7个罕见的Numpy函数

释放双眼,带上耳机,听听看~!
本文介绍了numpy中少见但非常实用的7个函数,包括where函数、RandomState.rand和vstack等。

7个罕见的Numpy函数!

本文介绍的是numpy中少见但是非常实用的7个函数。

7个罕见的Numpy函数

In [1]:

import pandas as pd
import numpy as np

np.where()

功能和TensorFlow中的where函数相同,下面介绍用法

In [2]:

m = np.arange(0,15,2)
m

Out[2]:

array([ 0,  2,  4,  6,  8, 10, 12, 14])

In [3]:

# 情形1

np.where(m, 1, -1)

Out[3]:

array([-1,  1,  1,  1,  1,  1,  1,  1])

上面结果中如何m为真则输出1,否则输出-1。在m的取值中0代表的就是False,其他的为True。

In [4]:

# 情形2

np.where(m>=2,1,-1)

Out[4]:

array([-1,  1,  1,  1,  1,  1,  1,  1])

判断条件是m大于等于2,则输出1;否则输出-1

In [5]:

# 情形3

np.where(m>=2)

Out[5]:

(array([1, 2, 3, 4, 5, 6, 7]),)

当执行完条件后面没有规定输出的内容,直接输出满足要求数据的索引值

In [6]:

m[np.where(m>=2)]

Out[6]:

array([ 2,  4,  6,  8, 10, 12, 14])

np.random.RandomState.rand(维度)

返回[0,1)之间的随机数

In [7]:

rdm = np.random.RandomState(seed=1)

In [8]:

rdm.rand()  # 返回单个0-1之间的数值

Out[8]:

0.417022004702574

如果不指定维度,就是返回0到1之间的某个数值

In [9]:

rdm.rand(2,3)   # 指定维度 3*2

Out[9]:

array([[7.20324493e-01, 1.14374817e-04, 3.02332573e-01],
       [1.46755891e-01, 9.23385948e-02, 1.86260211e-01]])

In [10]:

rdm.rand(4,3)  # 4*3

Out[10]:

array([[0.34556073, 0.39676747, 0.53881673],
       [0.41919451, 0.6852195 , 0.20445225],
       [0.87811744, 0.02738759, 0.67046751],
       [0.4173048 , 0.55868983, 0.14038694]])

np.vstack()

将两个数值按垂直方向叠加

np.vstack(array1, array2)

In [11]:

array1 = np.array([1,2,3])
array2 = np.array([2,3,4])

In [12]:

np.vstack([array1,array2])

Out[12]:

array([[1, 2, 3],
       [2, 3, 4]])

In [13]:

array3 = np.array([[1,2,3],
                   [4,5,6]
                  ])
array4 = np.array([[5,6,7],
                   [8,9,10]
                  ])

In [14]:

np.vstack([array3,array4])

Out[14]:

array([[ 1,  2,  3],
       [ 4,  5,  6],
       [ 5,  6,  7],
       [ 8,  9, 10]])

np.mgrid()

np.mgrid[起始值:结束值:步长, 起始值:结束值:步长]

In [15]:

import numpy as np

In [16]:

x,y = np.mgrid[1:4:1, 2:4:0.5]

In [17]:

x

Out[17]:

array([[1., 1., 1., 1.],
       [2., 2., 2., 2.],
       [3., 3., 3., 3.]])

In [18]:

y

Out[18]:

array([[2. , 2.5, 3. , 3.5],
       [2. , 2.5, 3. , 3.5],
       [2. , 2.5, 3. , 3.5]])

.ravel()

将多维数组拉直成为一维

In [19]:

x.ravel()

Out[19]:

array([1., 1., 1., 1., 2., 2., 2., 2., 3., 3., 3., 3.])

In [20]:

y.ravel()

Out[20]:

array([2. , 2.5, 3. , 3.5, 2. , 2.5, 3. , 3.5, 2. , 2.5, 3. , 3.5])

.flatten()

和上面的ravel效果相同

In [21]:

x.flatten()

Out[21]:

array([1., 1., 1., 1., 2., 2., 2., 2., 3., 3., 3., 3.])

In [22]:

y.flatten()

Out[22]:

array([2. , 2.5, 3. , 3.5, 2. , 2.5, 3. , 3.5, 2. , 2.5, 3. , 3.5])

np.c_

将数值之间的值进行配对

In [23]:

np.c_[x.ravel(), y.ravel()]

Out[23]:

array([[1. , 2. ],
       [1. , 2.5],
       [1. , 3. ],
       [1. , 3.5],
       [2. , 2. ],
       [2. , 2.5],
       [2. , 3. ],
       [2. , 3.5],
       [3. , 2. ],
       [3. , 2.5],
       [3. , 3. ],
       [3. , 3.5]])
本网站的内容主要来自互联网上的各种资源,仅供参考和信息分享之用,不代表本网站拥有相关版权或知识产权。如您认为内容侵犯您的权益,请联系我们,我们将尽快采取行动,包括删除或更正。
AI教程

深度学习技术下的搜索算力调控分配方法探究

2023-11-23 20:22:55

AI教程

微软自研5nm芯片,挑战英伟达,背后原因令人咋舌

2023-11-23 20:33:14

个人中心
购物车
优惠劵
今日签到
有新私信 私信列表
搜索