分类：NumPy

2021
06-09

Python基础之Numpy的基本用法详解

一、数据生成1.1手写数组a=np.array([1,2,3,4,5,6,7,8,9,10,11])#一维数组b=np.array([[1,2],[3,4]])#二维数组1.2序列数组numpy.arange(start,stop,step,dtype)，start默认0，step默认1c=np.arange(0,10,1,dtype=int)#=np.arange(10)[0123456789]d=np.array([np.arange(1,3),np.arange(4,6)])#二维数组#不过为了避免麻烦，通常序列二维数组都是通过reshape进行重新组织dd=... 继续阅读 >
2021
06-04

Python基础之numpy库的使用

numpy库概述numpy库处理的最基础数据类型是由同种元素构成的多维数组，简称为“数组”数组的特点：数组中所有元素的类型必须相同数组中元素可以用整数索引序号从0开始ndarray类型的维度叫做轴，轴的个数叫做秩numpy库的解析由于numpy库中函数较多而且容易与常用命名混淆，建议采用如下方法引用numpy库importnumpyasnpnumpy库中常用的创建数组函数函数描述... 继续阅读 >
2021
05-26

Python利用numpy实现三层神经网络的示例代码

Python利用numpy实现三层神经网络的示例代码 本文主要介绍了Python利用numpy实现三层神经网络的示例代码，分享给大家，具体如下：其实神经网络很好实现，稍微有点基础的基本都可以实现出来.主要都是利用上面这个公式来做的。这是神经网络的整体框架，一共是三层，分为输入层，隐藏层，输出层。现在我们先来讲解下从输出层到到第一个隐藏层。使用的编译器是jupyternotebookimportnumpyasnp#定义X，W1，B1X=np.array([1.0,0.5])w1=np.array([[0.1,0.3,0.5],[0.2,0.4... 继续阅读 >
2021
05-23

numpy数据类型dtype转换实现

这篇文章我们玩玩numpy的数值数据类型转换导入numpy>>>importnumpyasnp一、随便玩玩生成一个浮点数组>>>a=np.random.random(4)看看信息>>>aarray([0.0945377,0.52199916,0.62490646,0.21260126])>>>a.dtypedtype('float64')>>>a.shape(4,)改变dtype，发现数组长度翻倍！>>>a.dtype='float32'>>>aarray([3.65532693e+20,1.43907535e+00,-3.31994873e-25,1.75549972e+00,-2.75686653e+14,... 继续阅读 >
2021
05-20

python numpy中setdiff1d的用法说明

python numpy中setdiff1d的用法说明 一、函数解释setdiff1d(ar1,ar2,assume_unique=False)1.功能：找到2个数组中集合元素的差异。2.返回值：在ar1中但不在ar2中的已排序的唯一值。3.参数：ar1：array_like输入数组。ar2：array_like输入比较数组。assume_unique：bool。如果为True，则假定输入数组是唯一的，即可以加快计算速度。默认值为False。二、具体示例1.assume_unique=False的情况：a=np.array([1,2,3])b=np.array([4,5,6])c=np.setd... 继续阅读 >
2021
05-02

Python Numpy之linspace用法说明

Python Numpy之linspace用法说明 linspace生成有序列表，重点在数据范围与数据个数上linspace(0,1,11)，即从0到1闭区间，划分为11个数据点>>>importnumpyasnp>>>a=np.linspace(0,1,10)>>>aarray([0.,0.11111111,0.22222222,0.33333333,0.44444444,0.55555556,0.66666667,0.77777778,0.88888889,1.])>>>a=np.linspace(0,1,11)>>>aarray([0.,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.])补充：Pythonnumpy函... 继续阅读 >
2021
05-02

解决numpy数组互换两行及赋值的问题

看代码吧~importnumpyasnpa=np.array([[1,1,1],[2,2,2],[3,3,3],[4,4,4]])tmp=a[1]a[1]=a[2]a[2]=tmptmp只是a[1]的另一个名字，它并不是将a[1]复制了之后，就与a[1]无关，或许可理解为一种引用。所以这段代码的效果并不能如愿互换原始a数组的第2行和第三行，而是会将2，3行都变成原来的第三行[3,3,3],像这样：array([[1,1,1],[3,3,3],[3,3,3],[4,4,4]])那么如果想互换两行，应该怎么操... 继续阅读 >
2021
04-07

python使用NumPy文件的读写操作

一、使用NumPy读写文本文件在数据分析中，经常需要从文件中读取数据或将数据写入文件，常用的存储文件的格式有文本文件、CSV格式文件、二进制格式文件和多维数据文件等。1.将1维或2维数组写入TXT文件或CSV格式文件在NumPy中，使用savetxt()函数可以将1维或2维数组写入后缀名为txt或csv的文件.函数格式为：**numpy.savetxt(fname,array,fmt='%.18e',delimiter=None,newline='\n',header='',footer='',comments='#',encoding=N... 继续阅读 >
2021
03-23

详解Numpy扩充矩阵维度(np.expand_dims, np.newaxis)和删除维度(np.squeeze)的方法

在操作矩阵的时候，不同的接口对于矩阵的输入维度要求不同，输入可能为1-D，2-D，3-D等等。下面介绍一下使用Numpy进行矩阵维度变更的相关方法。主要包括以下几种：1、np.newaxis扩充矩阵维度2、np.expand_dims扩充矩阵维度3、np.squeeze删除矩阵中维度大小为1的维度np.newaxis，np.expand_dims扩充矩阵维度：importnumpyasnpx=np.arange(8).reshape(2,4)print(x.shape)#添加第0维,输出shape->(1,2,4)x1=x[np.newaxi... 继续阅读 >
2021
03-23

Numpy中的shape函数的用法详解

shape函数的功能是读取矩阵的长度，比如shape[0]就是读取矩阵第一维度的长度,相当于行数。它的输入参数可以是一个整数表示维度，也可以是一个矩阵。shape函数返回的是一个元组，表示数组（矩阵）的维度，例子如下：1.数组（矩阵）只有一个维度时，shape只有shape[0]，返回的是该一维数组（矩阵）中元素的个数，通俗点说就是返回列数，因为一维数组只有一行，一维情况中array创建的可以看做list（或一维数组），创建时用（）和[]... 继续阅读 >
2021
03-23

Numpy实现矩阵运算及线性代数应用

Numpy实现矩阵运算及线性代数应用 一、创建矩阵的方法importnumpyasnp#1直接创建mat=np.mat("123;456;789")print(mat)#2使用numpy数组创建矩阵mat2=np.mat(np.arange(1,10).reshape(3,3))print(mat2)#3从已有的矩阵中通过bmat函数创建A=np.eye(2)B=A*2mat3=np.bmat("AB;BA")print(mat3)#类似于拼接二、矩阵运算 2.1随机函数表随机函数1 随机函数2*2.2部分实例mat1=np.mat(np.array([2,6,5]))mat2=np.mat(np.array([2,6,5]))2.2.1加法—np... 继续阅读 >
2021
03-23

numpy数组合并和矩阵拼接的实现

Numpy中提供了concatenate,append,stack类(包括hsatck、vstack、dstack、row_stack、column_stack),r_和c_等类和函数用于数组拼接的操作。各种函数的特点和区别如下标：concatenate提供了axis参数，用于指定拼接方向append默认先ravel再拼接成一维数组，也可指定axisstack提供了axis参数，用于生成新的维度hstack水平拼接，沿着行的方向，对... 继续阅读 >
2021
03-23

numpy和tensorflow中的各种乘法(点乘和矩阵乘)

numpy和tensorflow中的各种乘法(点乘和矩阵乘) 点乘和矩阵乘的区别： 1)点乘(即“*”)----各个矩阵对应元素做乘法若w为 m*1 的矩阵，x为 m*n 的矩阵，那么通过点乘结果就会得到一个 m*n 的矩阵。若w为 m*n 的矩阵，x为 m*n 的矩阵，那么通过点乘结果就会得到一个 m*n 的矩阵。w的列数只能为 1 或 与x的列数相等(即n)，w的行数与x的行数相等 才能进行乘法运算。2)矩阵乘----... 继续阅读 >
2021
03-22

NumPy 矩阵乘法的实现示例

NumPy支持的几类矩阵乘法也很重要。元素级乘法你已看过了一些元素级乘法。你可以使用multiply函数或*运算符来实现。回顾一下，它看起来是这样的：m=np.array([[1,2,3],[4,5,6]])m#显示以下结果：#array([[1,2,3],#[4,5,6]])n=m*0.25n#显示以下结果：#array([[0.25,0.5,0.75],#[1.,1.25,1.5]])m*n#显示以下结果：#array([[0.25,1.,2.25],#[4.,6.25,9.]])np.multiply(m,n)#相当于... 继续阅读 >
2021
03-16

python 将numpy维度不同的数组相加相乘操作

python 将numpy维度不同的数组相加相乘操作 第一种np矩阵可以直接与标量运算>>>importnumpyasnp>>>arr1=np.arange(12).reshape([2,2,3])>>>arr1array([[[0,1,2],[3,4,5]],[[6,7,8],[9,10,11]]])>>>arr1*5array([[[0,5,10],[15,20,25]],[[30,35,40],[45,50,55]]])>>>arr1-5array([[[-5,-4,-3],[-2,-1,0]],[[1,2,3],[4,5,6]]])>>>arr1**2array([[[0,1,4],[9,16,25]],[[36,49,64],[81,100,121]]])第二... 继续阅读 >