lynn_flame的博客

>>> import numpy as np >>> b = np.array(np.arange(10)) >>> b [0 1 2 3 4 5 6 7 8 9] >>> b.shape (10,) #对b的维度进行修整，若要展成一列的数据，则有 >>> b.shape = -1,1 >>> b.shape (10, 1) >>> b [[0] [1] [2] [3]

clip(a, a_min, a_max, out=None) -> None Clip (limit) the values in an array. Given an interval, values outside the interval are clipped to the interval edges. For example, if an interval of [0, 1] is specified, values smaller than 0 become 0, and values

Python 中各种imread函数的区别与联系 先来看看常用的读取图片的方式： PIL.Image.open scipy.misc.imread scipy.ndimage.imread cv2.imread matplotlib.image.imread skimge caffe.io.load_iamge 这些方法可以分为四大家族 PIL PIL.Image.open + numpy scipy.misc.imread scipy.ndimage.imread 这些方法都是通过调用PIL.Image.

numpy.squeeze(a,axis=None) 从数组形状中移除一维条目 参数： a – 数组形状np.array() axis – 可以是一个整数，可以是一个元组或者None。默认为None。axis用于指定需要删除的维度，但是指定的维度必须为单维度，否则将会报错. 返回：压缩后的ndarray() 减少了维度的数据子集 >>> x = np.array([[[0], [1], [2]]]) >>> x.shape (1, 3, 1) #axis=None &g

二维数据 使用0值表示沿着每一列或行标签\索引值向下执行方法 使用1值表示沿着每一行或者列标签模向执行对应的方法 多维数据 设axis=i ,则numpy沿着第i个下标变化的方向进行操作。也就是说，如果axis=0,则沿第一个下标变化的方向操作，也就是行方向。 如果一个多维数组是232，他就是3维的，参数axis=0指的就是第一维，即2那一个数轴，axis=1,即3的那个数轴，axis=2,即最后2的那个数轴。 ...

两种用法 np.where(condition,X,Y):满足条件输出X，不满足输出Y 这点的话再数据挖掘的规约中显得非常好用 >>> a = [2,3,4,5,8,7,9,7] >>> a = np.array(a) >>> np.where(a > 5 ,1,-1) array([-1, -1, -1, -1, 1, 1, 1, 1]) np.where(condition):返回满足条件的数的索引 >>> indi

array和asarray都可以将结构数据转化为ndarray，但是主要区别就是当数据源是ndarray时，array仍然会copy出一个副本，占用新的内存，但asarray不会。 arr1=np.ones((3,3)) arr2=np.array(arr1) arr3=np.asarray(arr1) arr1[1]=2 print ('arr1:\n',arr1 ) print ('arr2:\n',arr2 ) print ('arr3:\n',arr3 ) #可以看到，arr3跟着arr1一

numpy.dot() 如果处理的是一维数组，则得到的是两数组的內积 如果是二维数组（矩阵）之间的运算，则得到的是矩阵积（mastrix product） numpy.multiply() 实现矩阵对应元素相乘 numpy,matmul() 实现矩阵乘法 对于dot(),multiply()，matmul()三个方法，无论是在numpy数组还是numpy矩阵上运用的含义是一样的；而“”的运用则是不同的，ab,在数组中意味着对应元素相乘；在矩阵中对应着矩阵乘法。 import numpy as n