np.mgrid函式
程式碼:
z = np.mgrid[1:5, 1:3] x, y = z[0], z[1] print(x) print(y)
結果:
[[1 1]
[2 2]
[3 3]
[4 4]]
[[1 2]
[1 2]
[1 2]
[1 2]]
首先np.mgrid輸出至少是一個三維的向量。
其中的元素,z[0],z[1]都是二維矩陣。
z[0]行數由np.mgrid第一個引數決定,上例為1:5,且為1 2 3 4,列數由1:3決定,利用廣播機制填充。
z[1]列數由np.mgrid第二個引數決定,上例為1:3,且為1 2 ,行數由1:5決定,利用廣播機制填充。
PS:z = np.mgrid[1:5:0.1, 1:3:0.1
表示1:5切片間隔為0.1,1:3切片間隔為0.1
z = np.mgrid[1:5:4j, 1:3:3j]
表示1:5切片均勻取數,取4個,1:3切片均勻取數,取3個
相關推薦
np.mgrid函式
程式碼:z = np.mgrid[1:5, 1:3] x, y = z[0], z[1] print(x) print(y)結果:[[1 1] [2 2] [3 3] [4 4]][[1 2] [1 2] [1 2] [1 2]]首先np.mgrid輸出至少是一個三維的向量。
np.diff函式
np.diff函式 覺得有用的話,歡迎一起討論相互學習~Follow Me 陣列中a[n]-a[n-1] import numpy as np a=np.array([1, 6, 7, 8, 12]) diff_x1 = np.diff(a) print("diff_x1",diff_x1) # dif
np.cei()、np.linspace()、np.arrange()函式
1.np.ceil()函式 np.ceil()函式為朝正無窮方向取整 a = np.array([-1.7, -1.5, -0.2, 0.2, 1.5, 1.7, 2.0]) print(np.ceil(a)) 輸出結果為:[-1. -1. -0. 1.
np.repeat函式
np.repeat用法 覺得有用的話,歡迎一起討論相互學習~Follow Me np.repeat用於將numpy陣列重複 一維陣列重複三次 import numpy as np # 隨機生成[0,5)之間的數,形狀為(1,4),將此陣列重複3次 pop = np.random.randint(0,
np.repeat函式使用方法
np.repeat用法 覺得有用的話,歡迎一起討論相互學習~Follow Me np.repeat用於將numpy陣列重複 一維陣列重複三次 import numpy as np # 隨機生成[0,5)之間的數,形狀為(1,4),將此陣列重複3次 pop = np.ran
np.argsort函式
np.argsort函式 覺得有用的話,歡迎一起討論相互學習~Follow Me numpy.argsort(a, axis=-1, kind=’quicksort’, order=None) 功能: 將矩陣a按照axis排序,並返回排序後的下標 引數: a:
np.arange()函式
np.arange()函式返回一個有終點和起點的固定步長的排列 引數個數情況: np.arange()函式分為一個引數,兩個引數,三個引數三種情況 1)一個引數時,引數值為終點,起點取預設值0,步長取預設值1。 2)兩個引數時,第一個引數為起點,第二個引數為終點,步長取預設值1。 3)三個引
(轉載)Numpy學習(1)——陣列填充np.pad()函式的應用
【時間】2018.11.02 【題目】(轉載)Numpy學習——陣列填充np.pad()函式的應用 概述 本文轉載自 http://www.th7.cn/Program/Python/201712/1284487.shtml ,主要講述了陣
np.expand_dims函式
# -*- coding: utf-8 -*- """ Created on Wed Nov 21 01:51:42 2018 #QQ群:476842922(歡迎加群討論學習) """ import numpy as np x = np.array([1,2]) print(x.shape)
np.mgrid(),np.meshgrid()與三維畫圖
import numpy as np X = np.mgrid[-5:5:5] X1 = np.mgrid[-5:5:5j] Y1,Y2 = np.mgrid[-5:5,10:17] Z1,Z2,Z3 = np.mgrid[-5:5,10:17,1:3] print(X) print(
Numpy學習——陣列填充np.pad()函式的應用
原文地址:https://blog.csdn.net/zenghaitao0128/article/details/78713663 在卷積神經網路中,為了避免因為卷積運算導致輸出影象縮小和影象邊緣資訊丟失,常常採用影象邊緣填充技術,即在影象四周邊緣填充0,使得卷積運算
np.log1p( ) 函式的應用
資料平滑處理 -- log1p( ) 和 exmp1( ) 1. 資料預處理時首先可以對偏度比較大的資料用og1p函式進行轉化,使其更加服從高斯分佈,此步處理可能會使我們後續的分類結果得到一個好的結果。 2. 平滑問題很容易處理掉,導致模型的結果達不到一定的標準,log
np.arange函式
返回值: np.arange()函式返回一個有終點和起點的固定步長的排列,如[1,2,3,4,5],起點是1,終點是5,步長為1。 引數個數情況: np.arange()函式分為一個引數,兩個引數,三個引數三種情況 1)一個引數時,引數值為終點,起點取預設
python 中 np.sum()函式 通俗易懂理解!
這一篇部落格保證是我寫的最清楚,最容易理解的部落格!! 眾所周知,sum不傳參的時候,是所有元素的總和。這裡就不說了。 1 sum函式可以傳入一個axis的引數,這個引數怎麼理解呢?這樣理解: 假設我生成一個numpy陣列a,如下 >>> imp
向量點乘與差乘的區別,以及python下np.dot函式
點乘: 點乘的結果是一個實數 a·b=|a|·|b|·cosx x為a,b的夾角 結果為數,且為標量 例: A=[a1,a2,a3],B=[b1,b2,b3] A·B=a1b1+a2b2+a3b3 叉乘(向量積): 當向量a和b不平行
np.zeros和np.ones函式總結
形式: np.zeros (shape, dtype, order) Shape: 可以是一維、二維、三維 其中三維,shape = [m , a, b] 表示生成m個a*b的0矩陣; dtype: 預設為float64, 使用形式dtype=np.int;dtype
np.prod() 函式計算陣列元素乘積等
np.prod()函式用來計算所有元素的乘積,對於有多個維度的陣列可以指定軸,如axis=1指定計算每一行的乘積。 Python format 格式化函式: 例1: >>>"{} {}".format("hello", "world") # 不
花式索引與np.ix_函式
花式索引(Fancy indexing)是Numpy的一個術語,指的是利用整數陣列進行索引。(不僅是1維,也可以是多維)用法與例子如下:建立 arr 陣列>>> arr1 = np.empty((8,4)) # 建立一個8行4列的二維陣列 &
np.dot函式
dot函式是np中的矩陣乘法, x.dot(y) 等價於 np.dot(x,y) x是m*n 矩陣 ,y是n*m矩陣 則x.dot(y) 得到m*m矩陣 矩陣乘法的應用例項如下: 資料統計 某公司有四個工廠,分佈在不同地區,同時三種產品,產量(單位;t),試用矩
Python Numpy模組函式np.c_和np.r_
np.r_:是按列連線兩個矩陣,就是把兩矩陣上下相加,要求列數相等,類似於pandas中的concat()。 np.c_:是按行連線兩個矩陣,就是把兩矩陣左右相加,要求行數相等,類似於pandas中的merge()。 import numpy as np a