#numpy ##生成0和1的数组

最新推荐文章于 2024-05-04 14:50:47 发布
最新推荐文章于 2024-05-04 14:50:47 发布
阅读量2.1k 收藏 1
点赞数
分类专栏： #Numpy 文章标签： numpy python 数据分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_45594580/article/details/127949242
版权

1.生成0和1的数组

np.ones(shape[, dtype, order]) np.ones_like(a[, dtype, order, subok])
np.zeros(shape[, dtype, order]) np.zeros_like(a[, dtype, order,
subok])

1.1随机生成1的数组

import numpy as np
ones = np.ones([3,4])
print(ones)

在这里插入图片描述

import numpy as np
ones = np.zeros([3,4])
print(ones)

在这里插入图片描述

1.2按照a数组方式生成a1数组，按照a数组方式生成a2数组

import numpy as np
a = np.array([[1,2,3],[4,5,6]])
a1 = np.zeros_like(a)
a2 = np.ones_like(a)
print(a1)
print(a2)

在这里插入图片描述

2.从现有数组生成

import numpy as np
a = np.array([[1,2,3],[4,5,6]])
# 从现有的数组当中创建
a1 = np.array(a)#深拷贝
# 相当于索引的形式，并没有真正的创建一个新的
a2 = np.asarray(a)#浅拷贝
print(a1)
print(a2)

在这里插入图片描述

import numpy as np
a = np.array([[1,2,3],[4,5,6]])
# 从现有的数组当中创建
a1 = np.array(a)
# 相当于索引的形式，并没有真正的创建一个新的
a2 = np.asarray(a)
a[0][0] = 888
print(a1)
print(a2)

a[0][0] = 888

修改数组的第一个元素，修改为888
在这里插入图片描述
a1 = np.array(a)这种拷贝方法，实实在在创建了一个新的数组，改变原数组内的元素，不影响拷贝后数组的元素深拷贝
a2 = np.asarray(a)这种拷贝方法，相当于索引的形式，并没有真正的创建一个新的数组，改变原数组内的元素，也会影响到拷贝后数组的元素浅拷贝

如何理解深拷贝和浅拷贝再举2个例子
例1

import numpy as np
a = np.array([[1,2,3],[4,5,6]])
a1 = np.array(a)
a2 = np.asarray(a)
a[1][1] = 888
print(a1)
print(a2)

这个时候a1,a2分别是什么？

D:\Anaconda3\python.exe C:\Users\Windows11\Desktop\人工智能\numpy.py 
[[1 2 3]
 [4 5 6]]
[[  1   2   3]
 [  4 888   6]]

Process finished with exit code 0

例2

import numpy as np
a = np.array([[1,2,3],[4,5,6],[1,2,3],[4,5,6]])
a1 = np.array(a)
a2 = np.asarray(a)
a[3][0] = 888
print(a1)
print(a2)

这个时候a1,a2分别是什么？

D:\Anaconda3\python.exe C:\Users\Windows11\Desktop\人工智能\numpy.py 
[[1 2 3]
 [4 5 6]
 [1 2 3]
 [4 5 6]]
[[  1   2   3]
 [  4   5   6]
 [  1   2   3]
 [888   5   6]]

Process finished with exit code 0

3.生成固定范围数组

np.linspace (start, stop, num, endpoint)
start 序列的起始值
stop 序列的终止值，
num 要生成的等间隔样例数量，默认为50
endpoint 序列中是否包含stop值，默认为ture

import numpy as np
a = np.linspace(0,10,5)
print(a)

在这里插入图片描述

import numpy as np
a = np.linspace(0,888,12)
print(a)

在这里插入图片描述

其它的还有
numpy.arange(start,stop, step, dtype)
numpy.logspace(start,stop,num)

import numpy as np
a = np.arange(0,100,5)
print(a)

在这里插入图片描述

import numpy as np
a = np.logspace(0,10,5)
print(a)

在这里插入图片描述

import numpy as np
a = np.logspace(0,5,3)
print(a)

在这里插入图片描述

4.生成随机数组

np.random模块

4.1均匀分布

np.random.rand(d0, d1, …, dn)

返回[0.0，1.0)内的一组均匀分布的数。

np.random.uniform(low=0.0, high=1.0, size=None)

功能：从一个均匀分布[low,high)中随机采样，注意定义域是左闭右开，即包含low，不包含high.

参数介绍:

low: 采样下界，float类型，默认值为0；

high: 采样上界，float类型，默认值为1；

size: 输出样本数目，为int或元组(tuple)类型，例如，size=(m,n,k), 则输出mnk个样本，缺省时输出1个值。

返回值：ndarray类型，其形状和参数size中描述一致。

np.random.randint(low, high=None, size=None, dtype=‘l’)

从一个均匀分布中随机采样，生成一个整数或N维整数数组，取数范围：若high不为None时，取[low,high)之间随机整数，否则取值[0,low)之间随机整数。

import numpy as np
a = np.random.uniform(0,1000,200)
print(a)

D:\Anaconda3\python.exe C:\Users\Windows11\Desktop\人工智能\numpy.py 
[763.17000673 912.74696744 142.70613934 159.44510718 536.26200973
 303.99813242 426.1777927  374.99407215 324.68371339 735.54055719
 470.10512552 575.72633945  41.26939558  62.98341043 166.30185461
 240.74842652 848.94000904 803.61768799 160.97917776 707.49248542
 165.86502576 658.01676676 178.65258787  33.6403922  504.76238324
 301.7999008  370.77665196 994.10445718 315.86885315 300.02638197
 465.4819321  776.90303792 319.27342624  99.20275848 908.42947322
 972.96668819 917.39244842 761.8637219  576.41861197   3.94945794
 576.57058783 998.40124188 516.33442597  57.81980719 857.38826931
 417.10058732 569.44256046 773.95344191 562.99014379 977.03779571
 480.55761714 704.78285599 200.60732043 648.49041562 422.86186343
 166.83458518 786.59578514 529.59972941  72.84787871 262.71634559
 884.00599553 310.44913871 301.36713703 926.47516543 184.23900297
 552.39197634 826.43821061 698.36766494 674.30433065 460.87137729
 106.53282085  70.50488587 821.47594564 959.2220661  772.61911584
 845.41986498 703.58699777 458.4348247  336.40671103 426.98053305
 849.29919365 899.98185373 465.74961369 747.04645062 630.68788934
 946.96578999 416.7805273  482.88199671 643.54046736 823.89003137
 140.91609376 565.70620106 720.8008174  516.98184866 891.90057035
 713.61533771 794.03725521 937.14607595 120.31489411  50.66937683
 256.34950888  55.63836626 468.78173813 615.5690741  681.91566456
 873.24496605  24.89683135 582.94627352 239.13273851 723.36405151
 386.56406653  17.85844723 622.83575538 115.48412155 991.20519008
 856.67478583 893.29781532  15.34096839 692.63898718  78.37515996
 157.36507355 255.57050368 358.3362586  964.65407814 890.43716642
 437.25032741 567.83290089 255.06469878 260.69593034 841.87517733
 978.87608108 185.8167628   78.79713111 141.18768483 139.33721946
 411.59640941 765.74983851 488.52286194 391.8264338  443.59538813
 780.22217954  71.64939799 137.99289605 983.39871122 696.02041609
 675.8095987  862.21414104 469.36787826 409.33044082 663.19356834
 909.62354732 100.51267321 288.99192474 870.18500874 800.02533698
 690.5676547  497.47681447 820.94316936 871.34113773 173.40183754
  58.06199657 681.41609586 752.99615307 333.46990673 167.07912205
 832.34428347 950.9589102  888.00533889 746.47519016 232.63622435
 113.03123567 302.99201969 908.02188978 929.45925614 952.32052376
 694.18194787 289.00011739 440.2616583  364.18807363 120.04131114
 151.80223045 793.88286617 972.82748688 970.53959391 830.23410135
 592.08884972 125.21069752 825.34237763 942.95050126 408.96115392
 394.07685836 435.67856855 496.17768255 260.31035755 223.14530789
 918.93675077 844.27272581 890.72273906 482.86670165 308.00938364]

Process finished with exit code 0

画图看分布状况：

import numpy as np
import matplotlib.pyplot as plt
a = np.random.uniform(0,1000,200)
# 画图看分布状况
# 1）创建画布
plt.figure(figsize=(10, 10), dpi=100)
# 2）绘制直方图
plt.hist(x=a, bins=1000)  # x代表要使用的数据，bins表示要划分区间数
# 3）显示图像
plt.show()

在这里插入图片描述
输出样本数目设置为1000000000

import numpy as np
import matplotlib.pyplot as plt
a = np.random.uniform(0,1000,1000000000)
# 画图看分布状况
# 1）创建画布
plt.figure(figsize=(10, 10), dpi=100)
# 2）绘制直方图
plt.hist(x=a, bins=1000)  # x代表要使用的数据，bins表示要划分区间数
# 3）显示图像
plt.show()

在这里插入图片描述

4.2正态分布

正态分布是一种概率分布。正态分布是具有两个参数μ和σ的连续型随机变量的分布，第一参数μ是服从正态分布的随机变量的均值，第二个参数σ是此随机变量的方差，所以正态分布记作N(μ，σ )。
在这里插入图片描述

  1. np.random.randn(d0, d1, …, dn)

功能：从标准正态分布中返回一个或多个样本值

  1. np.random.normal(loc=0.0, scale=1.0, size=None)

loc：float
​ 此概率分布的均值（对应着整个分布的中心centre）
scale：float
​ 此概率分布的标准差（对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高）
size：int or tuple of ints
​输出的shape，默认为None，只输出一个值

  1. np.random.standard_normal(size=None)

返回指定形状的标准正态分布的数组。

import numpy as np
import matplotlib.pyplot as plt
a = np.random.normal(0,1000,1000000000)
# 画图看分布状况
# 1）创建画布
plt.figure(figsize=(20, 10), dpi=100)
# 2）绘制直方图
plt.hist(a, 1000)
# 3）显示图像
plt.show()

在这里插入图片描述

numpy-随机数的生成
qq_14815199的博客
10-21 1393
1.生成一个0到1之间的随机数 2.生成一个2行3列的0到1之间的随机数 3.生成0到5的10个随机整数的数组 4.生成2到10的10个随机整数的数组 5.生成10以内的4个整数的数组 6.给定形状产生随机数组 ...
Python NumPy数组的创建方法
Vincent的博客
05-14 6330
Numpy是Python中科学计算的基础包，其核心对象就是ndarray（n维数组）。利用数组可以快速执行逻辑，形状操作，统计和傅里叶变换等运算，其效率比Python原生的数组效率更高。因此使用Numpy的第一件事就是创建Numpy数组，本文总结了5种常用的创建NumPy数组方法。
np.random.uniform()的用法
缘 源 园
04-03 6730
np.random.uniform(1.75, 1, 100000000) #输出结果 array([1.25930467, 1.40160844, 1.53509096, ..., 1.57271193, 1.25317863, 1.62040797])
Numpy生成0和1的数组
缘 源 园
04-02 2252
np.ones(shape, dtype) np.ones_like(a, dtype) np.zeros(shape, dtype) np.zeros_like(a, dtype) zeros() 返回一个全0的n维数组；np.zeros返回来一个给定形状和类型的用0填充的数组； ones() 返回一个全1的n维数组；np.ones返回来一个给定形状和类型的用1填充的数组； import numpy as np ones = np.ones([4,8]) #生成4行8列数组，值全为1 ones
np.random.uniform()用法
lllxxq141592654的博客
05-02 1万+
官方文档：https://docs.scipy.org/doc/numpy/reference/generated/numpy.random.uniform.html numpy.random.uniform(low=0.0, high=1.0, size=None) 从[low, high])中均匀取值，没有任何参数的话，是从[0, 1) ...
np.random.uniform() 用法
Drug discovery
11-30 2754
是NumPy库中用来生成在一个指定范围内均匀分布的随机数的函数。highsize如果size是一个整数，那么会返回一个形状为(size,)的数组。如果size是一个元组，比如(m, n, k)，那么它会返回一个形状为(m, n, k)的多维数组，每个元素都是在low和high之间均匀分布的随机浮点数。
numpy自动生成数组详解
01-01
1 np.arange(),类似于range，通过指定开始值，终值和步长来创建表示等差数列的一维数组，注意该函数和range一样结果不包含终值。 >>> np.arange(10) array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) >>> np.arange(0,1,0.1)...
Numpy数组和矩阵运算（1.创建数组）
最新发布
06-14
### Numpy 数组和矩阵运算（1.创建数组） #### Numpy 数组的优势 Numpy 是 Python 中用于处理数组的强大库。相比于 Python 内置的列表类型，Numpy 数组具有以下显著优势： 1. **运行速度更快**：Numpy 库通过 C ...
在numpy中随机生成数组的三个方法
heshaoliang的博客
04-04 8139
在python中，生成数组的方法多种多样，这里只举例在python的科学计算库numpy中的几个方法。1.调用方法zeros()，生成所有元素为0的数组。2.调用方法ones()，生成所有元素为1的数组。3.调用方法empty()，生成一个随机的数组。既然是在numpy中生成数组，首先都得调用numpy。1.调用方法zeros()，生成所有元素为0的数组。1.1    zeros( )知道它自己创...
c语言指针生成numpy数组,利用ctypes获取numpy数组的指针方法
weixin_42160398的博客
05-22 1311
利用ctypes获取numpy数组的指针方法如下所示：import numpy as npfrom ctypes import *a = np.asarray(range(16), dtype=np.int32).reshape([4,4])if not a.flags['C_CONTIGUOUS']:a = np.ascontiguous(a, dtype=a.dtype) # 如果不是C连续的...
用Numpy中的内置函数实现生成一个随机生成均匀分布（0,1）的10个数据，输出离一个给定值最近的数
05-01
最近学习Numpy，根据作业要求写了个简单的代码，用Numpy内置函数随机生成均匀分布（0,1）的10个数据，并输出离一个给定值最近的数。
Python中NumPy库提供的函数——np.random.uniform的基本用法
XDXDXDXDX111的博客
09-26 6102
通过这些随机生成的超参数值，可以进行超参数搜索（超参数调整），尝试不同的超参数组合来找到模型的最佳配置。在每个次迭代中，使用不同的超参数值来训练模型，然后根据模型在验证集上的性能选择最佳的超参数组合。这个随机数的范围是从10的负6次方到10的负2次方之间，它通常被用来学习学习率（learningrate）超参数。这个随机数的范围是从 10 的负 8 次方到 10 的负 4 次方之间，它通常被用来正则化（重量衰减）超参数。：指定均匀分布的上限（不包含元素），生成的随机数可能的峰值。
numpy生成随机数的简单应用
二哈
09-25 5642
在涉及到数据分析的时候经常会使用到某个范围之内的随机数，所以掌握numpy中常见的随机数的生成是很有帮助的，下面是numpy.random的常见用法： 1. 生成指定形状的0 - 1之间的随机数：np.random.random()和np.random.rand()，括号中的参数为生成的数组的维数，random与rand不同的一点是rand可以传递多个参数，比如生成二维数组numpy.rand(4,5)，而random需要括起来两个参数 a = np.random.random(2) print(a)
np.random.uniform
weixin_41370083的博客
09-11 3880
numpy.random.uniform介绍： 函数原型：  numpy.random.uniform(low,high,size) 功能：从一个均匀分布[low,high)中随机采样，注意定义域是左闭右开，即包含low，不包含high. 参数介绍:           low: 采样下界，float类型，默认值为0；     high: 采样上界，float类型，默认值为1；     si...
numpy生成0和1数组方法、从已有数组生成新数组方法、生成固定范围内数组、生成随机数组、绘制指定均值和标准差正态分布图、均匀分布图绘制
我的个人博客
11-24 3010
np.ones、np.ones_like、np.zeros、np.zeros_like、np.array、np.asarray、np.linspace、np.arange、np.logspace、np.random.randn、np.random.normal、np.random.standard_normal、np.random.rand、np.random.randint、np.random.random、 np.random.choice、np.random.uniform方法作用解释说明和举例使用
【Numpy】一文向您详细介绍 np.random.uniform()
创作高质量博文，分享知识，共同进步！
05-04 7297
🚀掌握Numpy随机数生成，从`np.random.uniform()`开始！🔍 🎲轻松理解`np.random.uniform()`的作用与用法，探索其在实际数据分析中的📊应用场景。🔄 💡还有更多随机数生成函数等你发掘，如`randn()`, `randint()`等。🔍 🌈一文在手，随机生成无忧！读完秒变Numpy随机数生成达人！#Numpy #随机数生成 #np.random.uniform() #数据分析 #机器学习
【Numpy】中np.random.uniform()函数用法
热门推荐
lemonxiaoxiao的博客
10-23 4万+
参考： https://www.cnblogs.com/fpzs/p/10504658.html numpy.random.uniform()介绍： 函数原型： numpy.random.uniform(low,high,size) 功能：从一个均匀分布[low,high)中随机采样，注意定义域是左闭右开，即包含low，不包含high. 参数介绍: low: 采样下界，float类型，默认值为0； high: 采样上界，float类型，默认值为1； size: 输出样本数目，为int或元组(t.
NumPy（二）：创建数组【生成固定范围的数组：arange、linspace】【生成0和1的数组：zeros()等】【从现有数组生成：array、asarray】【生成随机数组：np.random】
u013250861的博客
04-04 5500
一、arange 创建数组：arange()，类似range()，在给定间隔内返回均匀间隔的值。 import numpy as np # 创建数组：arange()，类似range()，在给定间隔内返回均匀间隔的值。 print(np.arange(10)) # 返回0-9，整型 print(np.arange(10.0)) # 返回0.0-9.0，浮点型 print(np.arange(5, 12)) # 返回5-11 print(np.arange(5.0, 12, 2)) # 返回5.0
6. np.random.uniform
小白夺植物战僵尸的博客
01-25 442
6.np.random.uniform (来自:https://blog.youkuaiyun.com/u013920434/article/details/52507173 )
评论
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