Satellite_H的博客

Numpy非常重要有用的数据合并操作背景：在给机器学习准备数据的过程中，经常需要进行不同来源的数据合并的操作两类场景：​ 1.给己有的数据添加多行，比如增添一些样本数据进去​ 2.给己有的数据添加多列，比如增添一些特征进去以下操作均可以实现数据合并：​ np.concatenate(array_list, axis=0/1)：沿着指定axis进行数组的合并​ np.vstack或者np.row_stack(array_list)：垂直vertically、按行row wise进行数据合并​

Numpy怎样给数组增加一个维度背景：很多数据计算都是在二维或三维的，对于一维的数据输入为了形状匹配，经常需要升维变成二维需要：在不改变是数据的情况下，添加数组维度；（注意观察这个例子，维度变了，但数据没变）原始数组：一维数组arr=[1, 2, 3, 4]，其shape是（4，），取值分别为arr[0], arr[1], arr[2], arr[3]变形数组：二维数组arr=[[1, 2, 3, 4]]，其shape是（1， 4），取值分别为arr[0, 0], arr[0, 1], arr[

Numpy计算数组中满足条件元素个数需求：有一个非常大的数组比如1亿个数字，求出里面数字小于5000的数字数目1.使用numpy的random模块生成1亿个数字In [1]:import numpy as npIn [3]:arr = np.random.randint(1, 10000, size=int(1e8))In [4]:arr[: 10]Out[4]:array([ 594, 490, 6373, 7500, 3744, 396, 5015, 7801, 4586,

Numpy数学统计函数1.Numpy有哪些数学统计函数：函数名说明np.sum所有元素的和np.prod所有元素的乘积np.cumsum元素的累积加和np.cumprod元素的累积乘积np.min最小值np.max最大值np.percentile0-100百分位数np.quantile0-1分位数np.median中位数np.average加权平均，参数可以指定weightsnp.mean平均值n

Numpy常用random随机函数汇总函数名说明seed([seed])设定随机种子，这样每次生成的随机数会相同rand(d0, d1, …, dn)返回数据在[0,1）之间，具有均匀分布randn(d0, d1, …, dn)返回数据具有标准正态分布（均值0， 方差1）randint(low[, high, size, dtype])生成随机整数，包含low，不包含highrandom([size])生成[0.0, 1.0)的随机数choice

Numpy对数组按索引查询基础索引传入单个数字以及切片来查询数据的神奇索引行和列都支持数字列表的方式来进行查询布尔索引先进性条件判断，得到一个布尔数组，然后使用它来对原来的数据进行索引查询三种索引方法： 基础索引 神奇索引 布尔索引In [1]:import numpy as npIn [2]:# 一维向量x = np.arange(10)xOut[2]:array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])In [3]:# 二维向量，一般用大写

Numpy的核心array对象以及创建array的方法array对象的背景：​ Numpy的核心数据结构，就叫做array就是数组，array对象可以是一维数组，也可以是多维数组​ Python的List也可以实现相同的功能，但是array比List的优点在于性能好、包含数组元数据信息、大量的便捷函数​ Numpy成为事实上的Scipy、Pandas、Scikit-Learn、Tensorflow等框架的“通用底层语言”​ Numpy的array和Python的List的一个区别，是它元素必须都是

Numpy是什么？Numpy（Numerical Python）​ 一个开源的Python科学计算库​ 使用Numpy方法可以方便的使用数组、矩阵进行计算​ 包含线性代数、傅里叶变换、随机数生成等大量函数为什么使用Numpy？对于同样的数值计算任务，使用Numpy比直接编写Python代码实现，优点：代码更简洁：Numpy直接以数组、矩阵为粒度计算并且支持大量的数学函数，而Python需要用for循环从底层实现；性能更高效：Numpy的数组存储效率和输入输出计算性能，比Python使

numpy数组逻辑操作问题