分类：Numpy

2020
11-29

编译 pycaffe时报错：fatal error: numpy/arrayobject.h没有那个文件或目录

编译pycaffe时报错：fatalerror:numpy/arrayobject.h没有那个文件或目录其实numpy已经是安装的，anaconda2里面有，python中importnumpy也没有问题，但就是在此处报错，解决方法： sudoapt-getinstallpython-numpy然后sudomakepycaffe-j16pycaffe就编译成功了如果还是不行，可以试试：importnumpyasnpnp.get_include()得到：/usr/local/lib/python2.7/dist-packages/numpy/core/include在Makefile.config找到PYTH... 继续阅读 >

2020
11-29

Numpy中np.max的用法及np.maximum区别

Numpy中np.max(即np.amax)的用法>>>importnumpyasnp>>>help(np.max)当遇到一个不认识的函数，我们就需要查看一下帮助文档np.max与np.amax是同名函数amax(a,axis=None,out=None,keepdims=<novalue>,initial=<novalue>,where=<novalue>)Returnthemaximumofanarrayormaximumalonganaxis.寻找矩阵最大和最小的元素axis=0代表行,axis=1代表列若要返回每一列元素的最大值，需要在axis=1方向进行比较，则指... 继续阅读 >

2020
11-19

Python numpy大矩阵运算内存不足如何解决

程序运行，产生如下结果，然后进程终止，导致这一结果的原因很有可能是内存爆炸。当两个较大的(e.g.,10000*10000维）ndarray做运算(加法，or乘法）时，很容易出现这样的结果.解决办法：大多数情况下，这种大矩阵都是稀疏的。尽可能地利用稀疏计算的方式，例如稀疏矩阵，或者只计算非0位置的值。如果都是整数运算，可以设置dtype=int，而非dtype=float,可以省下不少空间。linux系统下，使用top命令，可以很容易地... 继续阅读 >

2020
11-03

Numpy数组的广播机制的实现

前言Numpy数组不需要循环遍历，即可对每个元素执行批量的算术运算操作（矢量化运算）。当两个数组大小（Numpy.shape）不同时，进行算术运算会出现广播机制。数组广播数组在进行矢量化运算的时，要求数组形状时相等的。当形状不等的数组执行算术运算的时候，就会出现广播机制，该机制会对数组进行扩展，使数组的shape属性值一样，就可以进行矢量化运算了。importnumpyasnparr1=np.array([[0],[1],[2],[3]])print(arr1.shape... 继续阅读 >

2020
10-24

Numpy中np.random.rand()和np.random.randn() 用法和区别详解

numpy.random.rand(d0,d1,…,dn)的随机样本位于[0,1)中：本函数可以返回一个或一组服从**“0~1”均匀分布**的随机样本值。numpy.random.randn(d0,d1,…,dn)是从标准正态分布中返回一个或多个样本值。 1.np.random.rand()语法：np.random.rand(d0,d1,d2……dn)注：使用方法与np.random.randn()函数相同作用：通过本函数可以返回一个或一组服从“0~1”均匀分布的随机样本值。随机样本取值范围是[0,1)，不包括1。应用：... 继续阅读 >

2020
10-10

Numpy实现卷积神经网络(CNN)的示例

importnumpyasnpimportsysdefconv_(img,conv_filter):filter_size=conv_filter.shape[1]result=np.zeros((img.shape))#循环遍历图像以应用卷积运算forrinnp.uint16(np.arange(filter_size/2.0,img.shape[0]-filter_size/2.0+1)):forcinnp.uint16(np.arange(filter_size/2.0,img.shape[1]-filter_size/2.0+1)):#卷积的区域curr_region=img[r-np.uint16(np.floor(filter_size/2.0)):r... 继续阅读 >

2020
10-10

Numpy(Pandas)删除全为零的列的方法

在处理numpy数组，有这个需求，故写下此文：使用np.argwhere和np.all来查找索引。要使用np.delete删除它们。示例1importnumpyasnpa=np.array([[1,2,0,3,0],[4,5,0,6,0],[7,8,0,9,0]])idx=np.argwhere(np.all(a[...,:]==0,axis=0))a2=np.delete(a,idx,axis=1)print(a2)"""[[123][456][789]]"""示例2importnumpyasnparray1=np.array([[1,0,1,0,0,0,0,0,0,1,1,0,0,0,1,1,0,1,0... 继续阅读 >

2020
10-10

浅析NumPy 切片和索引

ndarray对象的内容可以通过索引或切片来访问和修改，与Python中list的切片操作一样。ndarray数组可以基于0-n的下标进行索引，切片对象可以通过内置的slice函数，并设置start,stop及step参数进行，从原数组中切割出一个新数组。importnumpyasnpa=np.arange(10)s=slice(2,7,2)#从索引2开始到索引7停止，间隔为2print(a[s])输出结果为：[246]以上实例中，我们首先通过arange()函数创建ndarray... 继续阅读 >

2020
10-09

numpy中生成随机数的几种常用函数(小结)

1、使用numpy生成随机数的几种方式1）生成指定形状的0-1之间的随机数：np.random.random()和np.random.rand()array1=np.random.random((3))display(array1)#-----------------------------------array2=np.random.random((3,4))display(array2)#-----------------------------------array3=np.random.rand(3)display(array3)#-----------------------------------array4=np.random.rand(2,3)display(array4)①操作如下... 继续阅读 >

2020
10-08

深入了解NumPy 高级索引

NumPy比一般的Python序列提供更多的索引方式。除了之前看到的用整数和切片的索引外，数组可以由整数数组索引、布尔索引及花式索引。整数数组索引以下实例获取数组中(0,0)，(1,1)和(2,0)位置处的元素。importnumpyasnpx=np.array([[1,2],[3,4],[5,6]])y=x[[0,1,2],[0,1,0]]print(y)输出结果为：[1 4 5]以下实例获取了4X3数组中的四个角的元素。行索引是[0,0]和[3,3]，而列索引是[0,2]和[... 继续阅读 >

2020
10-08

Python如何实现大型数组运算（使用NumPy）

问题你需要在大数据集(比如数组或网格)上面执行计算。解决方案涉及到数组的重量级运算操作，可以使用NumPy库。NumPy的一个主要特征是它会给Python提供一个数组对象，相比标准的Python列表而已更适合用来做数学运算。下面是一个简单的小例子，向你展示标准列表对象和NumPy数组对象之间的差别：>>>#Pythonlists>>>x=[1,2,3,4]>>>y=[5,6,7,8]>>>x*2[1,2,3,4,1,2,3,4]>>>x+10Traceback(mostrecentcall... 继续阅读 >

2020
10-08

Python numpy矩阵处理运算工具用法汇总

numpy是用于处理矩阵运算非常好的工具。执行效率高，因为其底层是用的是C语句使用numpy,需要将数据转换成numpy能识别的矩阵格式。基本用法:numpy.array(object,dtype=None,copy=True,order=None,subok=False,ndmin=0)名称描述object数组或嵌套的数列dtype数组元素的数据类型，可选，例如：int64,int16,int32,float64等，位数越高，精度越高，但也更耗内存。copy对象是否需要复制，可选order创建数组的样式... 继续阅读 >

2020
10-08

numpy 矩阵形状调整:拉伸、变成一位数组的实例

我就废话不多说了，大家还是直接看代码吧~#coding:utf-8importnumpyasnp##改变数组的形状#将b变成3*4的矩阵b=np.arange(24).reshape(3,8)print(b)#将多维数组变成1维数组a=b.ravel()print(a)#将多维数组变成1维数组，faltten返回的是真实的数组，需要分配新的内存空间。而ravel返回的是数组的视图print(b.flatten())print("拉直之后：",b)#改变b本身的数组,会改变所作用的数组b.resize(2,12)#不改变b本身的数组c=b.re... 继续阅读 >

2020
10-08

Numpy 多维数据数组的实现

numpy包(模块)几乎总是用于Python中的数值计算。这个软件包为Python提供了高性能的向量、矩阵、张量数据类型。它是在C和Fortran中创建的，因此当计算被矢量化（用矩阵和矢量表示操作）时，性能很高。1.模块的导入：%matplotlibinlineimportmatplotlib.pyplotaspltfromnumpyimport*2.数组创建numpy有几种初始化numpy数组的方法，例如：使用Python的list或tuple。使用旨在创建Numpy数组的函数，如arrange、linspace等。从文件... 继续阅读 >

2020
10-08

浅谈numpy中函数resize与reshape,ravel与flatten的区别

这两组函数中区别很是类似，都是一个不改变之前的数组，一个改变数组本身resize和reshape>>>importnumpyasnp>>>a=np.arange(20).reshape(4,5)>>>aarray([[0,1,2,3,4],[5,6,7,8,9],[10,11,12,13,14],[15,16,17,18,19]])>>>a.reshape(2,10)array([[0,1,2,3,4,5,6,7,8,9],[10,11,12,13,14,15,16,17,18,19]])>>>aarray([[0,1,2,3,4],[5,6,7,8,9],[10,11,12,13,14]... 继续阅读 >

2020
10-08

Numpy中ndim、shape、dtype、astype的用法详解

本文介绍numpy数组中这四个方法的区别ndim、shape、dtype、astype。1.ndimndim返回的是数组的维度，返回的只有一个数，该数即表示数组的维度。2.shapeshape：表示各位维度大小的元组。返回的是一个元组。对于一维数组：有疑问的是为什么不是（1，6），因为arr1.ndim维度为1，元组内只返回一个数。对于二维数组：前面的是行，后面的是列，他的ndim为2，所以返回两个数。对于三维数组：很难看出，下面打印arr3，看下它是什么结构。先... 继续阅读 >