一 代码
import numpy as np
print(np.arange(1,11))
print(np.arange(1,11).reshape([2,5]))
print(np.arange(1,11).reshape([2,-1]))
lst=np.arange(1,11).reshape([2,-1])
print("exp:")
print(np.exp(lst))
print("exp2:")
print(np.exp2(lst))
print("sqrt:")
print(np.sqrt(lst))
print("sin:")
print(np.sin(lst))
print("log:")
print(np.log(lst))
lst = np.array([[[1,2,3,4],
[4,5,6,7,]],
[[7,8,9,10],
[10,11,12,13]],
[[14,15,16,17],
[18,19,20,21]]
])
print(lst.sum())
print(lst.sum(axis=0))
print(lst.sum(axis=1))
print(lst.sum(axis=2))
print(lst.max())
print("Max")
print(lst.max(axis=1))
print("Min")
print(lst.min(axis=0))
lst1 = np.array([10,20,30,40])
lst2 = np.array([4,3,2,1])
print(lst1+lst2)
print(lst1-lst2)
print(lst1*lst2)
print(lst1/lst2)
print(lst1**2)
print(np.dot(lst1.reshape([2,2]),lst2.reshape([2,2])))
print(np.concatenate((lst1,lst2),axis=0))
print(np.vstack((lst1,lst2)))
print(np.hstack((lst1,lst2)))
print(np.split(lst1,2))
print(np.split(lst1,4))
print(np.copy(lst1))
二 运行结果
[ 1 2 3 4 5 6 7 8 9 10]
[[ 1 2 3 4 5]
[ 6 7 8 9 10]]
[[ 1 2 3 4 5]
[ 6 7 8 9 10]]
exp:
[[ 2.71828183e+00 7.38905610e+00 2.00855369e+01 5.45981500e+01
1.48413159e+02]
[ 4.03428793e+02 1.09663316e+03 2.98095799e+03 8.10308393e+03
2.20264658e+04]]
exp2:
[[ 2. 4. 8. 16. 32.]
[ 64. 128. 256. 512. 1024.]]
sqrt:
[[ 1. 1.41421356 1.73205081 2. 2.23606798]
[ 2.44948974 2.64575131 2.82842712 3. 3.16227766]]
sin:
[[ 0.84147098 0.90929743 0.14112001 -0.7568025 -0.95892427]
[-0.2794155 0.6569866 0.98935825 0.41211849 -0.54402111]]
log:
[[ 0. 0.69314718 1.09861229 1.38629436 1.60943791]
[ 1.79175947 1.94591015 2.07944154 2.19722458 2.30258509]]
252
[[22 25 28 31]
[32 35 38 41]]
[[ 5 7 9 11]
[17 19 21 23]
[32 34 36 38]]
[[10 22]
[34 46]
[62 78]]
21
Max
[[ 4 5 6 7]
[10 11 12 13]
[18 19 20 21]]
Min
[[1 2 3 4]
[4 5 6 7]]
[14 23 32 41]
[ 6 17 28 39]
[40 60 60 40]
[ 2.5 6.66666667 15. 40. ]
[ 100 400 900 1600]
[[ 80 50]
[200 130]]
[10 20 30 40 4 3 2 1]
[[10 20 30 40]
[ 4 3 2 1]]
[10 20 30 40 4 3 2 1]
[array([10, 20]), array([30, 40])]
[array([10]), array([20]), array([30]), array([40])]
[10 20 30 40]
相关推荐
python dataframe, numpy 常用操作 _ 个人整理.pdf
NumPy(Numerical Python)是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵,比Python自身的嵌套列表(nested list structure)结构要高效的多(该结构也可以用来表示矩阵(matrix)),支持...
NumPy 是 Python 语言的一个扩充程序库。支持高效的多数组与矩阵运算,此外也针对数组运算提供大量的数学函数库。NumPy 的科学计算十分高效,因此弥补了 Python 在运算效率上的不足。 在本文中,我们将简单介绍在...
NumPy数组的常用操作包括形状改变、运算和统计等,这些操作大多可以通过两种方式实 现: 1. 通过NumPy数组ndarray类定义的方法实现 2. 通过NumPy函数对数组的操作实现 两种方式功能相同,主要区别在于通过NumPy函数...
02Python科学计算库-Numpy 课时9科学计算库Numpy.mp4 - 48.70MB ...课时13矩阵常用操作.mp4 - 36.97MB 课时12Numpy常用函数.mp4 - 49.64MB 课时11Numpy矩阵基础.mp4 - 24.00MB 课时10Numpy基础结构.mp4 - 38.47MB
python numpy库的使用
本章主要介绍numpy常用操作命令。 1、从txt文本中获取数据 先来看下原始的txt文件内容如下: 通过numpy的genfromtxt函数获取txt文件内容 这里使用的是jupyter notebook编辑工具,此工具比较方便快捷的进
numpy 科学计算array的常用初始化、操作 注意事项,以及各种随机数的demo
汇总了深度学习用python编程过程中用到的numpy命令,小白自己总结包括常用命令用法分类,命令实例以及实例运行结果,大神能还请赐教!
Numpy是什么 在没给大家介绍numpy之前先给大家说下python的基本概念。 Python 是一种高级的,动态的,多泛型的编程语言。...数组常用函数 1.where() 按条件返回数组的索引值 2.take(a,index) 从数组a中按照索引in
Python计算类(Numpy)思维导图,便捷整理思路,Numpy是什么?、为什么使用Numpy、Numpy安装、Numpy基础、创建数组并查看、基本运算、常用函数、索引、切片、迭代、形状操作
在对大型数组执行操作时,Numpy的速度比Python列表的速度快了好几百。因为Numpy数组本身能节省内存,并且Numpy在执行算术、统计和线性代数运算时采用了优化算法。 Numpy的另一个强大功能是具有可以表示向量和矩阵的...
Numpy是一个常用的Python科学技术库,通过它可以快速对数组进行操作,包括形状操作、排序、选择、输入输出、离散傅立叶变换、基本线性代数,基本统计运算和随机模拟等。许多Python库和科学计算的软件包都使用Numpy...
下面小编就为大家分享一篇浅谈numpy库的常用基本操作方法,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
一些简单的用法列出来,稍稍绕的给大家上图! (1)基础代码 num=[1,2,3] print(num) (2)生成矩阵 (array arange floor random...print(numpy.arange(15),numpy.arange(15)) # 随机构造一个0-1区间的值 random((2,3
初学者需要了解NumPy库的基础知识,包括矩阵和数组的操作、矩阵的数学运算、矩阵的变形和索引等。 二、常用NumPy数据分析技巧 1.数据的读取和存储:NumPy库提供了读写各种格式的数据文件的方法,例如读取和写入文本...
Numpy 和 scikit-learn 都是python常用的第三方库。numpy库可以用来存储和处理大型矩阵,并且在一定程度上弥补了python在运算效率上的不足,正是因为numpy的存在使得python成为数值计算领域的一大利器;sklearn是...
Numpy在python中属于非常常用的包,无论是机器学习搭配pandas,还是数据可视化搭配pylab都是很正常的搭配。 Numpy numpy的官方中文文档:NumPy 中文 NumPy是使用Python进行科学计算的基础软件包。除其他外,它包括...