Numpy简易入门

【NumPy基础】100道numpy练习——初学与入门篇 100道numpy练习 @author:wepon @blog:http://blog.youkuaiyun.com/u012162613/article/details/42784403 今天在deeplearning.net上看theano tutorial,发现一个numpy-100-exercise,介绍numpy一些基本用法的,不过不是很具体,我利用闲暇时间照着敲了一些,权且当作翻 阅读详情

本文提供最简易的 Numpy 的入门教程,适合初学者。(黄海广)

1.Numpy 简易入门

NumPy(Numeric Python)提供了许多高级的数值编程工具,如:矩阵数据类型、矢量处理,以及精密的运算库。专为进行严格的数字处理而产生。多为很多大型金融公司使用,以及核心的科学计算组织如:Lawrence Livermore,NASA 用其处理一些本来使用 C++,Fortran 或 Matlab 等所做的任务。

我曾经整理过两篇关于Numpy的文章,好评如潮:

本文总结了Numpy的常用操作,并做成练习题,练习题附答案建议读者把练习题完成。作者认为,做完练习题,Numpy的基本操作没有问题了,以后碰到问题也可以查这些习题。

用 NumPy 手写所有主流 ML 模型,普林斯顿博士后 David Bourgin 最近开源了一个非常剽悍的项目。超过 3 万行代码、30 多个模型。

怎么学:

先完整运行本文的代码,预计用一天时间就够了,再尝试完成Numpy练习题100题,巩固下,接着呢?可以看看上面那篇文章的大神手写的主流机器学习模型代码,看懂就行。

备注:本文代码可以在github下载

https://github.com/fengdu78/Data-Science-Notes/tree/master/2.numpy

1.1 认识 NumPy 数组对象

Numpy 是一个用 python 实现的科学计算的扩展程序库,包括:

  • 1、一个强大的 N 维数组对象 Array;

  • 2、比较成熟的(广播)函数库;

  • 3、用于整合 C/C++和 Fortran 代码的工具包;

  • 4、实用的线性代数、傅里叶变换和随机数生成函数。numpy 和稀疏矩阵运算包 scipy 配合使用更加方便。

import numpy as np                     # 导入NumPy工具包
data = np.arange(12).reshape(3, 4)  # 创建一个3行4列的数组
data
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
type(data)
numpy.ndarray
data.ndim         # 数组维度的个数,输出结果2,表示二维数组
2
data.shape        # 数组的维度,输出结果(3,4),表示3行4列
(3, 4)
data.size         # 数组元素的个数,输出结果12,表示总共有12个元素
12
data.dtype # 数组元素的类型,输出结果dtype('int64'),表示元素类型都是int64
dtype('int32')

1.2 创建 NumPy 数组

import numpy as np
data1 = np.array([1, 2, 3])                   # 创建一个一维数组
data1
array([1, 2, 3])
data2 = np.array([[1, 2, 3], [4, 5, 6]])   # 创建一个二维数组
data2
array([[1, 2, 3],
       [4, 5, 6]])
np.zeros((3, 4))#创建一个全0数组
array([[0., 0., 0., 0.],
       [0., 0., 0., 0.],
       [0., 0., 0., 0.]])
np.ones((3, 4))#创建全一数组
array([[1., 1., 1., 1.],
       [1., 1., 1., 1.],
       [1., 1., 1., 1.]])
np.empty((5, 2))# 创建全空数组,其实每个值都是接近于零的数
array([[ 6.95312756e-310,  2.12199579e-314],
       [ 2.12199579e-314,  4.94065646e-324],
       [ 0.00000000e+000, -7.06252554e-311],
       [ 0.00000000e+000, -8.12021073e-313],
       [ 1.29923372e-311,  2.07507571e-322]])
np.arange(1, 20, 5)
array([ 1,  6, 11, 16])
np.array([1, 2, 3, 4], float)
array([1., 2., 3., 4.])
np.ones((2, 3), dtype='float64')
array([[1., 1., 1.],
       [1., 1., 1.]])

1.3 ndarry 对象的数据类型

1.3.1 查看数据类型

data_one = np.array([[1, 2, 3], [4, 5, 6]])
data_one.dtype.name
'int32'

1.3.2 转换数据类型

data = np.array([[1, 2, 3], [4, 5, 6]])
data.dtype
dtype('int32')
float_data = data.astype(np.float64) # 数据类型转换为float64
float_data.dtype
dtype('float64')
float_data = np.array([1.2, 2.3, 3.5])
float_data
array([1.2, 2.3, 3.5])
int_data = float_data.astype(np.int64) # 数据类型转换为int64
int_data
array([1, 2, 3], dtype=int64)
str_data = np.array(['1', '2', '3'])
int_data = str_data.astype(np.int64)
int_data
array([1, 2, 3], dtype=int64)

1.4 数组运算

1.4.1 向量化运算

import numpy as np
data1 = np.array([[1, 2, 3], [4, 5, 6]])
data2 = np.array([[1, 2, 3], [4, 5, 6]])
data1 + data2        # 数组相加
array([[ 2,  4,  6],
       [ 8, 10, 12]])
data1 * data2        # 数组相乘
array([[ 1,  4,  9],
       [16, 25, 36]])
data1 - data2        # 数组相减
array([[0, 0, 0],
       [0, 0, 0]])
data1 / data2       # 数组相除
array([[1., 1., 1.],
       [1., 1., 1.]])

1.4.2 数组广播

numpy 数组间的基础运算是一对一,也就是a.shape==b.shape,但是当两者不一样的时候,就会自动触发广播机制,如下例子:

import numpy as np
arr1 = np.array([[0], [1], [2], [3]])
arr1.shape
(4, 1)
arr2 = np.array([1, 2, 3])
arr2.shape
(3,)
arr1 + arr2
array([[1, 2, 3],
       [2, 3, 4],
       [3, 4, 5],
       [4, 5, 6]])

到这里,我们来给出一张图:

5d40a21d95df227f4105306b6149db77.png

也可以看这张图:

b04ae671c4bb95af91cde69309f13da7.png

1.4.3 数组与标量间的运算

import numpy as np
data1 = np.array([[1, 2, 3], [4, 5, 6]])
data2 = 10
data1 + data2      # 数组相加
array([[11, 12, 13],
       [14, 15, 16]])
data1 * data2       # 数组相乘
array([[10, 20, 30],
       [40, 50, 60]])
data1 - data2        # 数组相减
array([[-9, -8, -7],
       [-6, -5, -4]])
data1 / data2       # 数组相除
array([[0.1, 0.2, 0.3],
       [0.4, 0.5, 0.6]])

1.5 ndarray 的索引和切片

1.5.1 整数索引和切片的基本使用

我们一起来来总结一下,看下面切片取值方式(对应颜色是取出来的结果):

d6d4b2b5ceca29cda361cecf813fc13d.png

06757823f77f8523ac9699748d405799.png

import numpy as np
arr = np.arange(8)    # 创建一个一维数组
arr
array([0, 1, 2, 3, 4, 5, 6, 7])
arr[5]                  # 获取索引为5的元素
5
arr[3:5]                # 获取索引为3~5的元素,但不包括5
array([3, 4])
arr[1:6:2]              # 获取索引为1~6的元素,步长为2
array([1, 3, 5])
import numpy as np
arr2d = np.array([[1, 2, 3],[4, 5, 6],[7, 8, 9]]) # 创建二维数组
arr2d
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])
arr2d[1]            # 获取索引为1的元素
array([4, 5, 6])
arr2d[0, 1]        # 获取位于第0行第1列的元素
2
arr2d[:2]
array([[1, 2, 3],
       [4, 5, 6]])
arr2d[0:2, 0:2]
array([[1, 2],
       [4, 5]])
arr2d[1, :2]
array([4, 5])

1.5.2 花式(数组)索引的基本使用

import numpy as np
demo_arr = np.empty((4, 4))               # 创建一个空数组
for i in range(4):
    demo_arr[i] = np.arange(i, i + 4)   # 动态地为数组添加元素
demo_arr
array([[0., 1., 2., 3.],
       [1., 2., 3., 4.],
       [2., 3., 4., 5.],
       [3., 4., 5., 6.]])
demo_arr[[0, 2]]        # 获取索引为[0,2]的元素
array([[0., 1., 2., 3.],
       [2., 3., 4., 5.]])
demo_arr[[1, 3], [1, 2]]     # 获取索引为(1,1)和(3,2)的元素
array([2., 5.])

1.5.3 布尔型

# 存储学生姓名的数组
student_name = np.array(['Tom', 'Lily', 'Jack', 'Rose'])
student_name
array(['Tom', 'Lily', 'Jack', 'Rose'], dtype='<U4')
# 存储学生成绩的数组
student_score = np.array([[79, 88, 80], [89, 90, 92], [83, 78, 85], [78, 76, 80]])
student_score
array([[79, 88, 80],
       [89, 90, 92],
       [83, 78, 85],
       [78, 76, 80]])
# 对student_name和字符串“Jack”通过运算符产生一个布尔型数组
student_name == 'Jack'
array([False, False,  True, False])
# 将布尔数组作为索引应用于存储成绩的数组student_score,
# 返回的数据是True值对应的行
student_score[student_name=='Jack']
array([[83, 78, 85]])
student_score[student_name=='Jack', :1]
array([[83]])

1.6 数组的转置和轴对称

arr = np.arange(12).reshape(3, 4)
arr
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
arr.T      # 使用T属性对数组进行转置
array([[ 0,  4,  8],
       [ 1,  5,  9],
       [ 2,  6, 10],
       [ 3,  7, 11]])
arr = np.arange(16).reshape((2, 2, 4))
arr
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],

       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]]])
arr.transpose(1, 2, 0)   # 使用transpose()方法对数组进行转置
array([[[ 0,  8],
        [ 1,  9],
        [ 2, 10],
        [ 3, 11]],

       [[ 4, 12],
        [ 5, 13],
        [ 6, 14],
        [ 7, 15]]])
arr
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7]],

       [[ 8,  9, 10, 11],
        [12, 13, 14, 15]]])
arr.swapaxes(1, 0)    # 使用swapaxes方法对数组进行转置
array([[[ 0,  1,  2,  3],
        [ 8,  9, 10, 11]],

       [[ 4,  5,  6,  7],
        [12, 13, 14, 15]]])

1.7 NumPy 通用函数

arr = np.array([4, 9, 16])
np.sqrt(arr)#开方
array([2., 3., 4.])
np.abs(arr)#求绝对值
array([ 4,  9, 16])
np.square(arr)#求平方
array([ 16,  81, 256], dtype=int32)
x = np.array([12, 9, 13, 15])
y = np.array([11, 10, 4, 8])
np.add(x, y)      # 计算两个数组的和
array([23, 19, 17, 23])
np.multiply(x, y) # 计算两个数组的乘积
array([132,  90,  52, 120])
np.maximum(x, y)  # 两个数组元素级最大值的比较
array([12, 10, 13, 15])
np.greater(x, y)  # 执行元素级的比较操作
array([ True, False,  True,  True])

1.8 利用 NumPy 数组进行数据处理

1.8.1 将条件逻辑转为数组运算

arr_x = np.array([1, 5, 7])
arr_y = np.array([2, 6, 8])
arr_con = np.array([True, False, True])
result = np.where(arr_con, arr_x, arr_y)
result
array([1, 6, 7])

1.8.2 数组统计运算

arr = np.arange(10)
arr.sum()      # 求和
45
arr.mean()     # 求平均值
4.5
arr.min()      # 求最小值
0
arr.max()       # 求最大值
9
arr.argmin()   # 求最小值的索引
0
arr.argmax()   # 求最大值的索引
9
arr.cumsum()   # 计算元素的累计和
array([ 0,  1,  3,  6, 10, 15, 21, 28, 36, 45], dtype=int32)
arr.cumprod()  # 计算元素的累计积
array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0], dtype=int32)
x = np.arange(1 , 16).reshape((3 , 5))
print(x)
[[ 1  2  3  4  5]
 [ 6  7  8  9 10]
 [11 12 13 14 15]]
np.diff(x,axis=1) #默认axis=1
array([[1, 1, 1, 1],
       [1, 1, 1, 1],
       [1, 1, 1, 1]])
np.diff(x,axis=0)
array([[5, 5, 5, 5, 5],
       [5, 5, 5, 5, 5]])
np.floor([-0.6,-1.4,-0.1,-1.8,0,1.4,1.7])
array([-1., -2., -1., -2.,  0.,  1.,  1.])

看到没,负数取整,跟上述的 around 一样,是向左!

np.ceil([1.2,1.5,1.8,2.1,2.0,-0.5,-0.6,-0.3])
array([ 2.,  2.,  2.,  3.,  2., -0., -0., -0.])

取上限!找这个小数的最大整数即可!

查找,利用 np.where 实现小于 0 的值用 0 填充吗,大于 0 的数不变!

x = np.array([[1, 0],
       [2, -2],
     [-2, 1]])
print(x)
[[ 1  0]
 [ 2 -2]
 [-2  1]]
np.where(x>0,x,0)
array([[1, 0],
       [2, 0],
       [0, 1]])

1.8.3 数组排序

arr = np.array([[6, 2, 7], [3, 6, 2], [4, 3, 2]])
arr
array([[6, 2, 7],
       [3, 6, 2],
       [4, 3, 2]])
arr.sort()
arr
array([[2, 6, 7],
       [2, 3, 6],
       [2, 3, 4]])
arr = np.array([[6, 2, 7], [3, 6, 2], [4, 3, 2]])
arr
array([[6, 2, 7],
       [3, 6, 2],
       [4, 3, 2]])
arr.sort(0)       # 沿着编号为0的轴对元素排序
arr
array([[3, 2, 2],
       [4, 3, 2],
       [6, 6, 7]])

1.8.4 检索数组元素

arr = np.array([[1, -2, -7], [-3, 6, 2], [-4, 3, 2]])
arr
array([[ 1, -2, -7],
       [-3,  6,  2],
       [-4,  3,  2]])
np.any(arr > 0)      # arr的所有元素是否有一个大于0
True
np.all(arr > 0)      # arr的所有元素是否都大于0
False

1.8.5 唯一化及其他集合逻辑

arr = np.array([12, 11, 34, 23, 12, 8, 11])
np.unique(arr)
array([ 8, 11, 12, 23, 34])
np.in1d(arr, [11, 12])
array([ True,  True, False, False,  True, False,  True])

1.9 线性代数模块

arr_x = np.array([[1, 2, 3], [4, 5, 6]])
arr_y = np.array([[1, 2], [3, 4], [5, 6]])
arr_x.dot(arr_y)   # 等价于np.dot(arr_x, arr_y)
array([[22, 28],
       [49, 64]])

1.10 随机数模块

import numpy as np
np.random.rand(3, 3)     # 随机生成一个二维数组
array([[0.90422833, 0.57874299, 0.36084718],
       [0.46674697, 0.59189161, 0.88876503],
       [0.51836003, 0.30765097, 0.79668824]])
np.random.rand(2, 3, 3) # 随机生成一个三维数组
array([[[0.21438832, 0.58877977, 0.86120009],
        [0.15222229, 0.53060997, 0.0562486 ],
        [0.88035435, 0.32505223, 0.9045713 ]],

       [[0.32907094, 0.88987195, 0.34523123],
        [0.90645746, 0.61257549, 0.83944649],
        [0.2015535 , 0.84522463, 0.87759584]]])
import numpy as np
np.random.seed(0)   # 生成随机数的种子
np.random.rand(5)   # 随机生成包含5个元素的浮点数组
array([0.5488135 , 0.71518937, 0.60276338, 0.54488318, 0.4236548 ])
np.random.seed(0)
np.random.rand(5)
array([0.5488135 , 0.71518937, 0.60276338, 0.54488318, 0.4236548 ])
np.random.seed()
np.random.rand(5)
array([0.19299506, 0.41434116, 0.90011257, 0.37469705, 0.69775797])

备注:本文代码可以在github下载

https://github.com/fengdu78/Data-Science-Notes/tree/master/2.numpy

觉得还不错就给我一个小小的鼓励吧!
深度学习基础之numpy,轻松入门numpy 深度学习基础之numpy,小白轻松入门numpy,送书了!!! 阅读详情

相关推荐

Mac上Ollama服务IP访问失败的3种修复方法(含永久生效配置)

本文详细介绍了Mac上Ollama服务IP访问失败的3种修复方法,包括临时环境变量覆盖、永久Shell配置修改及进阶排查技巧。重点解析了OLLAMA_HOST环境变量的配置原理,帮助开发者解决Connection refused问题,实现局域网IP访问Ollama服务的需求。

weixin_29209805的博客 210

Python:如何在numpy数组从名字提取相应的成绩?

# 存储学生姓名的数组 student_name = np.array(['Tom', 'Lily', 'Jack', 'Rose']) # 存储学生成绩语数英的数组 student_score = np.array([[79, 88, 80], [89, 90, 92], [83, 78, 85], [78, 76, 80]]) # 如何提取Jack的成绩? 1、确认索引为Jack为Ture的值,2、索引Ture的成绩数组 print("Jack索引值:",student_name=="Jack")

博樽 2173

ST-LINK调试STM32H743必看:CubeMX工程中缺失的这行代码导致程序跑飞

本文深入剖析了使用ST-LINK调试STM32H743时,因CubeMX工程中缺失电源电压档位配置代码而导致程序跑飞或出现“Can not access memory”错误的问题。文章解释了H7系列电源与时钟耦合的核心原理,提供了具体的代码修复方案和系统化的调试排查思路,帮助开发者从根本上解决这一常见调试困境。

weixin_29191669的博客 282

AI基础:Numpy简易入门

本文提供最简易的 Numpy 的入门教程,适合初学者。1.Numpy 简易入门NumPy(Numeric Python)提供了许多高级的数值编程工具,如:矩阵数据类型、矢量处理,以及精密的运算库。专为进行严格的数字处理而产生。多为很多大型金融公司使用,以及核心的科学计算组织如:Lawrence Livermore,NASA 用其处理一些本来使用 C++,Fortran 或 Matlab 等所做的任...

涛哥聊Python 990

VCS和UVM常用编译选项

VCS编译选项 -full64 在64bit模式下编译、仿真,用于64位操作系统 -j8 指定编译器可以并行编译的进程数为8 -timescale=1ns/1ps 指定仿真时间和精度 +libext+.v+.V+.sv+.svh 识别.v、.sv、.svh等多种格式文件 -sverilog 支持system verilog 编译 -f xxx.lisf 指定包含所有设计文件列表的文件名 -top test 设置顶层模块为test。(指包含.

qq_40571921的博客 9935

VMware ESXi 7.0下Intel网卡SR-IOV配置实战:解决虚拟化网络延迟问题

本文详细介绍了在VMware ESXi 7.0环境下为Intel网卡配置SR-IOV(单根I/O虚拟化)的完整实战流程。通过硬件辅助直通技术,虚拟机可直接访问物理网卡资源,有效绕过虚拟化层瓶颈,从而显著降低网络延迟和CPU开销,适用于金融交易、实时计算等对性能敏感的场景。

embedding5hiker的博客 555

数据分析-numpy入门笔记

本文参考黄博士学习资料做的笔记,代码执行环境是notebook

abc360605383的博客 455

CoDeSys系列-3、Windows运行时软PLC主站和p-net从站IO设备组网测试

前面CODESY下载安装并熟悉了,p-net搭建从站也已经跑在虚拟机树莓派上了,我们只需要快速搭建一个profinet主站来和从站进行交互即可,这里我们直接用Windows下带的软PLC搭建profinet主站并和p-net的demo从站程序进行IO交互。评估是否进行Windows下的运行时PLC前先看一下注意事项,Windows下安装配置会需要修改boot及防火墙等,可能会影响Windows电脑的正常使用,所以创建项目时的设备可以选择非RTE的。

逍遥游的博客 7316

Python之Numpy(二)

文章目录一、数组广播1. 创建arr12.创建arr23.数组加法运算二、数组与标量之间的运算1. 与标量相加2. 与标量相乘三、ndarray的索引和切片1. 创建数组2.通过索引访问3.通过切片访问4.创建arr2d四、花式(数组)索引的基本使用1. 创建二维数组2. 通过切片访问3. 通过索引访问五、布尔型索引的使用1.创建student_name2.创建student_score3. 数组的转置和轴的对称4. 数组的转置5. reshape函数6.transpose函数7.swapaxes函数 一、

陌小柠的博客 957

Fakra连接器封装的PCB处理方式分析与总结

以往的项目中,关于Fakra连接器封装焊盘的PCB处理方式一直未有明确的规则定义,不同的处理方式,产生的效果各不相同,严重影响到设计的一致性,为此,本文针对这一设计上的缺陷进行了量化分析: 以十层板设计为例,分别从插入损耗(IL)、回波损耗(RL)、特性阻抗(Z0)三个维度进行了分析对比,最终,总结出适合的PCB设计规则,并且,该规则也适用于十层以外的叠构设计。

一只豌豆象的博客 2239

英飞凌Tricore问题排查01_Det/Reset/Trap排查宝典

软件跑飞进Det或发生Reset或进Trap了,怎么查?有固定套路可以follow吗?英飞凌Tricore又有哪些专门的定位办法?本篇为您娓娓道来。

initiallizer的博客 4419

NumPy入门

本文其实属于:Python的进阶之道【AIoT阶段一】的一部分内容,本篇把这部分内容单独截取出来,方便大家的观看,本文介绍 NumPy入门,后续还会单独发一篇 NumPy高级内容供读者学习。

佛系更新 6322

11、气动外形优化中的连续伴随方法

本文探讨了连续伴随方法在气动外形优化中的理论背景、实现和验证过程。通过使用DLR的FLOWer求解器,将伴随方法应用于Euler和Navier-Stokes方程,以高效计算成本函数梯度,从而显著减少优化过程中的计算成本。文章还介绍了该方法在RAE2822翼型和ONERA M6机翼等案例中的应用,并展示了其准确性和效率。未来展望包括扩展到复杂流动模拟和多学科优化。

desk3的博客 169

Numpy简易教程——入门篇

Numpy-入门笔记 文章目录Numpy-入门笔记一.ndarray对象及其使用1.常用属性2.ndarray对象创建(1)从python中的元组或列表中创建,在不指定dtype属性的值是,Numpy自动根据元素类型改变(2)使用Numpy中的函数(3)Numpy的其他函数使用3.ndarray对象的维度与元素类型变换 一.ndarray对象及其使用 1.常用属性 例子: 2.ndarray对...

qq_44932835的博客 680

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

numpy简易入门指南

文章目录一、导入1.1 导入1.2 查看版本二、创建2.1通过列表创建2.1.1 创建一维数组2.1.2 创建二维数组2.2从头创建2.2.1 固定元素全0 `np.zeros`全1 `np.ones`全某值`np.full`单位矩阵`np.eye()`2.2.2 序列等差数列`np.arange`均匀分布数列`np.linspace`等比数列`np.logspace`2.2.3 随机0~1间所及构成数组`np.random.random()`创建小于某个值的随机数组`np.random.randint()

weixin_44523829的博客 381

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

【机器学习】小白入门系列1:Numpy简易入门

本文提供最简易的 Numpy 的入门教程,适合初学者。(黄海广)1.Numpy 简易入门NumPy(Numeric Python)提供了许多高级的数值编程工具,如:矩阵数据类型、矢量处理,以及精密的运算库。专为进行严格的数字处理而产生。多为很多大型金融公司使用,以及核心的科学计算组织如:Lawrence Livermore,NASA 用其处理一些本来使用 C++,Fortran 或 Matlab ...

fengdu78的博客 329

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

numpy简易入门包括矩阵、线性代数模块、随机模块

本篇文章是个人学习后自己体验感悟。 参考链接 我的大学老师刘二大人 刘二大人永远的神 提示:以下是本篇文章正文内容,下面案例可供参考 文章目录前言一、NUMPY1.1基本概念:张量1.2一维数组1.3 二维数组1.4利用Numpy产生数组1.5 Numpy数组的切片、转置与翻转1.6Numpy的基础数学运算1.7 广播2.线性代数模块(linalg)3.随机模块总结 前言 提示:以下是本篇文章正文内容,下面案例可供参考 一、NUMPY 示例:在Numpy中可以非常方便的创建各种不同类型的张量(Te

m0_48609216的博客 332

NumPy从入门到高级

五、科学计算模板 Numpy 1.Numpy 入门 NumPy(Numerical Python)是Python的一种开源的数值计算扩展。提供多维数组对象,各种派生对象(如掩码数组和矩阵),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)),支持大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库,包括数学、逻辑、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

佛系更新 7187

NumPy — 从零到入门

numpy一.常见库函数1.empty2. full 一.常见库函数 1.empty empty(shape, dtype=float, order=‘C’) shape, int或int元组 dtype, 数组中元素的格式 C或F, 代表行优先或列优先 np.empty(shape=3) 2. full np.full() ...

UK - UofL HW - SDE 5655
上一篇: NLP神器!Newspaper 一个能下载38种语言新闻文章的 Python 模块
下一篇: 再见 Postman,我选择 ApiPost !
Wang_AI
博客等级 码龄12年 998粉丝 162原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值