人工智能系列-numpy(三)

🌈个人主页:羽晨同学

💫个人格言:"成为自己未来的主人~"

副本和视图

副本

副本是一个数据的完整的拷贝,如果我们对副本进行修改,它不会影响到原始数据,物理内存不再同一位置。副本一般发生在Python序列的切片操作,调用deepCopy()函数。调用ndarray的copy()函数产生一个副本。

视图

视图是数据的一个别称或者引用,通过该别称或引用亦便可访问,操作原有数据,但原有数据不会产生拷贝,如果我们对视图进行修改,它会影响到原始数据,物理内存在同一位置。

视图一般发生在numpy的切片操作返回原数据的视图,调用ndarray的view()函数产生一个视图。

赋值

简单的赋值不会创建数组对象的副本。相反,它使用原始数组的相同id()来访问它,id()返回Python对象的通用标识符,类似于C中的指针。

此外,一个数组的任何变化都反映在另一个数组上。例如:一个数组的形状改变也会改变另一个数组的形状。

python 复制代码
import numpy as np
a=np.arange(6)
print('我们的数组是:')
print(a)
print('调用id()函数:')
print(id(a))
print('a复制给b')
b=a
print(b)
print('b具有的id()')
print(id(b))
print('修改b的形状')
b.shape=3,2
print(b)
print('a的形状也改变了')
print(a)

视图或浅拷贝

ndarray.view()方会创建一个新的数组对象,该方法创建的新数组的维数变化不会改变原始数据的维数

python 复制代码
import numpy as np
a=np.arange(6).reshape(2,3)
print('数组a: ')
print(a)
print('创建a的视图: ')
b=a.view()
print(b)
print('两个数组的id()不相同:')
print('a的id()')
print(id(a))
print('b的id()')
print(id(b))
b.shape=3,2
print('b的形状:')
print(b)
print('a的形状:')
print(a)

而使用切片创建视图修改数据会影响到原始数组:

python 复制代码
import numpy as np

arr=np.arange(12)
print('我们的数组: ')
print(arr)
print('创建切片:')
a=arr[3:]
b=arr[3:]
a[1]=123
b[2]=234
print(arr)
print(id(a))
print(id(b))
print(id(arr))

副本或深拷贝

ndarray.copy()函数创建一个副本,对副本数据进行修改,不会影响到原始数据,它们物理内存不在同一位置。

python 复制代码
import numpy as np
a=np.array([[10,10],[2,3],[4,5]])
print('数组 a')
print(a)
print('创建a的深层副本:')
b=a.copy()
print('数组b')
print(b)
print('我们能够写入b来写入a吗?')
print(b is a)
print('修改b的内容:')
b[0,0]=100
print('修改后的数组b:')
print(b)
print('a保持不变:')
print(a)

NumPy Matplotlib

Matplotlib是Python的绘图库,它可与NumPy一起使用,提供了一种有效的MatLab开源替代方案。

举一个画一元线性方程的简单例子:

python 复制代码
import numpy as np
from matplotlib import pyplot as plt

x=np.arange(1,11)
y=2*x+5
plt.title("Matplotlib demo")
plt.xlabel("x axis caption")
plt.ylabel("y axis caption")
plt.plot(x,y)
plt.show()
python 复制代码
import numpy as np
from matplotlib import pyplot as plt

x=np.arange(1,11)
y=2*x+5
plt.title("Matplotlib demo")
plt.xlabel("x axis caption")
plt.ylabel("y axis caption")
plt.plot(x,y,marker="o")
plt.show()
python 复制代码
from matplotlib import pyplot as plt
x=[5,8,10]
y=[12,16,6]
x2=[6,9,11]
y2=[6,15,7]
plt.bar(x,y,align='center')
plt.bar(x2,y2,color='g',align='center')
plt.title("bar graph")
plt.ylabel("Y axis")
plt.xlabel("X axis")
plt.show()
python 复制代码
from matplotlib import pyplot as plt
import numpy as np
a=np.array([22,87,5,43,56,73,55,54,11,20,51,5,79,31,27])
plt.hist(a,bins=[0,20,40,60,80,100])
plt.title("historgram")
plt.show()
python 复制代码
import matplotlib.pyplot as plt
import numpy as np
x=np.linspace(0,2*np.pi,400)
y=np.sin(x**2)
fig,ax=plt.subplots()
ax.plot(x,y)
ax.set_title("Simple plot")

f,(ax1,ax2)=plt.subplots(1,2,sharey=True)
ax1.plot(x,y)
ax1.set_title("sharing Y axis")
ax2.scatter(x,y)
fig,axs=plt.subplots(2,2,
subplot_kw=dict(projection="polar"))
axs[0,0].plot(x,y)
axs[1,1].scatter(x,y)
plt.show()
相关推荐
聚客AI17 小时前
🙋‍♀️Transformer训练与推理全流程:从输入处理到输出生成
人工智能·算法·llm
BeerBear19 小时前
【保姆级教程-从0开始开发MCP服务器】一、MCP学习压根没有你想象得那么难!.md
人工智能·mcp
小气小憩19 小时前
“暗战”百度搜索页:Monica悬浮球被“围剿”,一场AI Agent与传统巨头的流量攻防战
前端·人工智能
神经星星19 小时前
准确度提升400%!印度季风预测模型基于36个气象站点,实现城区尺度精细预报
人工智能
IT_陈寒1 天前
JavaScript 性能优化:5 个被低估的 V8 引擎技巧让你的代码快 200%
前端·人工智能·后端
Juchecar1 天前
一文讲清 PyTorch 中反向传播(Backpropagation)的实现原理
人工智能
黎燃1 天前
游戏NPC的智能行为设计:从规则驱动到强化学习的演进
人工智能
机器之心1 天前
高阶程序,让AI从技术可行到商业可信的最后一公里
人工智能·openai
martinzh1 天前
解锁RAG高阶密码:自适应、多模态、个性化技术深度剖析
人工智能
机器之心1 天前
刚刚,李飞飞空间智能新成果震撼问世!3D世界生成进入「无限探索」时代
人工智能·openai