…

C/C++ BM21 旋转数组的最小数字

文章目录 前言题目解决方案一1.1 思路阐述1.2 源码 解决方案二2.1 思路阐述2.2 源码 总结 前言 查找算法的适用条件以及找到题目最核心的诉求是解决问题的关键。 题目 描述 有一个长度为 n 的非降序数组&#xff0c;比如[1,2,3,4,5]&#xff0c;将它进行旋转&#xff0c;即把…

nodejs解析url参数

需要引入 url 模块&#xff1b; var http require(http); var url require(url);http.createServer(function (req, res) {res.writeHead(200, {Content-Type: text/plain});// 解析 url 参数var params url.parse(req.url, true).query;res.write("name: " par…