pq 中m函数判断嵌套-凯发k8官方网
关注微xin公共hao：小程在线
import numpy as np
###################################数据的布尔值判断###发财中国年##########
x=np.array([1,2,3,4,5])
x
out[1]: array([1, 2, 3, 4, 5])
#判断x是否小于2
x<2
out[2]: array([ true, false, false, false, false])
#判断x小于2或者大于4
(x<2) | (x>4)
out[4]: array([ true, false, false, false, true])
mask=x<3
mask
out[5]: array([ true, true, false, false, false])
x[mask]
out[6]: array([1, 2])
np.sum(x<3)
out[7]: 2
y=np.array([[1,2,3,4,5],[6,7,8,9,10]])
y
out[8]:
array([[ 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10]])
x == y[0,]
out[9]: array([ true, true, true, true, true])
#两个数组比较
a1 = np.arange(9).reshape(3, 3)
a2 = np.arange(9, 0 , -1).reshape(3, 3)
a1 < a2
out[10]:
array([[ true, true, true],
[ true, true, false],
[false, false, false]])
###########数据的切片选择(开始位，结束位，步长)############百万英雄########
#位置值从0开始的
x=np.arange(0,10)
x[4:6]
out[11]: array([4, 5])
#从0开始，步长为2的数据
x[::2]
out[12]: array([0, 2, 4, 6, 8])
#倒序
x[::-1]
out[13]: array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])
#取前6个数据
x[:6]
out[14]: array([0, 1, 2, 3, 4, 5])
#从第2的位置开始选
x[2:]
out[15]: array([2, 3, 4, 5, 6, 7, 8, 9])
#二维数据的切片处理
y=np.arange(0,16).reshape(4,4)
y
out[16]:
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15]])
y[:,1:3]
out[17]:
array([[ 1, 2],
[ 5, 6],
[ 9, 10],
[13, 14]])
y[1:3,2:4]
out[18]:
array([[ 6, 7],
[10, 11]])
y[[1,3],:]
out[19]:
array([[ 4, 5, 6, 7],
[12, 13, 14, 15]])
######################数据的维度变化#########发财中国年###########
x=np.arange(0,9)
y=x.reshape(3,3)
y
out[20]:
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
x=np.arange(0,9)
y=x.reshape(3,3)
y
out[21]:
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
#返回一个新的数组，不是修改原来的数组
y.reshape(9)
out[22]: array([0, 1, 2, 3, 4, 5, 6, 7, 8])
y
out[23]:
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
reshaped = y.reshape(np.size(y))
raveled = y.ravel() #将数据展开成一维的
reshaped[2] = 1000
raveled[5] = 2000
y
out[24]:
array([[ 0, 1, 1000],
[ 3, 4, 2000],
[ 6, 7, 8]])
y = np.arange(0, 9).reshape(3,3)
flattened = y.flatten() #将数据展开成一维的
flattened[0] = 1000
flattened
out[25]: array([1000, 1, 2, 3, 4, 5, 6, 7, 8])
flattened.shape = (3, 3)
flattened
out[26]:
array([[1000, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8]])
#数据的转置
flattened.t
out[27]:
array([[1000, 3, 6],
[ 1, 4, 7],
[ 2, 5, 8]])
############################数据的合并处理#########
a = np.arange(9).reshape(3, 3)
b = (a 1) * 10
a
out[28]:
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
b
out[29]:
array([[10, 20, 30],
[40, 50, 60],
[70, 80, 90]])
#水平方向
np.hstack((a, b))
out[30]:
array([[ 0, 1, 2, 10, 20, 30],
[ 3, 4, 5, 40, 50, 60],
[ 6, 7, 8, 70, 80, 90]])
#垂直方向
np.vstack((a, b))
out[31]:
array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[10, 20, 30],
[40, 50, 60],
[70, 80, 90]])
#axis = 1横轴方向，axis = 0 竖轴方向
np.concatenate((a, b), axis = 1)
out[32]:
array([[ 0, 1, 2, 10, 20, 30],
[ 3, 4, 5, 40, 50, 60],
[ 6, 7, 8, 70, 80, 90]])
#每列相互拼接
np.dstack((a, b))
out[33]:
array([[[ 0, 10],
[ 1, 20],
[ 2, 30]],
[[ 3, 40],
[ 4, 50],
[ 5, 60]],
[[ 6, 70],
[ 7, 80],
[ 8, 90]]])
#两列拼接
one_d_a = np.arange(5)
one_d_b = (one_d_a 1) * 10
np.column_stack((one_d_a, one_d_b))
out[36]:
array([[ 0, 10],
[ 1, 20],
[ 2, 30],
[ 3, 40],
[ 4, 50]])
##行叠加
np.row_stack((one_d_a, one_d_b))
out[37]:
array([[ 0, 1, 2, 3, 4],
[10, 20, 30, 40, 50]])
##########################通用函数###百万英雄出题官#
m = np.arange(10, 19).reshape(3, 3)
print (m)
print ("{0} min of the entire matrix".format(m.min()))
print ("{0} max of entire matrix".format(m.max()))
##最小值、最大值的位置
print ("{0} position of the min value".format(m.argmin()))
print ("{0} position of the max value".format(m.argmax()))
#每列、每行的最小值
print ("{0} mins down each column".format(m.min(axis = 0)))
print ("{0} mins across each row".format(m.min(axis = 1)))
#每列、每行的最大值
print ("{0} maxs down each column".format(m.max(axis = 0)))
print ("{0} maxs across each row".format(m.max(axis = 1)))
[[10 11 12]
[13 14 15]
[16 17 18]]
10 min of the entire matrix
18 max of entire matrix
0 position of the min value
8 position of the max value
[10 11 12] mins down each column
[10 13 16] mins across each row
[16 17 18] maxs down each column
[12 15 18] maxs across each row
#平均值，标准差，方差
a
out[41]: array([1, 2, 3, 4, 5, 6, 7, 8, 9])
a = np.arange(1,10)
a.mean(), a.std(), a.var()
out[39]: (5.0, 2.581988897471611, 6.666666666666667)
#求和，乘积
a.sum(), a.prod()
out[40]: (45, 362880)
#累加和，累加乘
a.cumsum(), a.cumprod()
out[42]:
(array([ 1, 3, 6, 10, 15, 21, 28, 36, 45], dtype=int32),
array([ 1, 2, 6, 24, 120, 720, 5040, 40320,
362880], dtype=int32))
总结
以上是凯发k8官方网为你收集整理的pq 中m函数判断嵌套_python中numpy的布尔判断、切片、维度变化、合并、通用函数...的全部内容，希望文章能够帮你解决所遇到的问题。
- 上一篇：
- 下一篇： 对象 普通po转_谈谈c 对象的构造