numpy03:numpy广播机制,花式索引取值,统计方法,数组的拆分与合并,线性代数方法

numpy广播机制

复制代码
import numpy as np

arr1 = np.arange(24).reshape(4, 6)
print(arr1)

print(arr1 + 2)  # 数组中的每一个元素都会进行运算

arr2 = np.arange(100,124).reshape(4,6)
print(arr2)

# 两个数组相加  --》形状相同,数组索引对应的元素会进行相加
print(arr1 + arr2)

# 一维数组  --》形状不同,行也不同,列相同
arr3 = np.arange(0,6)
print(arr3)
print(arr2-arr3)

# 行相同,列不同
arr4 = np.arange(0,4).reshape(4,1)
print(arr4)
print(arr2-arr4)
# 当两个数组行或者列不相同的时候(必须要有一个相同),就会出现广播机制运算
# 进行拆分,如果是行相同,就逐行运算,如果是列相同,就逐列运算

花式索引取值

复制代码
import numpy as np

# 一维数组
arr1 = np.random.random(12)
print(arr1)

# 目标是一维数组,索引的结果就是对应的元素
index1 = np.array([0, 7, 9])
print(arr1[index1])

# 二维数组
index2 = np.array([[2,4,6],
          [7,9,0]],dtype=np.int32)
print(index2)
print(arr1[index2])
# 根据index2中的每一个元素,去获取到arr1中的相应的数据,但是不改变维度(2行3列的二维数组)

统计方法

复制代码
import numpy as np

# 3行4列的二维数组
arr1 = np.arange(11,23).reshape(3,4)
print(arr1)

# 最大值
print(arr1.max())  # 方法1:直接对象点上方法
print(np.max(arr1))  # 方法2:numpy点上方法,里面传入数组对象

# 最小值
print(arr1.min())

print(arr1[1].max())  # 针对第二行提取最大值
print(arr1[1].min())  # 针对第二行提取最小值
print(arr1[:, 0].max())  # 针对第一列提取最大值
print(arr1[:, 0].min())  # 针对第一列提取最小值

# 最大值索引   ,索引值是降维以后的索引值
print(arr1.argmax())
# 最小值索引
print(arr1.argmin())

# 计算总和,默认针对所有元素进行求和运算
print(arr1.sum())

print(arr1.sum(axis=1))  # 行求和
print(arr1.sum(axis=0))  # 列求和

# 计算第2列的总和
print(arr1[:,1].sum())

# 平均值:将所有元素加起来,除以元素个数
print(arr1.mean())

print(arr1.mean(axis=1))  # 行平均值
print(arr1.mean(axis=0))  # 列平均值

# 累加的和
print(arr1.cumsum())

# 累乘的和
print(arr1.cumprod())

"""
方差 
    统计的方法是 每个样本值 与 全体样本值 的平均数之差 的平方值的平均值
    mean((x-x.mean())**2)
"""
print(np.var([1, 2, 3, 4]))  # mean = 2.5
# (1-2.5)**2  (2-2.5)**2

"""标准差
    是方差的一个算数平方根
    std = sqrt(mean((x-x.mean())**2)
"""
print(np.std([1,2,3,4]))
print(np.sqrt(np.var([1,2,3,4])))

数组的拆分与合并

复制代码
import numpy as np

arr1 = np.random.randint(0, 10, (3, 12))
print(arr1)

# 拆分
# hsplit()  垂直拆分 ↓
print(np.hsplit(arr1, 4))  # 垂直拆分成3个平均的数组

a1, a2, a3, a4 = np.hsplit(arr1, 4)
print(a1)

# 指定拆分
print(np.hsplit(arr1, (3, 4)))  # 在指定的索引位置进行拆分

# vsplit()  水平拆分  ->

arr2 = np.random.randint(0, 10, (6, 3))
print(arr2)

# 水平拆分,切分成两个平均的二维数组
print(np.vsplit(arr2, 2))



# 数组合并
# hstack  水平合并
# vstack  垂直合并
arr3 = np.random.randint(0, 10, (2, 2))
arr4 = np.random.randint(0, 10, (2, 2))
print(arr3)
print(arr4)

# 水平合并成两行四列的二维数组
print(np.hstack(tup=(arr3, arr4)))
# 垂直合并成一个4行2列的二维数组
print(np.vstack(tup=(arr3, arr4)))

线性代数方法

复制代码
import numpy as np

# 创建两个二维数组
arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[11, 12], [13, 14]])
print(arr1)
print(arr2)
)
# 数组的点积运算 np.dot
print(np.dot(arr1, arr2))
"""
将arr1的每一行与arr2的每一列进行对应元素的相乘,且相加
1*11+2*13 = 37
1*12 +2*14 = 40
3*11+4*13 = 85
3*12+4*14 = 92
"""

# 向量的点积运算 np.vdot
print(np.vdot(arr1, arr2))
"""
将数组展开成一维数组,进行索引元素内积,且相加
1*11+2*12+3*13+4*14 = 130
"""

# 数组元素内积  np.inner
a = np.array([1, 2, 3])
b = np.array([0, 1, 0])
print(np.inner(a, b))  # 1*0+2*1+3*0  = 2

# 二维元素
arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[11, 12], [13, 14]])
print(np.inner(arr1, arr2))
"""
数组对应元素的内积
1*11+2*12 = 35
1*13 +2*14 = 41
3*11+4*12 = 81
3*13+4*14 = 95
"""
相关推荐
菜鸟的人工智能之路37 分钟前
桑基图在医学数据分析中的更复杂应用示例
python·数据分析·健康医疗
阡之尘埃7 小时前
Python数据分析案例61——信贷风控评分卡模型(A卡)(scorecardpy 全面解析)
人工智能·python·机器学习·数据分析·智能风控·信贷风控
西柚小萌新9 小时前
七.numpy模块
numpy
布说在见10 小时前
层次与网络的视觉对话:树图与力引导布局的双剑合璧
信息可视化·数据挖掘·数据分析
全栈开发圈16 小时前
新书速览|Spark SQL大数据分析快速上手
sql·数据分析·spark
spssau16 小时前
多分类logistic回归分析案例教程
分类·数据挖掘·数据分析·回归·回归分析·logistic回归·spssau
我就说好玩18 小时前
2020年美国总统大选数据分析与模型预测
大数据·python·数据挖掘·数据分析·pandas·sklearn
Aloudata19 小时前
在全域数据整合过程中,如何确保数据的一致性和准确性
大数据·数据库·人工智能·数据挖掘·数据分析
安静的_显眼包O_o20 小时前
【机器学习】连续属性离散化与sklearn.preprocessing.KBinsDiscretizer
数据挖掘·数据分析
叫我:松哥20 小时前
基于python多准则决策分析的汽车推荐算法设计与实现
python·算法·数据挖掘·数据分析·汽车·推荐算法