Python 知识回顾之 Numpy(2)

四、ndarray的聚合操作

1.基本聚合函数

n1 = np.ones(shape=(5, 4))
--->array([[ 1., 1., 1., 1.],
     [ 1., 1., 1., 1.],
     [ 1., 1., 1., 1.],
     [ 1., 1., 1., 1.],
     [ 1., 1., 1., 1.]])

n1.sum()   # numpy 的聚合,默认是把整个数组的所有数据进行运算
---> 20.0

n1.sum(axis=0)   #可以通过axis控制聚合的维度
---> array([ 5., 5., 5., 5.])

常见的聚合函数:
  • np.sum()      求和
  • np.prod()      所有元素相乘
  • np.mean()    平均值
  • np.std()      标准差
  • np.var()      方差
  • np.median()    中数
  • np.power()    幂运算
  • np.sqrt()     开方
  • np.min()     最小值
  • np.max()    最大值
  • np.argmin()     最小值的下标
  • np.argmax()    最大值的下标
  • np.inf      无穷大
  • np.exp(10)   以e为底的指数
  • np.log(10)    对数

2.any()和all()

  • any: 有True返回True
  • all : 有False返回False

n.array([True, True, True])
n.any()
 ---> True
n.all()
 ---> True

n.array([0, 0, 0])
n.any()
 ---> False
n.all()
 ---> False

五、ndarray的矩阵操作

1.基本的矩阵操作

1)算数运算符:
  • 加减乘除

n1 = np.random.randint(0,100,size=(5,3))
n2 = np.random.randint(0,100,size=(5,3))
display(n1, n2)


image.png
image.png

n1 + n2   # numpy的默认运算符方式,数组中对应位置的数据相互运算


image.png

减,乘,除同理

2) 矩阵积np.dot()

n1 = np.array([[1,2],[3,4]])
n2 = np.array([[1,1],[2,2]])
np.dot(n1, n2)
---> array( [ [5, 5], [11, 11] ] )

矩阵积原理:


image.png

2.广播机制

  • 为缺失的维度补1
  • 假定缺失元素用已有值填充

m = np.ones(2,3)
---> array([[1., 1., 1.], [1., 1., 1.]])
a = np.arange(3)
---> array([0, 1, 2])
m+a
---> array([[1., 2., 3.], [1., 2., 3.]])

a = np.arange(3).reshape((3, 1))
b = np.arange(3)
a + b
---> array([[0, 1, 2], [1, 2, 3], [2, 3, 4]])

a = np.ones((4, 1))
b = np.arange(4)
a + b
---> array([[1., 2., 3., 4.],
       [1., 2., 3., 4.],
       [1., 2., 3., 4.],
       [1., 2., 3., 4.]])

六、ndarray的排序

1.快速排序

  • np.sort() 不改变输入
  • ndarray.sort() 本地处理,不占用空间,但改变输入

data = np.array([9, 8, 5, 2, 3, 0, 4, 1, 6, 7])
sort_values = np.sort(data)
sort_values
---> array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

data.sort()
data
---> array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 201,552评论 5 474
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 84,666评论 2 377
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 148,519评论 0 334
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,180评论 1 272
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,205评论 5 363
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,344评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,781评论 3 393
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,449评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,635评论 1 295
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,467评论 2 317
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,515评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,217评论 3 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,775评论 3 303
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,851评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,084评论 1 258
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,637评论 2 348
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,204评论 2 341

推荐阅读更多精彩内容