- 1、创建numpy变量
- 2、numpy和list进行转换
- 3、创建全0全1的numpy对象
- 4、统计学应用
- 1、求和
- 2、均值
- 3、标准差
- 4、均方差
- 5、数据处理
- 1、数据查找
- 2、数据排序
- 3、获取不重复的元素
- 4、取最大最小值
- 5、区间均匀采样
- 6、矩阵操作
- 1、维度扩展
- 2、矩阵拼接
- 3、矩阵复制
- 4、矩阵的四则运算
- 6、矩阵的内积
- 7、随机数
a = np.array([1,2,3,4,5,6]) print(a.shape,a.dtype) b = np.array([1,2,3,4,5,6]).astype(np.float32) print(b.shape,b.dtype) c = np.array([[1,2],[3,4],[5,6]]) print(c.shape,c.dtype)
运行结果如下所示：
2、numpy和list进行转换a = [1,2,3,4,5,6] b = np.array(a) print(b.shape,b.dtype) a = [[1,2],[3,4],[5,6]] b = np.array(a) print(b.shape,b.dtype) c = np.array([1,2,3,4,5,6]) print(c.tolist()) #转成list d = np.array([[1,2],[3,4],[5,6]]) print(d.tolist()) #转成list
运行结果如下所示：
3、创建全0全1的numpy对象a = np.zeros([3,4]) print(a) a = np.ones([3,4]) print(a)
运行结果如下所示：
4、统计学应用 1、求和对一个numpy对象进行直接求和：
指定数据类型求和：
如果对二维的矩阵不进行操作也是直接对所有元素直接求和：
二维矩阵不同维度进行操作（这里说二维矩阵不太严谨，因为他只是个numpy对象，不过我们可以当成矩阵来处理）
这里新增了维度的概念，可以理解为如果是axis=0就是竖着看，然后等于1就是横着看：
这里效果跟之前的均值差不多，解释可以看均值部分：
3、标准差这里效果跟之前的均值差不多，解释可以看均值部分：
4、均方差这里效果跟之前的均值差不多，解释可以看均值部分：
除了上面的部分内容，相关的还有：
- abs：求绝对值
- sqrt：求平方根
直接查找某个数据是否存在，返回数据的位置：
想要查找所有符合的数据数目：
如果是直接排序，直接写即可：
如果是二维排序，需要我们进行处理，还是按照之前的数值方向和水平方向：
如果要获得他们排序后的位置：
这里直接使用函数即可：
4、取最大最小值单纯取值，直接用函数即可：
如果是二维的矩阵，还是参考前面说的，分为竖直方向和水平方向来处理：
如果要获取最大最小值的位置：（这里我直接使用了二维的，一维的还是一样的）
这里跟普通的python操作基本一样，就是起始结束然后加上步长就OK了：
6、矩阵操作 1、维度扩展下面把一个一维矩阵扩展为二维矩阵，如下所示：
2、矩阵拼接同方向维度一样可以进行拼接，效果如下：
当然也可以用我们之前的添加维度参数的方法来进行拼接：
按照想要的方式进行复制：
4、矩阵的四则运算就和普通的四则运算一样的：
6、矩阵的内积就是线性代数的那些东西，不过要用函数来进行表达：
7、随机数常见的有三种随机数，如下所示：
针对多维高斯分布随机数，各参数的含义如下所示：
