python之numpy學習
Numpy是一個用python實現的科學計算的擴充套件程式庫,包括:
- 1、一個強大的N維陣列物件Array;
- 2、比較成熟的(廣播)函式庫;
- 3、用於整合C/C++和Fortran程式碼的工具包;
- 4、實用的線性代數、傅立葉變換和隨機數生成函式。numpy和稀疏矩陣運算包scipy配合使用更加方便。
NumPy(Numeric Python)提供了許多高階的數值程式設計工具,如:矩陣資料型別、向量處理,以及精密的運算庫。專為進行嚴格的數字處理而產生。多為很多大型金融公司使用,以及核心的科學計算組織如:Lawrence Livermore,NASA用其處理一些本來使用C++,Fortran或Matlab等所做的任務。
1.Numpy基本操作
1.1 列表轉為矩陣
import numpy as np
#np.array生成一個ndarray陣列,ndarray再程式中的別名為array
#np.array()輸出形式為[],元素之間由空格分隔
array = np.array([
[1,3,5],
[4,6,9]
])
print(array)
[[1 3 5]
[4 6 9]]
1.2 維度
print('number of dim:', array.ndim)
number of dim: 2
1.3 行數和列數()
print('shape:',array.shape) shape: (2, 3)
1.4 元素個數
print('size:',array.size)
size: 6
1.5 ndarray物件的屬性
屬性 | 說明 |
---|---|
.ndim | 秩,即軸的數量或者維度的數量 |
.shape | ndarray物件的尺度,對於矩陣,n行m列 |
.size | ndarray物件的個數,相當於.shape中n*m的值 |
.dtype | ndarray物件的元素型別 |
.itemsize | ndarray物件中每個元素的大小,以位元組為單位 |
1.6 ndarray物件的元素型別
資料型別 | 說明 |
---|---|
bool | 布林型別,True或者False |
intc | 與C語言中int型別一致,一般是int32或者int64 |
intp | 用於於索引的整數,與C語言中 size_t一致,int32或int64 |
int8 | 位元組長度的整數,取值:[-128,127] |
int16 | 16位長度的整數,取值:[-32768,32767] |
int32 | 32位長度的整數,取值:[-231,231-1] |
int64 | 64位長度的整數,取值:[-263,263-1] |
uint8 | 8位無符號整數,取值:[0,255] |
uint16 | 16位無符號整數,取值:[0,65535] |
uint32 | 32位無符號整數,取值:[0,2^32-1] |
uint64 | 64位無符號整數,取值:[0,2^64-1] |
float16 | 16位半精度浮點數:1位符號位,5位指數,10位尾數 |
float32 | 32位半精度浮點數:1位符號位,8位指數,23位尾數 |
float64 | 64位半精度浮點數:1位符號位,11位指數,52位尾數 |
complex64 | 複數型別,實部和虛部都是32位浮點數 |
complex128 | 複數型別,實部和虛部都是64位浮點數 |
2.Numpy建立array
從列表型別建立陣列
a = np.array([2,23,4])
從元組型別建立陣列
a = np.array((2,23,4))
從列表和元組混合型別建立陣列
a = np.array([2,23,4],[1,2,3],(4,5,6))
使用numpy中函式建立陣列
函式 | 說明 |
---|---|
np. arange(n) | 類似 range0函式,返回 ndarray型別,元素從0到n-1 |
np.ones( shape) | 根據 shape生成一個全1陣列, shape是元組型別 |
np, zeros( shape) | 根據 shape生成一個全0陣列, shape是元組型別 |
np. full(shape,vaD) | 根據 shape生成一個數組,每個元素值都是val |
np. eye(n) | 建立一個正方的n*n單位矩陣,對角線為1,其餘為0 |
np. ones_like(a) | 根據陣列a的形狀生成一個全1陣列 |
np.zeros_like(a) | 根據陣列a的形狀生成一個全0陣列 |
np. full_like(a,va) | 根據陣列a的形狀生成一個數組,每個元素值都是val |
np. linspaceO | 根據起止資料等間距地填充資料,形成陣列 |
np. concatenate() | 將兩個或多個數組合井成一個新的陣列 |
ndarray陣列的維度變換
說明 | 方法 |
---|---|
reshape(shape) | 不改變陣列元素,返回一個 shape形狀的陣列,原陣列不變 |
resize(shape) | 與 reshape功能一致,但修改原陣列 |
swapaxes(ax1,ax2) | 將陣列n個維度中兩個維度進行調換 |
flatten() | 對陣列進行降維,返回摺疊後的一維陣列,原陣列不變 |
ndarray陣列的型別變換
#astype方法一定會建立新的陣列(原始資料的一個拷貝),即使兩個型別一致。
new a=a. astype(new type)
ndarray陣列向列表的轉換
2.1 一維array建立
import numpy as np
# 一維array
a = np.array([2,23,4], dtype=np.int32) # np.int預設為int32
print(a)
print(a.dtype)
===========================
[ 2 23 4]
int32
2.2 多維array建立
# 多維array
a = np.array([[2,3,4],
[3,4,5]])
print(a) # 生成2行3列的矩陣
==========================================
[[2 3 4]
[3 4 5]]
2.3 建立全零陣列(zeros)
a = np.zeros((3,4))
print(a) # 生成3行4列的全零矩陣
[[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]
2.4 建立全1資料(ones)
In [8]:
# 建立全一資料,同時指定資料型別
a = np.ones((3,4),dtype=np.int)
print(a)
[[1 1 1 1]
[1 1 1 1]
[1 1 1 1]]
2.5 建立全空陣列(empty)
In [9]:
# 建立全空陣列,其實每個值都是接近於零的數
a = np.empty((3,4))
print(a)
[[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]
2.6 建立連續陣列(arange)
In [10]:
# 建立連續陣列
a = np.arange(10,21,2) # 10-20的資料,步長為2
print(a)
[10 12 14 16 18 20]
2.7 reshape操作
In [11]:
# 使用reshape改變上述資料的形狀
b = a.reshape((2,3))
print(b)
[[10 12 14]
[16 18 20]]
2.8 建立連續型資料(linspcace)
# 建立線段型資料
a = np.linspace(1,10,20) # 開始端1,結束端10,且分割成20個數據,生成線段
print(a)
[ 1. 1.47368421 1.94736842 2.42105263 2.89473684 3.36842105
3.84210526 4.31578947 4.78947368 5.26315789 5.73684211 6.21052632
6.68421053 7.15789474 7.63157895 8.10526316 8.57894737 9.05263158
9.52631579 10. ]
#endpoint為false時,生成的陣列不含結束端
b= np linspace(l, 10, 4, endpoint=False)
print(b)
[1.,3.25,5.5,7.75]
2.9 linspace的reshape操作
In [13]:
# 同時也可以reshape
b = a.reshape((5,4))
print(b)
[[ 1. 1.47368421 1.94736842 2.42105263]
[ 2.89473684 3.36842105 3.84210526 4.31578947]
[ 4.78947368 5.26315789 5.73684211 6.21052632]
[ 6.68421053 7.15789474 7.63157895 8.10526316]
[ 8.57894737 9.05263158 9.52631579 10. ]]
3.Numpy基本運算
陣列與標量之間的運算
numpy一元函式
numpy二元函式
3.1 一維矩陣運算
In [14]:
import numpy as np
# 一維矩陣運算
a = np.array([10,20,30,40])
b = np.arange(4)
print(a,b)
[10 20 30 40] [0 1 2 3]
In [15]:
c = a - b
print(c)
[10 19 28 37]
In [16]:
print(a*b) # 若用a.dot(b),則為各維之和
[ 0 20 60 120]
In [17]:
# 在Numpy中,想要求出矩陣中各個元素的乘方需要依賴雙星符號 **,以二次方舉例,即:
c = b**2
print(c)
[0 1 4 9]
In [18]:
# Numpy中具有很多的數學函式工具
c = np.sin(a)
print(c)
[-0.54402111 0.91294525 -0.98803162 0.74511316]
In [19]:
print(b<2)
[ True True False False]
In [20]:
a = np.array([1,1,4,3])
b = np.arange(4)
print(a==b)
[False True False True]
3.2 多維矩陣運算
In [21]:
a = np.array([[1,1],[0,1]])
b = np.arange(4).reshape((2,2))
print(a)
[[1 1]
[0 1]]
In [22]:
print(b)
[[0 1]
[2 3]]
In [23]:
# 多維度矩陣乘法
# 第一種乘法方式:
c = a.dot(b)
print(c)
[[2 4]
[2 3]]
In [24]:
# 第二種乘法:
c = np.dot(a,b)
print(c)
[[2 4]
[2 3]]
In [25]:
# 多維矩陣乘法不能直接使用'*'號
a = np.random.random((2,4))
print(np.sum(a))
3.825517216750851
In [26]:
print(np.min(a))
0.09623355767721398
In [27]:
print(np.max(a))
0.7420428188342583
In [28]:
print("a=",a)
a= [[0.48634962 0.74204282 0.09623356 0.69074812]
[0.60218881 0.52734181 0.41434585 0.26626662]]
如果你需要對行或者列進行查詢運算,
就需要在上述程式碼中為 axis 進行賦值。
當axis的值為0的時候,將會以列作為查詢單元,
當axis的值為1的時候,將會以行作為查詢單元。
In [29]:
print("sum=",np.sum(a,axis=1))
sum= [2.01537412 1.8101431 ]
In [30]:
print("min=",np.min(a,axis=0))
min= [0.48634962 0.52734181 0.09623356 0.26626662]
In [31]:
print("max=",np.max(a,axis=1))
max= [0.74204282 0.60218881]
3.3 基本計算
In [32]:
import numpy as np
A = np.arange(2,14).reshape((3,4))
print(A)
[[ 2 3 4 5]
[ 6 7 8 9]
[10 11 12 13]]
In [33]:
# 最小元素索引
print(np.argmin(A)) # 0
0
In [34]:
# 最大元素索引
print(np.argmax(A)) # 11
11
In [35]:
# 求整個矩陣的均值
print(np.mean(A)) # 7.5
7.5
In [36]:
print(np.average(A)) # 7.5
7.5
In [37]:
print(A.mean()) # 7.5
7.5
In [38]:
# 中位數
print(np.median(A)) # 7.5
7.5
In [39]:
# 累加
print(np.cumsum(A))
[ 2 5 9 14 20 27 35 44 54 65 77 90]
In [40]:
# 累差運算
B = np.array([[3,5,9],
[4,8,10]])
print(np.diff(B))
[[2 4]
[4 2]]
In [41]:
C = np.array([[0,5,9],
[4,0,10]])
print(np.nonzero(B))
print(np.nonzero(C))
(array([0, 0, 0, 1, 1, 1], dtype=int64), array([0, 1, 2, 0, 1, 2], dtype=int64))
(array([0, 0, 1, 1], dtype=int64), array([1, 2, 0, 2], dtype=int64))
In [42]:
# 仿照列表排序
A = np.arange(14,2,-1).reshape((3,4)) # -1表示反向遞減一個步長
print(A)
[[14 13 12 11]
[10 9 8 7]
[ 6 5 4 3]]
In [43]:
print(np.sort(A))
[[11 12 13 14]
[ 7 8 9 10]
[ 3 4 5 6]]
In [44]:
# 矩陣轉置
print(np.transpose(A))
[[14 10 6]
[13 9 5]
[12 8 4]
[11 7 3]]
In [45]:
print(A.T)
[[14 10 6]
[13 9 5]
[12 8 4]
[11 7 3]]
In [46]:
print(A)
[[14 13 12 11]
[10 9 8 7]
[ 6 5 4 3]]
In [47]:
print(np.clip(A,5,9))
[[9 9 9 9]
[9 9 8 7]
[6 5 5 5]]
clip(Array,Array_min,Array_max)
將Array_min<X<Array_max X表示矩陣A中的數,如果滿足上述關係,則原數不變。
否則,如果X<Array_min,則將矩陣中X變為Array_min;
如果X>Array_max,則將矩陣中X變為Array_max.
4.Numpy索引與切片
一維陣列的索引切片
多維陣列的索引切片
In [48]:
import numpy as np
A = np.arange(3,15)
print(A)
[ 3 4 5 6 7 8 9 10 11 12 13 14]
In [49]:
print(A[3])
6
In [50]:
B = A.reshape(3,4)
print(B)
[[ 3 4 5 6]
[ 7 8 9 10]
[11 12 13 14]]
In [51]:
print(B[2])
[11 12 13 14]
In [52]:
print(B[0][2])
5
In [53]:
print(B[0,2])
5
In [54]:
# list切片操作
print(B[1,1:3]) # [8 9] 1:3表示1-2不包含3
[8 9]
In [55]:
for row in B:
print(row)
[3 4 5 6]
[ 7 8 9 10]
[11 12 13 14]
In [56]:
# 如果要列印列,則進行轉置即可
for column in B.T:
print(column)
[ 3 7 11]
[ 4 8 12]
[ 5 9 13]
[ 6 10 14]
In [57]:
# 多維轉一維
A = np.arange(3,15).reshape((3,4))
# print(A)
print(A.flatten())
# flat是一個迭代器,本身是一個object屬性
[ 3 4 5 6 7 8 9 10 11 12 13 14]
In [58]:
for item in A.flat:
print(item)
3
4
5
6
7
8
9
10
11
12
13
14
我們一起來來總結一下,看下面切片取值方式(對應顏色是取出來的結果):
5.Numpy array合併
5.1 數組合並
In [59]:
import numpy as np
A = np.array([1,1,1])
B = np.array([2,2,2])
print(np.vstack((A,B)))
# vertical stack 上下合併,對括號的兩個整體操作。
[[1 1 1]
[2 2 2]]
In [60]:
C = np.vstack((A,B))
print(C)
[[1 1 1]
[2 2 2]]
In [61]:
print(A.shape,B.shape,C.shape)# 從shape中看出A,B均為擁有3項的陣列(數列)
(3,) (3,) (2, 3)
In [62]:
# horizontal stack左右合併
D = np.hstack((A,B))
print(D)
[1 1 1 2 2 2]
In [63]:
print(A.shape,B.shape,D.shape)
# (3,) (3,) (6,)
# 對於A,B這種,為陣列或數列,無法進行轉置,需要藉助其他函式進行轉置
(3,) (3,) (6,)
5.2 陣列轉置為矩陣
In [64]:
print(A[np.newaxis,:]) # [1 1 1]變為[[1 1 1]]
[[1 1 1]]
In [65]:
print(A[np.newaxis,:].shape) # (3,)變為(1, 3)
(1, 3)
In [66]:
print(A[:,np.newaxis])
[[1]
[1]
[1]]
5.3 多個矩陣合併
In [67]:
# concatenate的第一個例子
print("------------")
print(A[:,np.newaxis].shape) # (3,1)
------------
(3, 1)
In [68]:
A = A[:,np.newaxis] # 陣列轉為矩陣
B = B[:,np.newaxis] # 陣列轉為矩陣
In [69]:
print(A)
[[1]
[1]
[1]]
In [70]:
print(B)
[[2]
[2]
[2]]
In [71]:
# axis=0縱向合併
C = np.concatenate((A,B,B,A),axis=0)
print(C)
[[1]
[1]
[1]
[2]
[2]
[2]
[2]
[2]
[2]
[1]
[1]
[1]]
In [72]:
# axis=1橫向合併
C = np.concatenate((A,B),axis=1)
print(C)
[[1 2]
[1 2]
[1 2]]
5.4 合併例子2
In [73]:
# concatenate的第二個例子
print("-------------")
a = np.arange(8).reshape(2,4)
b = np.arange(8).reshape(2,4)
print(a)
print(b)
print("-------------")
-------------
[[0 1 2 3]
[4 5 6 7]]
[[0 1 2 3]
[4 5 6 7]]
-------------
In [74]:
# axis=0多個矩陣縱向合併
c = np.concatenate((a,b),axis=0)
print(c)
[[0 1 2 3]
[4 5 6 7]
[0 1 2 3]
[4 5 6 7]]
In [75]:
# axis=1多個矩陣橫向合併
c = np.concatenate((a,b),axis=1)
print(c)
[[0 1 2 3 0 1 2 3]
[4 5 6 7 4 5 6 7]]
6.Numpy array分割
6.1 構造3行4列矩陣
In [76]:
import numpy as np
A = np.arange(12).reshape((3,4))
print(A)
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
6.2 等量分割
In [77]:
# 等量分割
# 縱向分割同橫向合併的axis
print(np.split(A, 2, axis=1))
[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2, 3],
[ 6, 7],
[10, 11]])]
In [78]:
# 橫向分割同縱向合併的axis
print(np.split(A,3,axis=0))
[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])]
6.3 不等量分割
In [79]:
print(np.array_split(A,3,axis=1))
[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2],
[ 6],
[10]]), array([[ 3],
[ 7],
[11]])]
6.4 其他的分割方式
In [80]:
# 橫向分割
print(np.vsplit(A,3)) # 等價於print(np.split(A,3,axis=0))
[array([[0, 1, 2, 3]]), array([[4, 5, 6, 7]]), array([[ 8, 9, 10, 11]])]
In [81]:
# 縱向分割
print(np.hsplit(A,2)) # 等價於print(np.split(A,2,axis=1))
[array([[0, 1],
[4, 5],
[8, 9]]), array([[ 2, 3],
[ 6, 7],
[10, 11]])]
7.Numpy copy與 =
7.1 =賦值方式會帶有關聯性
In [82]:
import numpy as np
# `=`賦值方式會帶有關聯性
a = np.arange(4)
print(a) # [0 1 2 3]
[0 1 2 3]
In [83]:
b = a
c = a
d = b
a[0] = 11
print(a) # [11 1 2 3]
[11 1 2 3]
In [84]:
print(b) # [11 1 2 3]
[11 1 2 3]
In [85]:
print(c) # [11 1 2 3]
[11 1 2 3]
In [86]:
print(d) # [11 1 2 3]
[11 1 2 3]
In [87]:
print(b is a) # True
True
In [88]:
print(c is a) # True
True
In [89]:
print(d is a) # True
True
In [90]:
d[1:3] = [22,33]
print(a) # [11 22 33 3]
[11 22 33 3]
In [91]:
print(b) # [11 22 33 3]
[11 22 33 3]
In [92]:
print(c) # [11 22 33 3]
[11 22 33 3]
7.2 copy()賦值方式沒有關聯性
In [93]:
a = np.arange(4)
print(a) # [0 1 2 3]
[0 1 2 3]
In [94]:
b =a.copy() # deep copy
print(b) # [0 1 2 3]
[0 1 2 3]
In [95]:
a[3] = 44
print(a) # [ 0 1 2 44]
print(b) # [0 1 2 3]
# 此時a與b已經沒有關聯
[ 0 1 2 44]
[0 1 2 3]
8.廣播機制
numpy陣列間的基礎運算是一對一,也就是a.shape==b.shape
,但是當兩者不一樣的時候,就會自動觸發廣播機制,如下例子:
In [96]:
from numpy import array
a = array([[ 0, 0, 0],
[10,10,10],
[20,20,20],
[30,30,30]])
b = array([0,1,2])
print(a+b)
[[ 0 1 2]
[10 11 12]
[20 21 22]
[30 31 32]]
為什麼是這個樣子?
這裡以tile模擬上述操作,來回到a.shape==b.shape
情況!
In [97]:
# 對[0,1,2]行重複3次,列重複1次
b = np.tile([0,1,2],(4,1))
print(a+b)
[[ 0 1 2]
[10 11 12]
[20 21 22]
[30 31 32]]
到這裡,我們來給出一張圖
也可以看這張圖:
是不是任何情況都可以呢?
當然不是,只有當兩個陣列的trailing dimensions compatible
時才會觸發廣播,否則報錯ValueError: frames are not aligned exception
。
上面表達意思是尾部維度必須相容!
.常用函式
9.1 np.bincount()
In [98]:
x = np.array([1, 2, 3, 3, 0, 1, 4])
np.bincount(x)
Out[98]:
array([1, 2, 1, 2, 1], dtype=int64)
統計索引出現次數:索引0出現1次,1出現2次,2出現1次,3出現2次,4出現1次
因此通過bincount計算出索引出現次數如下:
上面怎麼得到的?
對於bincount計算嗎,bin的數量比x中最大數多1,例如x最大為4,那麼bin數量為5(index從0到4),也就會bincount輸出的一維陣列為5個數,bincount中的數又代表什麼?代表的是它的索引值在x中出現的次數!
還是以上述x為例子,當我們設定weights引數時候,結果又是什麼?
這裡假定:
In [99]:
w = np.array([0.3,0.5,0.7,0.6,0.1,-0.9,1])
那麼設定這個w權重後,結果為多少?
In [100]:
np.bincount(x,weights=w)
Out[100]:
array([ 0.1, -0.6, 0.5, 1.3, 1. ])
怎麼計算的?
先對x與w抽取出來:
x ---> [1, 2, 3, 3, 0, 1, 4]
w ---> [0.3,0.5,0.7,0.6,0.1,-0.9,1]
索引 0 出現在x中index=4位置,那麼在w中訪問index=4的位置即可,w[4]=0.1
索引 1 出現在x中index=0與index=5位置,那麼在w中訪問index=0
與index=5
的位置即可,然後將兩這個加和,計算得:w[0]+w[5]=-0.6
其餘的按照上面的方法即可!
bincount的另外一個引數為minlength,這個引數簡單,可以這麼理解,當所給的bin數量多於實際從x中得到的bin數量後,後面沒有訪問到的設定為0即可。
還是上述x為例:
這裡我們直接設定minlength=7引數,並輸出!
In [101]:
np.bincount(x,weights=w,minlength=7)
Out[101]:
array([ 0.1, -0.6, 0.5, 1.3, 1. , 0. , 0. ])
與上面相比多了兩個0,這兩個怎麼會多?
上面知道,這個bin數量為5,index從0到4,那麼當minlength為7的時候,也就是總長為7,index從0到6,多了後面兩位,直接補位為0即可!
9.2 np.argmax()
函式原型為:numpy.argmax(a, axis=None, out=None)
.
函式表示返回沿軸axis最大值的索引。
In [102]:
x = [[1,3,3],
[7,5,2]]
print(np.argmax(x))
3
對於這個例子我們知道,7最大,索引位置為3(這個索引按照遞增順序)!
axis屬性
axis=0表示按列操作,也就是對比當前列,找出最大值的索引!
In [103]:
x = [[1,3,3],
[7,5,2]]
print(np.argmax(x,axis=0))
[1 1 0]
axis=1表示按行操作,也就是對比當前行,找出最大值的索引!
In [104]:
x = [[1,3,3],
[7,5,2]]
print(np.argmax(x,axis=0))
[1 1 0]
那如果碰到重複最大元素?
返回第一個最大值索引即可!
例如:
In [105]:
x = np.array([1, 3, 2, 3, 0, 1, 0])
print(x.argmax())
1
9.3 上述合併例項
這裡來融合上述兩個函式,舉個例子:
In [106]:
x = np.array([1, 2, 3, 3, 0, 1, 4])
print(np.argmax(np.bincount(x)))
1
最終結果為1,為什麼?
首先通過np.bincount(x)
得到的結果是:[1 2 1 2 1]
,再根據最後的遇到重複最大值項,則返回第一個最大值的index即可!2的index為1,所以返回1。
9.4 求取精度
In [107]:
np.around([-0.6,1.2798,2.357,9.67,13], decimals=0)#取指定位置的精度
Out[107]:
array([-1., 1., 2., 10., 13.])
看到沒,負數進位取絕對值大的!
In [108]:
np.around([1.2798,2.357,9.67,13], decimals=1)
Out[108]:
array([ 1.3, 2.4, 9.7, 13. ])
In [109]:
np.around([1.2798,2.357,9.67,13], decimals=2)
Out[109]:
array([ 1.28, 2.36, 9.67, 13. ])
從上面可以看出,decimals表示指定保留有效數的位數,當超過5就會進位(此時包含5)!
但是,如果這個引數設定為負數,又表示什麼?
In [110]:
np.around([1,2,5,6,56], decimals=-1)
Out[110]:
array([ 0, 0, 0, 10, 60])
發現沒,當超過5時候(不包含5),才會進位!-1表示看一位數進位即可,那麼如果改為-2呢,那就得看兩位!
In [111]:
np.around([1,2,5,50,56,190], decimals=-2)
Out[111]:
array([ 0, 0, 0, 0, 100, 200])
看到沒,必須看兩位,超過50才會進位,190的話,就看後面兩位,後兩位90超過50,進位,那麼為200!
計算沿指定軸第N維的離散差值
In [112]:
x = np.arange(1 , 16).reshape((3 , 5))
print(x)
[[ 1 2 3 4 5]
[ 6 7 8 9 10]
[11 12 13 14 15]]
In [113]:
np.diff(x,axis=1) #預設axis=1
Out[113]:
array([[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]])
In [114]:
np.diff(x,axis=0)
Out[114]:
array([[5, 5, 5, 5, 5],
[5, 5, 5, 5, 5]])
取整
In [115]:
np.floor([-0.6,-1.4,-0.1,-1.8,0,1.4,1.7])
Out[115]:
array([-1., -2., -1., -2., 0., 1., 1.])
看到沒,負數取整,跟上述的around一樣,是向左!
取上限
In [116]:
np.ceil([1.2,1.5,1.8,2.1,2.0,-0.5,-0.6,-0.3])
Out[116]:
array([ 2., 2., 2., 3., 2., -0., -0., -0.])
取上限!找這個小數的最大整數即可!
查詢
利用np.where實現小於0的值用0填充嗎,大於0的數不變!
In [117]:
x = np.array([[1, 0],
[2, -2],
[-2, 1]])
print(x)
[[ 1 0]
[ 2 -2]
[-2 1]]
In [118]:
np.where(x>0,x,0)
Out[118]:
array([[1, 0],
[2, 0],
[0, 1]])