论文实现：SR-GNN、DER 中用到的函数_sr-gnn项目代码-优快云博客

本文详细介绍了Numpy库中的关键函数，如np.arange(), np.split(), np.mean(), np.where()等，以及它们的使用场景和实例。同时，文章还讲解了Python中的zip()函数，展示了如何使用它来高效地处理多个可迭代对象。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、 Numpy函数

np.arange()：生成np数组

x = np.arange(9.0) #生成0-8的np数组
np.split() ：np数组分割
详见：https://blog.youkuaiyun.com/lthirdonel/article/details/88690923
np.asarray() 与 np.array()

array和asarray都可将结构数据转换为ndarray类型。
但是主要区别就是当数据源是ndarray时，
array仍会copy出一个副本，占用新的内存，但asarray不会。
详见：https://www.jianshu.com/p/a050fecd5a29
np.mean()
np数组取平均值
详见：https://blog.youkuaiyun.com/lilong117194/article/details/78397329

np.where()

numpy.where() 函数返回输入数组中满足给定条件的元素的索引。
注意：如果是二维数组，索引分成两个数组，一个是一维下标，一个是二维。
实例：

    import numpy as np
    x = np.arange(9.).reshape(3, 3)
    print ('我们的数组是：')
    print (x)
    print ( '大于 3 的元素的索引：')
    y = np.where(x > 3)
    print (y)
    print ('使用这些索引来获取满足条件的元素：')
    print (x[y])

输出的数组：

	我们的数组是：
	[[0. 1. 2.]
	 [3. 4. 5.]
	 [6. 7. 8.]]
	大于 3 的元素的索引：
	(array([1, 1, 2, 2, 2]), array([1, 2, 0, 1, 2])) 
	 使用这些索引来获取满足条件的元素：
	 [4. 5. 6. 7. 8.]

np.add()，np.subtract()，np.multiply() 和 np.divide()
NumPy 算术函数

实例

 import numpy as np
 a = np.arange(9, dtype = np.float_).reshape(3,3)
 print ('第一个数组：')
 print (a)
 print ('\n')
 print ('第二个数组：')
 b = np.array([10,10,10])
 print (b)
 print ('\n')
 print ('两个数组相加：')
 print (np.add(a,b))
 print ('\n')
 print ('两个数组相减：')
 print (np.subtract(a,b))
 print ('\n')
 print ('两个数组相乘：')
 print (np.multiply(a,b))
 print ('\n')
 print ('两个数组相除：')
 print (np.divide(a,b))

输出结果为：

 第一个数组：
 [[0. 1. 2.]
  [3. 4. 5.]
  [6. 7. 8.]]
 第二个数组：
 [10 10 10]
 两个数组相加：
 [[10. 11. 12.]
  [13. 14. 15.]
  [16. 17. 18.]]
 两个数组相减：
 [[-10.  -9.  -8.]
  [ -7.  -6.  -5.]
  [ -4.  -3.  -2.]]
 两个数组相乘：
 [[ 0. 10. 20.]
  [30. 40. 50.]
  [60. 70. 80.]]
 两个数组相除：
 [[0.  0.1 0.2]
  [0.3 0.4 0.5]
  [0.6 0.7 0.8]]

np.random.shuffle()

用于打乱数据集

    from numpy as np
    index=np.arange(2000)
    np.random.shuffle(index)
    print(index[0:20])
    X_train=X_train[index,:,:,:]#X_train是训练集，y_train是训练标签
    y_train=y_train[index]

np.eye()和np.identity()
第一个生成对角阵，第二个生成方对角阵
详见：https://blog.youkuaiyun.com/m0_37393514/article/details/81455915
np.zero()和np.zeros()

np.unique()
numpy.unique 函数用于去除数组中的重复元素。
numpy.unique(arr, return_index, return_inverse, return_counts)

arr：输入数组，如果不是一维数组则会展开
return_index：如果为true，返回新列表元素在旧列表中的位置（下标），并以列表形式储
return_inverse：如果为true，返回旧列表元素在新列表中的位置（下标），并以列表形式储
return_counts：如果为true，返回去重数组中的元素在原数组中的出现次数
实例：

	import numpy as np
	a = np.array([5,2,6,2,7,5,6,8,2,9])
	print ('第一个数组：')
	print (a)
	print ('\n')
	print ('第一个数组的去重值：')
	u = np.unique(a)
	print (u)
	print ('\n')
	print ('去重数组的索引数组：')
	u,indices = np.unique(a, return_index = True)
	print (indices)
	print ('\n')
	print ('我们可以看到每个和原数组下标对应的数值：')
	print (a)
	print ('\n')
	print ('去重数组的下标：')
	u,indices = np.unique(a,return_inverse = True)
	print (u)
	print ('\n')
	print ('下标为：')
	print (indices)
	print ('\n')
	print ('使用下标重构原数组：')
	print (u[indices])
	print ('\n')
	print ('返回去重元素的重复数量：')
	u,indices = np.unique(a,return_counts = True)
	print (u)
	print (indices)

输出结果为：

     第一个数组：
     [5 2 6 2 7 5 6 8 2 9]  
     第一个数组的去重值：
     [2 5 6 7 8 9] 
     去重数组的索引数组：
     [1 0 2 4 7 9] 
     我们可以看到每个和原数组下标对应的数值：
     [5 2 6 2 7 5 6 8 2 9]
     去重数组的下标：
     [2 5 6 7 8 9]   
     下标为：
     [1 0 2 0 3 1 2 4 0 5]    
     使用下标重构原数组：
     [5 2 6 2 7 5 6 8 2 9]
     返回去重元素的重复数量：
     [2 5 6 7 8 9]
     [3 2 2 1 1 1]

np.sum()
np.max()
np.around()

二、 Python函数

zip()
zip() 函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的对象，这样做的好处是节约了不少的内存。

	>>>a = [1,2,3]
	>>> b = [4,5,6]
	>>> c = [4,5,6,7,8]
	>>> zipped = zip(a,b) # 返回一个对象
	>>> zipped
	<zip object at 0x103abc288>
	>>> list(zipped) # list() 转换为列表
	[(1, 4), (2, 5), (3, 6)]
	>>> list(zip(a,c)) # 元素个数与最短的列表一致
	[(1, 4), (2, 5), (3, 6)]
	>>> a1, a2 = zip(*zip(a,b)) # 与 zip 相反，zip(*) 可理解为解压，返回二维矩阵式
	>>> list(a1)
	[1, 2, 3]
	>>> list(a2)
	[4, 5, 6]

https://www.jb51.net/article/135377.htm