一、數(shù)據(jù)的維度
數(shù)據(jù)維度的python表示
一維數(shù)據(jù)：列表和集合類型
[3.14, 5.44 ,5.55] 有序
{3.14, 5.44 ,5.55} 無序
二維數(shù)據(jù)：列表類型
多維數(shù)據(jù)：列表類型
[ [3.14, 5.44 ,5.55],
[3.14, 5.44 ,5.55] ]
高維數(shù)據(jù)：字典類型或數(shù)據(jù)類型表示
dict = {
"firstName":"Mace",
"lastName":"Jin",
}
二、NumPy的數(shù)組對象：ndarray
一個強大的N維數(shù)組對象
numpy的引用
import numpy as np
例：計算A2+B3
import numpy as np
def npSum():
a = np.array([0,1,2,3,4])
b = np.array([9,8,7,6,5])
c = a**2+b**3
return c
print(npSum())
N維數(shù)組對象：ndarray
ndarray是一個多維數(shù)組對象几睛，由兩部分構成：
- 實際的數(shù)據(jù)
- 描述這些數(shù)據(jù)的元數(shù)據(jù)（數(shù)據(jù)緯度泻仙、數(shù)據(jù)類型等）
ndarray數(shù)組一般要求所有元素類型相同（同質）营袜，數(shù)據(jù)下標從0開始锨能。
np.array()生成一個ndarray數(shù)組
ndarray在程序中的別名是：array
In [1]: a = np.array([[0,1,2,3,4],
...: [9,8,7,6,5]])
In [2]: a
Out[2]:
array([[0, 1, 2, 3, 4],
[9, 8, 7, 6, 5]])
In [3]: print(a)
[[0 1 2 3 4]
[9 8 7 6 5]]
軸（axis）：保存數(shù)據(jù)的緯度。
秩（rank）：軸的數(shù)量离熏。
ndarray對象的屬性
| 屬性 | 說明 |
|---|---|
| .ndim | 秩佳谦，即軸的數(shù)量或緯度的數(shù)量 |
| .shape | 對象的尺度，對于矩陣滋戳，n行m列 |
| .size | 對象元素的個數(shù)钻蔑，相當于.shape中n*m的值 |
| .dtype | 對象的元素類型 |
| .itemsize | 對象中每個元素的大小，以字節(jié)為單位 |
ndarray的元素類型
| 數(shù)據(jù)類型 | 說明 |
|---|---|
| bool | 布爾類型奸鸯，true或false |
| intc | 與C語言中的int類型一致咪笑，一般是int32或int64 |
| intp | 用于索引的整數(shù)，與C語言中的ssize_t一致娄涩，int32或int64 |
| int8 | 字節(jié)長度的整數(shù)窗怒，取值：【-128，127】 |
| int16 | 16位長度的整數(shù)蓄拣，取值：【-32768扬虚，32767】 |
| int32 | 32位長度的整數(shù)，取值：【-231球恤，231-1】 |
| int64 | 64位長度的整數(shù)辜昵，取值：【-263，263-1】 |
| uint8 | 8位無符號整數(shù)咽斧，取值【0堪置，255】 |
| uint16 | 16位無符號整數(shù)，取值【0张惹，65535】 |
| unit32 | 32位無符號整數(shù)晋柱，取值【0，232-1】 |
| uint64 | 64位無符號整數(shù)诵叁，取值【2，264-1】 |
| float16 | 16位半精度浮點數(shù)：1位符號位钦椭，5位指數(shù)位拧额，10位尾數(shù) |
| float32 | 32位半精度浮點數(shù)：1位符號位碑诉，8位指數(shù)位，23位尾數(shù) |
| float64 | 16位半精度浮點數(shù)：1位符號位侥锦，11位指數(shù)位进栽，52位尾數(shù) |
| complex64 | 復數(shù)類型，實部和虛部都是32位浮點數(shù) |
| complex128 | 復數(shù)類型恭垦，實部和虛部都是64位浮點數(shù) |
三快毛、ndarray數(shù)組的創(chuàng)建和變換
ndarray數(shù)組的創(chuàng)建方法
1.從python中的列表、元組等類型創(chuàng)建ndarray數(shù)組
x = np.array(list/tuple)
x = np.array(list/tuple, dtype=np.float32)
當np.array()不指定dtype時番挺，numpy將根據(jù)數(shù)據(jù)情況關聯(lián)一個dtype類型唠帝。
2.使用numpy中函數(shù)創(chuàng)建ndarray數(shù)組，如：arange,ones,zeros等玄柏。
| 函數(shù) | 說明 |
|---|---|
| np.arange(n) | 類似range()函數(shù)襟衰，返回ndarray類型，元素從0到n-1 |
| np.ones(shape) | 根據(jù)shape生成一個全1數(shù)組粪摘，shape是元組類型 |
| np.zeros(shape) | 根據(jù)shape生成一個全0數(shù)組瀑晒，shape是元組類型 |
| np.full(shape,val) | 根據(jù)shape生成一個數(shù)組，每個元素值都是val |
| np.eye(n) | 創(chuàng)建一個正方的n*m單位矩陣徘意，對角線為1苔悦，其余為0 |
| np.ones_like(a) | 根據(jù)數(shù)組a的形狀生成一個全1數(shù)組 |
| np.zeros_like(a) | 根據(jù)數(shù)組a的形狀生成一個全0數(shù)組 |
| np.full_like(a,val) | 根據(jù)數(shù)組a的形狀生成一個數(shù)組，每個元素值都是val |
np.arange(10)
Out[14]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
np.ones((3, 6))
Out[15]:
array([[ 1., 1., 1., 1., 1., 1.],
[ 1., 1., 1., 1., 1., 1.],
[ 1., 1., 1., 1., 1., 1.]])
np.zeros((3, 6), dtype=np.int32)
Out[16]:
array([[0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0]])
np.eye(5)
Out[17]:
array([[ 1., 0., 0., 0., 0.],
[ 0., 1., 0., 0., 0.],
[ 0., 0., 1., 0., 0.],
[ 0., 0., 0., 1., 0.],
[ 0., 0., 0., 0., 1.]])
x = np.ones((2, 3, 4))
print(x)
[[[ 1. 1. 1. 1.]
[ 1. 1. 1. 1.]
[ 1. 1. 1. 1.]]
[[ 1. 1. 1. 1.]
[ 1. 1. 1. 1.]
[ 1. 1. 1. 1.]]]
x.shape
Out[20]: (2, 3, 4)
3.使用numpy中其他函數(shù)創(chuàng)建ndarray數(shù)組
| 函數(shù) | 說明 |
|---|---|
| np.linspace() | 根據(jù)起止數(shù)據(jù)等間距地填充數(shù)據(jù)椎咧，形成數(shù)組 |
| np.concatenate() | 將兩個或多個數(shù)組合并成一個新的數(shù)組 |
a = np.linspace(1, 10, 4)
a
Out[9]: array([ 1., 4., 7., 10.])
b = np.linspace(1, 10, 4, endpoint=False)
b
Out[11]: array([ 1. , 3.25, 5.5 , 7.75])
c = np.concatenate((a,b))
c
Out[13]: array([ 1. , 4. , 7. , 10. , 1. , 3.25, 5.5 , 7.75])
ndarray數(shù)組的維度變換
| 方法 | 說明 |
|---|---|
| .reshape(shape) | 不改變數(shù)組元素玖详，返回一個shape形狀的數(shù)組，原數(shù)組不變 |
| .resize(shape) | 與.reshape()功能一致邑退，但修改原數(shù)組 |
| .swapaxes(ax1, ax2) | 將數(shù)組n個維度中兩個緯度進行調換 |
| .flatten() | 對數(shù)組進行降維竹宋，返回折疊后的一維數(shù)組，原數(shù)組不變 |
a = np.ones((2,3,4), dtype=np.int32)
a
Out[22]:
array([[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]],
[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]]])
a.reshape((3, 8))
Out[23]:
array([[1, 1, 1, 1, 1, 1, 1, 1],
[1, 1, 1, 1, 1, 1, 1, 1],
[1, 1, 1, 1, 1, 1, 1, 1]])
a
Out[24]:
array([[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]],
[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]]])
a.resize((3, 8))
a
Out[26]:
array([[1, 1, 1, 1, 1, 1, 1, 1],
[1, 1, 1, 1, 1, 1, 1, 1],
[1, 1, 1, 1, 1, 1, 1, 1]])
a.flatten()
Out[27]:
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1])
a
Out[28]:
array([[1, 1, 1, 1, 1, 1, 1, 1],
[1, 1, 1, 1, 1, 1, 1, 1],
[1, 1, 1, 1, 1, 1, 1, 1]])
b = a.flatten()
b
Out[30]:
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1])
ndarray數(shù)組的類型變換
new_a = a.astype(new_type)
a = np.ones((2,3,4), dtype=np.int)
a
Out[32]:
array([[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]],
[[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]]])
b = a.astype(np.float)
b
Out[34]:
array([[[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.]],
[[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.]]])
astype()方法一定會創(chuàng)建新的數(shù)組地技。
四蜈七、ndarray數(shù)組的操作
一維數(shù)組的索引和切片
a = np.array([9, 8, 7, 6, 5])
a[2]
Out[5]: 7
a[1 : 4 : 2]
Out[6]: array([8, 6])
多維數(shù)組的索引
a = np.arange(24).reshape((2,3,4))
a
Out[10]:
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])
a[1, 2, 3]
Out[11]: 23
a[0, 1, 2]
Out[12]: 6
a[-1, -2, -3]
Out[13]: 17
多維數(shù)組的切片
a = np.arange(24).reshape((2,3,4))
a
Out[15]:
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])
a[:, 1, -3]
Out[16]: array([ 5, 17])
a[:, 1:3, :]
Out[17]:
array([[[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
[[16, 17, 18, 19],
[20, 21, 22, 23]]])
a[:, :, ::2]
Out[18]:
array([[[ 0, 2],
[ 4, 6],
[ 8, 10]],
[[12, 14],
[16, 18],
[20, 22]]])
五、ndarray數(shù)組的運算
數(shù)組與標量之間的運算
數(shù)組與標量的運算作用與數(shù)組的每一個元素
例：計算a與元素平均值的商
a = np.arange(24).reshape((2, 3, 4))
a
Out[3]:
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])
a.mean()
Out[4]: 11.5
a = a / a.mean()
a
Out[6]:
array([[[ 0. , 0.08695652, 0.17391304, 0.26086957],
[ 0.34782609, 0.43478261, 0.52173913, 0.60869565],
[ 0.69565217, 0.7826087 , 0.86956522, 0.95652174]],
[[ 1.04347826, 1.13043478, 1.2173913 , 1.30434783],
[ 1.39130435, 1.47826087, 1.56521739, 1.65217391],
[ 1.73913043, 1.82608696, 1.91304348, 2. ]]])
numpy一元函數(shù)對ndarray中的數(shù)據(jù)執(zhí)行元素級運算的函數(shù)
| 函數(shù) | 說明 |
|---|---|
| np.abs(x) np.fabs(x) | 計算數(shù)組各元素的絕對值 |
| np.sqart(x) | 計算數(shù)組各元素的平方根 |
| np.square(x) | 計算數(shù)組各元素的平方 |
| np.log(x) np.log10(x) np.log2(x) | 計算數(shù)組各元素的自然對數(shù)莫矗、10底對數(shù)和2底對數(shù) |
| np.ceil(x) np.floor(x) | 計算數(shù)組各元素的ceiling值或floor值 |
| np.rint(x) | 計算數(shù)組各元素的四舍五入值 |
| np.modf(x) | 將數(shù)組各元素的小數(shù)和整數(shù)部分以兩個獨立數(shù)組形式返回 |
| np.cos(x) np.cosh(x) np.sin(x) np.sinh(x) np.tan(x) np.tanh(x) | 計算數(shù)組各元素的普通型和雙曲型三角函數(shù) |
| np.sign(x) | 計算數(shù)組各元素的符號值飒硅，1(+)，0作谚，-1(-) |
| np.exp(x) | 計算數(shù)組各元素的指數(shù)值 |
numpy二元函數(shù)
| 函數(shù) | 說明 |
|---|---|
| + - * / ** | 兩個數(shù)組各元素進行對應運算 |
| np.maximun(x,y) np.fmax() | 元素級的最大值 |
| np.minimun(x,y) np.fmin() | 元素級的最小值 |
| np.mod(x,y) | 元素級的模運算 |
| np.copysign(x,y) | 將數(shù)組y中各元素值的符號賦值給數(shù)組x對應元素 |
| > < >= <= == != | 算術比較三娩，產生布爾型數(shù)組 |
六、數(shù)據(jù)的CSV文件存取
csv文件的儲存
np.savetxt(frame,array,fmt='%.18e',delimiter=Nane)
- frame：文件妹懒、字符串或產生器雀监，可以是.gz或.bz2的壓縮文件。
- array：存入文件的數(shù)組。
- fmt：寫入文件的格式会前，例如：%d %.2f %.18e好乐。
- delimiter：分割字符串，默認是任何空格瓦宜。
import numpy as np
a = np.arange(100).reshape(5, 20)
np.savetxt('a.csv', a, fmt='%d', delimiter=',')
打開的csv文件為：
0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19
20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39
40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59
60,61,62,63,64,65,66,67,68,69,70,71,72,73,74,75,76,77,78,79
80,81,82,83,84,85,86,87,88,89,90,91,92,93,94,95,96,97,98,99
csv文件的讀取
np.loadtxt(frame,dtype=np.float,delimiter=None,unpack=False)
- frame：文件蔚万、字符串或產生器，可以是.gz或.bz2的壓縮文件临庇。
- dtype：數(shù)據(jù)類型反璃，可選。
- delimiter：分割字符串假夺，默認是任何空格淮蜈。
- unpack：如果True，讀入屬性將分別寫入不同變量侄泽。
b = np.loadtxt('a.csv',delimiter=',')
b
Out[8]:
array([[ 0., 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.,
11., 12., 13., 14., 15., 16., 17., 18., 19.],
[ 20., 21., 22., 23., 24., 25., 26., 27., 28., 29., 30.,
31., 32., 33., 34., 35., 36., 37., 38., 39.],
[ 40., 41., 42., 43., 44., 45., 46., 47., 48., 49., 50.,
51., 52., 53., 54., 55., 56., 57., 58., 59.],
[ 60., 61., 62., 63., 64., 65., 66., 67., 68., 69., 70.,
71., 72., 73., 74., 75., 76., 77., 78., 79.],
[ 80., 81., 82., 83., 84., 85., 86., 87., 88., 89., 90.,
91., 92., 93., 94., 95., 96., 97., 98., 99.]])
csv文件的局限性
- csv只能有效存儲一維和二維數(shù)組礁芦。
- np.savetxt() np.loadtxt()只能有效存取一維和二維數(shù)組。
七悼尾、多維數(shù)據(jù)的存取
dat文件的儲存
a.tofile(frame,sep='',format='%s')
- frame：文件柿扣、字符串。
- sep：數(shù)據(jù)分隔字符串闺魏，如果是空串未状，寫入文件位二進制。
- format：寫入數(shù)據(jù)的格式析桥。
a = np.arange(100).reshape(5, 10, 2)
a.tofile('b.dat', sep=',', format='%d')
打開dat文件
0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74,75,76,77,78,79,80,81,82,83,84,85,86,87,88,89,90,91,92,93,94,95,96,97,98,99
dat文件的讀取
np.fromfile(frame,dtype=float,count=-1,sep='')
- frame：文件司草、字符串。
- dtype：讀取的數(shù)據(jù)類型泡仗。
- count：讀入元素個數(shù)埋虹，-1表示讀入這個文件。
- sep：數(shù)據(jù)分割字符串娩怎，如果是空串搔课，寫入文件為二進制。
c = np.fromfile('b.dat', dtype=np.int, sep=',')
c
Out[13]:
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33,
34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50,
51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67,
68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84,
85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99])
c = np.fromfile('b.dat', dtype=np.int, sep=',').reshape(5, 10, 2)
c
Out[15]:
array([[[ 0, 1],
[ 2, 3],
[ 4, 5],
[ 6, 7],
[ 8, 9],
[10, 11],
[12, 13],
[14, 15],
[16, 17],
[18, 19]],
[[20, 21],
[22, 23],
[24, 25],
[26, 27],
[28, 29],
[30, 31],
[32, 33],
[34, 35],
[36, 37],
[38, 39]],
[[40, 41],
[42, 43],
[44, 45],
[46, 47],
[48, 49],
[50, 51],
[52, 53],
[54, 55],
[56, 57],
[58, 59]],
[[60, 61],
[62, 63],
[64, 65],
[66, 67],
[68, 69],
[70, 71],
[72, 73],
[74, 75],
[76, 77],
[78, 79]],
[[80, 81],
[82, 83],
[84, 85],
[86, 87],
[88, 89],
[90, 91],
[92, 93],
[94, 95],
[96, 97],
[98, 99]]])
numpy的便捷文件存取
np.svae(fname,array)或np.savez(fname,array)
- frame：文件名截亦，以.npy為拓展名爬泥，壓縮拓展名為.npz
- array：數(shù)組變量
np.load(fname)
- frame：文件名，以.npy為拓展名崩瓤，壓縮拓展名為.npz
a = np.arange(100).reshape(5, 10, 2)
np.save('a.npy', a)
b = np.load('a.npy')
b
Out[19]:
array([[[ 0, 1],
[ 2, 3],
[ 4, 5],
[ 6, 7],
[ 8, 9],
[10, 11],
[12, 13],
[14, 15],
[16, 17],
[18, 19]],
[[20, 21],
[22, 23],
[24, 25],
[26, 27],
[28, 29],
[30, 31],
[32, 33],
[34, 35],
[36, 37],
[38, 39]],
[[40, 41],
[42, 43],
[44, 45],
[46, 47],
[48, 49],
[50, 51],
[52, 53],
[54, 55],
[56, 57],
[58, 59]],
[[60, 61],
[62, 63],
[64, 65],
[66, 67],
[68, 69],
[70, 71],
[72, 73],
[74, 75],
[76, 77],
[78, 79]],
[[80, 81],
[82, 83],
[84, 85],
[86, 87],
[88, 89],
[90, 91],
[92, 93],
[94, 95],
[96, 97],
[98, 99]]])
八袍啡、numpy的隨機數(shù)函數(shù)
numpy的random子庫
np.random的隨機數(shù)函數(shù)
| 函數(shù) | 說明 |
|---|---|
| rand(d0,...,dn) | 根據(jù)d0-d創(chuàng)建隨機數(shù)數(shù)組，浮點數(shù)却桶，[0,1)境输，均勻分布 |
| randn(d0,...,dn) | 根據(jù)d0-d創(chuàng)建隨機數(shù)數(shù)組，標準正態(tài)分布 |
| randint(low[,high,shape]) | 根據(jù)shape創(chuàng)建隨機整數(shù)或整數(shù)數(shù)組，范圍是[low,high] |
| seed(s) | 隨機數(shù)種子嗅剖，s是給定的種子值 |
import numpy as np
a = np.random.rand(3, 4, 5)
a
Out[3]:
array([[[ 0.90054795, 0.71624173, 0.79112233, 0.32650461, 0.84619615],
[ 0.44591395, 0.36828326, 0.76291491, 0.05558484, 0.12433055],
[ 0.07534764, 0.8384202 , 0.11716862, 0.47834772, 0.54191282],
[ 0.2388626 , 0.35017533, 0.25186745, 0.15812048, 0.41712066]],
[[ 0.44394913, 0.91778932, 0.74652455, 0.91372906, 0.5342139 ],
[ 0.3797729 , 0.29731658, 0.21936994, 0.2333807 , 0.7610462 ],
[ 0.10821976, 0.04970031, 0.18018693, 0.11947951, 0.03711413],
[ 0.97599868, 0.31263183, 0.52624546, 0.35155422, 0.5016402 ]],
[[ 0.10641334, 0.5153669 , 0.81933421, 0.44368124, 0.94465126],
[ 0.31304866, 0.5379593 , 0.19853566, 0.07185523, 0.36389356],
[ 0.77520593, 0.74260994, 0.43217268, 0.26971247, 0.50587306],
[ 0.69963568, 0.72048552, 0.97696634, 0.17689354, 0.02467841]]])
sn = np.random.randn(3, 4, 5)
sn
Out[5]:
array([[[ 1.43524925, -0.01709225, 0.74060875, 0.10516008, 1.67940313],
[-2.03931972, 0.4263534 , -0.18865956, 1.00951697, -0.17700187],
[ 0.42265079, -0.56889342, 0.42843036, 0.1482564 , -0.99566954],
[-1.89553322, 0.03920585, -0.53351015, -0.58438961, -2.62456031]],
[[-1.23407899, -0.12697763, -0.13177403, 0.28296367, 1.2963296 ],
[ 0.34109667, -1.16165189, -0.39677244, -0.32564733, -0.85124886],
[ 0.27403558, 0.97343758, -0.80993655, -0.00463434, -1.87235953],
[ 1.23773591, 0.05530726, -0.08753156, -0.25033669, -0.00327984]],
[[ 1.07393704, 1.16992607, -2.91612329, -1.55628507, 0.83542134],
[-0.83865651, -0.85258962, 1.04403901, 1.64369287, 0.19337034],
[ 0.16633997, -0.09558055, 0.05283974, -1.31325106, 0.0460602 ],
[ 0.52758321, 1.29531339, -0.92198878, 0.19512485, 0.1081831 ]]])
b = np.random.randint(100, 200, (3,4))
b
Out[7]:
array([[153, 173, 139, 150],
[190, 110, 180, 150],
[178, 118, 174, 172]])
np.random.seed(10)
np.random.randint(100, 200, (3,4))
Out[9]:
array([[109, 115, 164, 128],
[189, 193, 129, 108],
[173, 100, 140, 136]])
np.random.seed(10)
np.random.randint(100, 200, (3,4))
Out[11]:
array([[109, 115, 164, 128],
[189, 193, 129, 108],
[173, 100, 140, 136]])
| 函數(shù) | 說明 |
|---|---|
| shuffle(a) | 根據(jù)數(shù)組a的第1軸進行隨機排列蛋逾，改變數(shù)組x |
| permutation(a) | 根據(jù)數(shù)組a的第一個軸產生一個新的亂序數(shù)組，不改變數(shù)組x |
| choice(a[,size,replace,p]) | 從一維數(shù)組a中以概率p抽取元素窗悯，形成size形狀新數(shù)組replace表示是否可以重用元素，默認位False |
np.random.randint(100, 200, (3,4))
Out[11]:
array([[109, 115, 164, 128],
[189, 193, 129, 108],
[173, 100, 140, 136]])
a = np.random.randint(100, 200, (3,4))
a
Out[13]:
array([[116, 111, 154, 188],
[162, 133, 172, 178],
[149, 151, 154, 177]])
np.random.shuffle(a)
a
Out[15]:
array([[116, 111, 154, 188],
[149, 151, 154, 177],
[162, 133, 172, 178]])
np.random.shuffle(a)
a
Out[17]:
array([[162, 133, 172, 178],
[116, 111, 154, 188],
[149, 151, 154, 177]])
a = np.random.randint(100, 200, (3,4))
a
Out[23]:
array([[177, 122, 123, 194],
[111, 128, 174, 188],
[109, 115, 118, 180]])
b = np.random.permutation(a)
b
Out[26]:
array([[109, 115, 118, 180],
[111, 128, 174, 188],
[177, 122, 123, 194]])
a
Out[27]:
array([[177, 122, 123, 194],
[111, 128, 174, 188],
[109, 115, 118, 180]])
b = np.random.randint(100, 200, (8,))
b
Out[30]: array([117, 146, 107, 175, 128, 133, 184, 196])
np.random.choice(b, (3, 2))
Out[31]:
array([[117, 128],
[133, 128],
[196, 117]])
np.random.choice(b, (3, 2), replace=False)
Out[32]:
array([[133, 175],
[146, 196],
[184, 128]])
np.random.choice(b, (3, 2), p=b/np.sum(b))
Out[33]:
array([[196, 107],
[146, 196],
[133, 133]])
| 函數(shù) | 說明 |
|---|---|
| uniform(low,high,size) | 產生具有均勻分布的數(shù)組偷拔，low起始值蒋院，high結束值，size形狀 |
| normal(loc,scale,size) | 產生具有正態(tài)分布的數(shù)組莲绰，loc均值欺旧，scale標準差，size形狀 |
| poisson(lam,size) | 產生具有泊松分布的數(shù)組蛤签，lam隨機事件發(fā)生率值辞友，size形狀 |
u = np.random.uniform(0, 10, (3,4))
u
Out[35]:
array([[ 4.36353698, 3.56250327, 5.87130925, 1.49471337],
[ 1.71238598, 3.97164523, 6.37951564, 3.72519952],
[ 0.02406761, 5.48816356, 1.26971841, 0.79792681]])
n = np.random.normal(10, 5, (3,4))
n
Out[37]:
array([[ 13.57941572, 4.07115727, 6.81836048, 6.94593078],
[ 3.40304302, 7.19135792, 11.02692287, 5.23319662],
[ 11.60758976, 2.39530663, -0.80726459, 11.72656647]])
九、numpy的統(tǒng)計函數(shù)
| 函數(shù) | 說明 |
|---|---|
| sum(a,axis=None) | 根據(jù)給定軸axis計算數(shù)組a相關元素之和震肮，axis整數(shù)或元組 |
| mean(a,axis=None) | 根據(jù)給定軸axis計算數(shù)組a相關元素的期望称龙，axis整數(shù)或元組 |
| average(a,axis=None,weights=None) | 根據(jù)給定軸axis計算數(shù)組a相關元素的加權平均值 |
| std(a,axis=None) | 根據(jù)給定軸axis計算數(shù)組a相關元素的標準差 |
| var(a,axis=None) | 根據(jù)給定軸axis計算數(shù)組a相關元素的方差 |
a = np.arange(15).reshape(3, 5)
a
Out[39]:
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
np.sum(a)
Out[40]: 105
np.mean(a)
Out[41]: 7.0
np.mean(a, axis=1)
Out[42]: array([ 2., 7., 12.])
np.mean(a, axis=0)
Out[43]: array([ 5., 6., 7., 8., 9.])
np.average(a, axis=0, weights=[10, 5, 1])
Out[44]: array([ 2.1875, 3.1875, 4.1875, 5.1875, 6.1875])
np.std(a)
Out[45]: 4.3204937989385739
np.var(a)
Out[46]: 18.666666666666668
| 函數(shù) | 說明 |
|---|---|
| min(a) max(a) | 計算數(shù)組a中元素的最小值、最大值 |
| argmin(a) argmax(a) | 計算數(shù)組a中元素的最小值戳晌、最大值的降一維后下標 |
| unravel_index(index,shape) | 根據(jù)shape將一維下標index轉換成多維下標 |
| ptp(a) | 計算數(shù)組a中元素最大值與最小值的差 |
| median(a) | 計算數(shù)組a中元素的中位數(shù)（中值） |
b = np.arange(15,0,-1).reshape(3,5)
b
Out[48]:
array([[15, 14, 13, 12, 11],
[10, 9, 8, 7, 6],
[ 5, 4, 3, 2, 1]])
np.max(b)
Out[49]: 15
np.argmax(b)
Out[50]: 0
np.unravel_index(np.argmax(b), b.shape)
Out[51]: (0, 0)
np.ptp(b)
Out[52]: 14
np.median(b)
Out[53]: 8.0
十鲫尊、numpy的梯度函數(shù)
np.gradient(f)
計算數(shù)組f中元素的梯度，當f為多維時沦偎，返回每個緯度梯度疫向。
a = np.random.randint(0, 20, (5))
a
Out[12]: array([16, 9, 11, 6, 7])
np.gradient(a)
Out[13]: array([-7. , -2.5, -1.5, -2. , 1. ])
b = np.random.randint(0, 50, (3, 5))
b
Out[15]:
array([[13, 46, 38, 8, 47],
[22, 13, 1, 45, 43],
[48, 23, 5, 29, 47]])
np.gradient(b)
Out[16]:
[array([[ 9. , -33. , -37. , 37. , -4. ],
[ 17.5, -11.5, -16.5, 10.5, 0. ],
[ 26. , 10. , 4. , -16. , 4. ]]),
array([[ 33. , 12.5, -19. , 4.5, 39. ],
[ -9. , -10.5, 16. , 21. , -2. ],
[-25. , -21.5, 3. , 21. , 18. ]])]
十一、圖像的數(shù)組表示
圖像的RGB色彩模式
- 取值：0-255
PIL庫
from PIL import Image
Image是PIL庫中代表一個圖像的類（對象）
from PIL import Image
import numpy as np
a = np.array(Image.open("D:/py/el.jpg"))
print(a.shape, a.dtype)
(375, 500, 3) uint8
b = [255, 255, 255] - a
im = Image.fromarray(b.astype('uint8'))
im.save("D:/py/el2.jpg")
el.jpg
el2.jpg
from PIL import Image
import numpy as np
a = np.array(Image.open("D:/py/el.jpg").convert('L'))
b = 255 - a
im = Image.fromarray(b.astype('uint8'))
im.save("D:/py/el3.jpg")
![]()
el3.jpg
el3.jpg
from PIL import Image
import numpy as np
a = np.array(Image.open("D:/py/el.jpg").convert('L'))
c = (100/255)*a + 150 #區(qū)間變換
im = Image.fromarray(c.astype('uint8'))
im.save("D:/py/el4.jpg")
![]()
el4.jpg
el4.jpg
from PIL import Image
import numpy as np
a = np.asarray(Image.open("D:/py/pd.jpg").convert('L')).astype('float')
depth = 10
grad = np.gradient(a)
grad_x, grad_y = grad
grad_x = grad_x*depth/100.
grad_y = grad_y*depth/100.
A = np.sqrt(grad_x**2 + grad_y**2 + 1.)
uni_x = grad_x/A
uni_y = grad_y/A
uni_z = 1./A
vec_el = np.pi/2.2
vec_az = np.pi/4.
dx = np.cos(vec_el)*np.cos(vec_az)
dy = np.cos(vec_el)*np.sin(vec_az)
dz = np.sin(vec_el)
b = 255*(dx*uni_x + dy*uni_y + dz*uni_z)
b = b.clip(0, 255)
im = Image.fromarray(b.astype('uint8'))
im.save("D:/py/pdHD.jpg")
