numpy百题斩(二)
进阶部分
- 创建一个 5x5 的二维数组，其中边界值为1，其余值为0
Z = np.ones((5,5))
Z[1:-1,1:-1] = 0
Z
array([[1., 1., 1., 1., 1.],
[1., 0., 0., 0., 1.],
[1., 0., 0., 0., 1.],
[1., 0., 0., 0., 1.],
[1., 1., 1., 1., 1.]])
- 使用数字 0 将一个全为 1 的 5x5 二维数组包围
Z = np.ones((5,5))
Z = np.pad(Z,pad_width=2,mode = "constant",constant_values = 0) # pad_width表示用n行0包围
Z
array([[0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 1., 1., 1., 1., 1., 0., 0.],
[0., 0., 1., 1., 1., 1., 1., 0., 0.],
[0., 0., 1., 1., 1., 1., 1., 0., 0.],
[0., 0., 1., 1., 1., 1., 1., 0., 0.],
[0., 0., 1., 1., 1., 1., 1., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0., 0., 0., 0.]])
- 创建一个 5x5 的二维数组，并设置值 1, 2, 3, 4 落在其对角线下方
Z= np.diag(1 + np.arange(5),k = 1)#np.info(np.diag)查看np.diag的用法
Z
array([[0, 1, 0, 0, 0, 0],
[0, 0, 2, 0, 0, 0],
[0, 0, 0, 3, 0, 0],
[0, 0, 0, 0, 4, 0],
[0, 0, 0, 0, 0, 5],
[0, 0, 0, 0, 0, 0]])
diag(v, k=0)
Extract a diagonal or construct a diagonal array.
See the more detailed documentation for ``numpy.diagonal`` if you use this
function to extract a diagonal and wish to write to the resulting array;
whether it returns a copy or a view depends on what version of numpy you
are using.
Parameters
----------
v : array_like
If `v` is a 2-D array, return a copy of its `k`-th diagonal.
If `v` is a 1-D array, return a 2-D array with `v` on the `k`-th
diagonal.
k : int, optional
Diagonal in question. The default is 0. Use `k>0` for diagonals
above the main diagonal, and `k<0` for diagonals below the main
diagonal.
Returns
-------
out : ndarray
The extracted diagonal or constructed diagonal array.
See Also
--------
diagonal : Return specified diagonals.
diagflat : Create a 2-D array with the flattened input as a diagonal.
trace : Sum along diagonals.
triu : Upper triangle of an array.
tril : Lower triangle of an array.
Examples
--------
>>> x = np.arange(9).reshape((3,3))
>>> x
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
>>> np.diag(x)
array([0, 4, 8])
>>> np.diag(x, k=1)
array([1, 5])
>>> np.diag(x, k=-1)
array([3, 7])
>>> np.diag(np.diag(x))
array([[0, 0, 0],
[0, 4, 0],
[0, 0, 8]])
- 创建一个 10x10 的二维数组，并使得 1 和 0 沿对角线间隔放置
Z = np.zeros((10,10),dtype = int)
Z[1::2,::2] = 1
Z[::2,1::2] = 1
Z
array([[0, 1, 0, 1, 0, 1, 0, 1, 0, 1],
[1, 0, 1, 0, 1, 0, 1, 0, 1, 0],
[0, 1, 0, 1, 0, 1, 0, 1, 0, 1],
[1, 0, 1, 0, 1, 0, 1, 0, 1, 0],
[0, 1, 0, 1, 0, 1, 0, 1, 0, 1],
[1, 0, 1, 0, 1, 0, 1, 0, 1, 0],
[0, 1, 0, 1, 0, 1, 0, 1, 0, 1],
[1, 0, 1, 0, 1, 0, 1, 0, 1, 0],
[0, 1, 0, 1, 0, 1, 0, 1, 0, 1],
[1, 0, 1, 0, 1, 0, 1, 0, 1, 0]])
- 创建一个 0-10 的一维数组，并将 (1, 9] 之间的数全部反转成负数
Z = np.arange(11)
Z
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
Z[(1<Z) &(Z<=9)] *= -1
Z
array([ 0, 1, -2, -3, -4, -5, -6, -7, -8, -9, 10])
- 找出两个一维数组中相同的元素
Z1 = np.random.randint(0,10,10)
Z2 = np.random.randint(0,10,10)
print("Z1:",Z1)
print("Z2:",Z2)
np.intersect1d(Z1,Z2)
Z1: [9 0 9 4 7 1 0 3 4 1]
Z2: [8 0 9 3 5 6 7 7 0 9]
array([0, 3, 7, 9])
- 使用 NumPy 打印昨天、今天、明天的日期
yesterday = np.datetime64("today","D") - np.timedelta64(1,"D")
today = np.datetime64("today","D")
tomorrw = np.datetime64("today","D") +np.timedelta64(1,"D")
print(yesterday)
print(today)
print(tomorrw)
2019-03-28
2019-03-29
2019-03-30
- 使用五种不同的方法去提取一个随机数组的整数部分
z = np.random.uniform(0,10,10)
z
array([3.41181266, 6.82533173, 1.34181518, 8.38217372, 8.27615988,
8.89595855, 9.72320629, 5.45121909, 0.20435793, 3.61237419])
print("原始值：",z)
print("方法一：",z-z%1)
print("方法二：",np.floor(z))
print("方法三：",np.ceil(z)-1)
print("方法四：",z.astype(int))
print("方法五：",np.trunc(z))
原始值： [3.41181266 6.82533173 1.34181518 8.38217372 8.27615988 8.89595855
9.72320629 5.45121909 0.20435793 3.61237419]
方法一： [3. 6. 1. 8. 8. 8. 9. 5. 0. 3.]
方法二： [3. 6. 1. 8. 8. 8. 9. 5. 0. 3.]
方法三： [3. 6. 1. 8. 8. 8. 9. 5. 0. 3.]
方法四： [3 6 1 8 8 8 9 5 0 3]
方法五： [3. 6. 1. 8. 8. 8. 9. 5. 0. 3.]
59. 创建一个 5x5 的矩阵，其中每行的数值范围从 1 到 5
z = np.zeros((5,5))
z += np.arange(1,6)
z
array([[1., 2., 3., 4., 5.],
[1., 2., 3., 4., 5.],
[1., 2., 3., 4., 5.],
[1., 2., 3., 4., 5.],
[1., 2., 3., 4., 5.]])
- 创建一个长度为 5 的等间隔一维数组，其值域范围从 0 到 1，但是不包括 0 和 1
z = np.linspace(0,1,6,endpoint =False)
z
array([0. , 0.16666667, 0.33333333, 0.5 , 0.66666667,
0.83333333])
z[1:]
array([0.16666667, 0.33333333, 0.5 , 0.66666667, 0.83333333])
- 创建一个长度为10的随机一维数组，并将其按升序排序
z = np.random.random(10)
z.sort()
print(z)#正序
print(z[::-1])#倒序
[0.12281895 0.20993708 0.29406792 0.30965091 0.50447096 0.5537515
0.64390062 0.70902744 0.85633526 0.96974197]
[0.96974197 0.85633526 0.70902744 0.64390062 0.5537515 0.50447096
0.30965091 0.29406792 0.20993708 0.12281895]
- 创建一个 3x3 的二维数组，并将列按升序排序
z = np.array([[7,4,3],[3,2,1],[4,2,6]])
print("原始数组：\n",z)
z.sort(axis =0)
z
原始数组：
[[7 4 3]
[3 2 1]
[4 2 6]]
array([[3, 2, 1],
[4, 2, 3],
[7, 4, 6]])
- 创建一个长度为 5 的一维数组，并将其中最大值替换成 0
z = np.random.random(5)
print("原数组：",z)
z[z.argmax()] = 0
z
原数组： [0.67289415 0.60349904 0.98403777 0.95384253 0.88426089]
array([0.67289415, 0.60349904, 0. , 0.95384253, 0.88426089])
- 打印每个 NumPy 标量类型的最小值和最大值
for dtype in [np.int8, np.int32, np.int64]:
print("The minimum value of {}: ".format(dtype), np.iinfo(dtype).min)
print("The maximum value of {}: ".format(dtype),np.iinfo(dtype).max)
for dtype in [np.float32, np.float64]:
print("The minimum value of {}: ".format(dtype),np.finfo(dtype).min)
print("The maximum value of {}: ".format(dtype),np.finfo(dtype).max)
The minimum value of : -128
The maximum value of : 127
The minimum value of : -2147483648
The maximum value of : 2147483647
The minimum value of : -9223372036854775808
The maximum value of : 9223372036854775807
The minimum value of : -3.4028235e+38
The maximum value of : 3.4028235e+38
The minimum value of : -1.7976931348623157e+308
The maximum value of : 1.7976931348623157e+308
- 将 float32 转换为整型
z = np.arange(10,dtype=np.float32)
print(z)
z = z.astype(np.int32,copy = False)
print(z)
[0. 1. 2. 3. 4. 5. 6. 7. 8. 9.]
[0 1 2 3 4 5 6 7 8 9]
- 将随机二维数组按照第 3 列从上到下进行升序排列
z = np.random.randint(0,10,(5,5))
print("排序前：\n",z)
z[z[:,2].argsort()]
排序前：
[[6 9 5 6 5]
[9 3 1 7 7]
[0 0 3 0 1]
[8 3 9 1 8]
[0 0 2 6 4]]
array([[9, 3, 1, 7, 7],
[0, 0, 2, 6, 4],
[0, 0, 3, 0, 1],
[6, 9, 5, 6, 5],
[8, 3, 9, 1, 8]])
- 从随机一维数组中找出距离给定数值（0.5）最近的数
z = np.random.uniform(0,1,20)
print("随机数：\n",z)
a = 0.5
m = z.flat[np.abs(z-a).argmin()]
print(m)
随机数：
[0.74803699 0.11455862 0.99803515 0.14462869 0.5537112 0.30303048
0.96955316 0.49956142 0.06782649 0.60886511 0.52904903 0.71247709
0.11861379 0.07666849 0.59101115 0.26017775 0.87247072 0.38625768
0.58177161 0.68263192]
0.49956141969291046
- 将二维数组的前两行进行顺序交换
A = np.arange(25).reshape(5,5)
print(A)
A[[0,1]] = A[[1,0]]
print(A)
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]
[15 16 17 18 19]
[20 21 22 23 24]]
[[ 5 6 7 8 9]
[ 0 1 2 3 4]
[10 11 12 13 14]
[15 16 17 18 19]
[20 21 22 23 24]]
- 找出随机一维数组中出现频率最高的值
z = np.random.randint(0,10,50)
print("随机一位数组：",z)
np.bincount(z).argmax()
随机一位数组： [8 2 5 1 2 3 4 0 0 1 2 4 2 4 5 7 9 7 1 8 3 3 0 8 5 0 2 5 4 1 3 7 4 0 1 0 4
1 2 9 9 1 7 6 9 1 5 2 7 4]
1
- 找出给定一维数组中非 0 元素的位置索引
z= np.nonzero([1,2,0,3,0,6,2])
z
(array([0, 1, 3, 5, 6], dtype=int64),)
- 对于给定的 5x5 二维数组，在其内部随机放置 p 个值为 1 的数
p = 3
z = np.zeros((5,5))
np.put(z,np.random.choice(range(5*5),p,replace=False),3)
z
array([[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 3., 0., 3.],
[3., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.]])
- 对于随机的 3x3 二维数组，减去数组每一行的平均值
x = np.random.rand(3,3)
print(x)
y = x-x.mean(axis = 1,keepdims =True)
y
[[0.95448416 0.28157391 0.11756407]
[0.7902087 0.52327033 0.37404863]
[0.9034529 0.88961937 0.4843657 ]]
array([[ 0.50327678, -0.16963347, -0.33364331],
[ 0.22769948, -0.03923889, -0.18846059],
[ 0.14430691, 0.13047338, -0.27478029]])
- 获得二维数组点积结果的对角线数组
A = np.random.uniform(0,1,(3,3))
B = np.random.uniform(0,1,(3,3))
print(A)
print(B)
np.dot(A,B)
[[0.50169276 0.02239518 0.69246797]
[0.28224578 0.75533929 0.28013729]
[0.48489567 0.61824741 0.30859325]]
[[0.47332788 0.05524409 0.92841459]
[0.12871947 0.34830053 0.57392612]
[0.47672191 0.33371663 0.57694793]]
array([[0.57046252, 0.26660389, 0.87815002],
[0.36436925, 0.37216395, 0.85717467],
[0.45620828, 0.34510622, 0.98305479]])
# 较慢的方法
np.diag(np.dot(A, B))
array([0.57046252, 0.37216395, 0.98305479])
np.sum(A*B.T,axis = 1)# 较快的方法
array([0.57046252, 0.37216395, 0.98305479])
# 更快的方法
np.einsum("ij, ji->i", A, B)
array([0.57046252, 0.37216395, 0.98305479])
- 找到随机一维数组中前 p 个最大值
z = np.random.randint(1,100,100)
print(z)
p = 5
z[np.argsort(z)[:-p:-1]]
[89 81 44 83 90 65 67 66 70 85 52 4 60 34 76 43 19 7 7 19 5 20 42 58
62 46 41 74 43 69 33 68 37 3 35 82 60 14 38 11 74 98 71 71 36 81 15 35
50 59 24 32 45 84 70 62 62 23 77 23 67 90 93 75 74 25 6 20 4 88 20 60
97 32 39 68 21 7 37 1 67 47 6 70 91 80 8 88 65 50 49 84 34 96 67 26
79 76 92 48]
array([98, 97, 96, 93])
- 计算随机一维数组中每个元素的 4 次方数值
x = np.random.randint(2,5,5)
print(x)
np.power(x,4)
[3 4 4 3 4]
array([ 81, 256, 256, 81, 256], dtype=int32)
- 对于二维随机数组中各元素，保留其 2 位小数
z = np.random.random((5,5))
print(z)
np.set_printoptions(precision=2)
print(z)
[[0.54053894 0.51640907 0.30630568 0.70994421 0.25277349]
[0.96262252 0.65912837 0.41168413 0.42031458 0.26244 ]
[0.66793675 0.93206986 0.71694181 0.28627584 0.90228097]
[0.08131304 0.56829273 0.72174004 0.53821596 0.53626988]
[0.63199761 0.22767542 0.42476124 0.24653665 0.78349649]]
[[0.54 0.52 0.31 0.71 0.25]
[0.96 0.66 0.41 0.42 0.26]
[0.67 0.93 0.72 0.29 0.9 ]
[0.08 0.57 0.72 0.54 0.54]
[0.63 0.23 0.42 0.25 0.78]]
- 使用科学记数法输出 NumPy 数组
z = np.random.random([5,5])
print(z)
z/1e3
[[0.35 0.22 0.73 0.66 0.02]
[0.2 0.97 0.58 0.76 0.11]
[0.95 0.79 0.23 0.39 0.28]
[0.64 0.33 0.58 0. 0.35]
[0.86 0.33 0.19 0.72 0.84]]
array([[3.47e-04, 2.18e-04, 7.29e-04, 6.61e-04, 1.66e-05],
[2.03e-04, 9.74e-04, 5.83e-04, 7.59e-04, 1.08e-04],
[9.48e-04, 7.93e-04, 2.28e-04, 3.94e-04, 2.82e-04],
[6.38e-04, 3.33e-04, 5.82e-04, 1.96e-06, 3.47e-04],
[8.57e-04, 3.29e-04, 1.91e-04, 7.16e-04, 8.45e-04]])
- 使用 NumPy 找出百分位数（25%，50%，75%）
a = np.arange(15)
print(a)
np.percentile(a,q = [25,50,75])
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]
array([ 3.5, 7. , 10.5])
- 找出数组中缺失值的总数及所在位置
# 生成含有缺失值的2维数组
z = np.random.rand(10,10)
z[np.random.randint(10,size = 5),np.random.randint(10,size =5)] =np.nan
z
array([[0.57, 0.21, 0.21, 0.62, 0.55, 0.85, 0.17, 0.85, 0.93, 0.05],
[0.91, 0.13, 0.23, 0.34, 0.1 , 0.82, 0.41, 0.52, 0.54, 0.58],
[0.6 , 0.74, 0.27, 0.12, 0.63, 0.1 , nan, 0.86, 0.97, 0.35],
[0.22, 0.45, 0.34, 0.39, 0.75, 0.93, 0.45, 0.52, 0.55, 0.82],
[0.27, 0.39, 0.43, 0.56, 0.24, 0.37, nan, 0.34, 0.7 , 0.79],
[0.93, 0.39, 0.88, 0.1 , 0.54, 0.38, 0.93, 0.14, 0.99, 0.73],
[ nan, 0.15, 0.92, 0.04, 0.6 , 0.86, 0.23, 0.74, 0.81, 0.59],
[0.13, 0.07, 0.84, nan, 0.05, 0.45, 0.63, 0.93, nan, 0.34],
[0.06, 0.51, 0.94, 0.11, 0.02, 0.15, 0.51, 0.24, 0.99, 0.62],
[0.08, 0.25, 0.68, 0.34, 0.48, 0.55, 0.67, 0.37, 0.06, 0.16]])
print("缺失值总数：",np.isnan(z).sum())
print("缺失值索引：",np.where(np.isnan(z)))
缺失值总数： 5
缺失值索引： (array([2, 4, 6, 7, 7], dtype=int64), array([6, 6, 0, 3, 8], dtype=int64))
- 从随机数组中删除包含缺失值的行
# 沿用 79 题中的含缺失值的 2 维数组
z[np.sum(np.isnan(z),axis =1) ==0]
array([[0.57, 0.21, 0.21, 0.62, 0.55, 0.85, 0.17, 0.85, 0.93, 0.05],
[0.91, 0.13, 0.23, 0.34, 0.1 , 0.82, 0.41, 0.52, 0.54, 0.58],
[0.22, 0.45, 0.34, 0.39, 0.75, 0.93, 0.45, 0.52, 0.55, 0.82],
[0.93, 0.39, 0.88, 0.1 , 0.54, 0.38, 0.93, 0.14, 0.99, 0.73],
[0.06, 0.51, 0.94, 0.11, 0.02, 0.15, 0.51, 0.24, 0.99, 0.62],
[0.08, 0.25, 0.68, 0.34, 0.48, 0.55, 0.67, 0.37, 0.06, 0.16]])
- 统计随机数组中的各元素的数量
z = np.random.randint(0,100,25).reshape(5,5)
print(z)
[[77 29 88 73 59]
[71 93 7 56 12]
[17 50 68 13 1]
[67 97 26 27 25]
[49 68 83 10 77]]
np.unique(z,return_counts=True)# 返回值中，第 2 个数组对应第 1 个数组元素的数量
(array([ 1, 7, 10, 12, 13, 17, 25, 26, 27, 29, 49, 50, 56, 59, 67, 68, 71,
73, 77, 83, 88, 93, 97]),
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 1, 2, 1, 1, 1,
1], dtype=int64))
- 将数组中各元素按指定分类转换为文本值
# 指定类别如下
# 1 → 汽车
# 2 → 公交车
# 3 → 火车
z =np.random.randint(1,4,10)
print(z)
label_map = {1:"汽车",2:"公交车",3:"火车"}
[label_map[x] for x in z]
[2 2 3 2 2 2 2 3 1 3]
['公交车', '公交车', '火车', '公交车', '公交车', '公交车', '公交车', '火车', '汽车', '火车']
- 将多个 1 维数组拼合为单个 Ndarray
z1 = np.arange(3)
z2 = np.arange(3,7)
z3 = np.arange(7,10)
z =np.array([z1,z2,z3])
print(z)
[array([0, 1, 2]) array([3, 4, 5, 6]) array([7, 8, 9])]
np.concatenate(z)
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
- 打印各元素在数组中升序排列的索引
a = np.random.randint(100,size = 10)
print("Array:",a)
a.argsort()
Array: [42 86 84 9 28 69 25 76 40 4]
array([9, 3, 6, 4, 8, 0, 5, 7, 2, 1], dtype=int64)
- 得到二维随机数组各行的最大值
z = np.random.randint(1,100,[5,5])
print(z)
np.amax(z,axis =1)
[[64 57 2 27 67]
[64 65 86 90 83]
[12 30 69 1 11]
[54 21 86 41 30]
[ 7 6 78 16 27]]
array([67, 90, 69, 86, 78])
- 得到二维随机数组各行的最小值（区别上面的方法）
z = np.random.randint(1,100,[5,5])
print(z)
np.apply_along_axis(np.min,arr =z ,axis=1)
[[67 49 70 94 8]
[76 10 79 50 6]
[12 90 48 45 24]
[20 23 44 24 27]
[27 3 77 7 5]]
array([ 8, 6, 12, 20, 3])
- 计算两个数组之间的欧氏距离
a = np.array([1,2])
b = np.array([7,8])
#数学计算方法
print(np.sqrt(np.power((8-2),2) + np.power((7-1),2)))
# Numpy计算法
np.linalg.norm(b-a)
8.48528137423857
8.48528137423857
- 打印复数的实部和虚部
a = np.array([1 + 2j, 3 + 4j, 5 + 6j])
print("实部：", a.real)
print("虚部：", a.imag)
实部： [1. 3. 5.]
虚部： [2. 4. 6.]
- 求解给出矩阵的逆矩阵并验证
matrix = np.array([[1,2],[3,4]])
inverse_matrix = np.linalg.inv(matrix)
# 验证原矩阵和逆矩阵的点积是否为单位矩阵
assert np.allclose(np.dot(matrix, inverse_matrix), np.eye(2))
inverse_matrix
array([[-2. , 1. ],
[ 1.5, -0.5]])
- 使用 Z-Score 标准化算法对数据进行标准化处理
Z-Score 标准化公式：
Z = X − m e a n ( X ) s d ( X ) Z = \frac{X-\mathrm{mean}(X)}{\mathrm{sd}(X)} Z=sd(X)X−mean(X)
# 根据公式定义函数
def zscore(x,axis = None):
xmean = x.mean(axis =axis,keepdims = True)
xstd = np.std(x,axis = axis,keepdims = True)
zscore = (x - xmean)/xstd
return zscore
z = np.random.randint(10,size = (5,5))
print(z)
zscore(z)
[[2 1 3 3 1]
[3 8 3 2 5]
[6 7 3 6 1]
[6 6 0 2 3]
[0 6 5 8 3]]
array([[-0.73, -1.15, -0.31, -0.31, -1.15],
[-0.31, 1.81, -0.31, -0.73, 0.54],
[ 0.97, 1.39, -0.31, 0.97, -1.15],
[ 0.97, 0.97, -1.58, -0.73, -0.31],
[-1.58, 0.97, 0.54, 1.81, -0.31]])
- 使用 Min-Max 标准化算法对数据进行标准化处理
Min-Max 标准化公式：
Y = Z − min ( Z ) max ( Z ) − min ( Z ) Y = \frac{Z-\min(Z)}{\max(Z)-\min(Z)} Y=max(Z)−min(Z)Z−min(Z)
def min_max(x,axis = None):
min = x.min(axis = axis,keepdims = True)
max = x.max(axis = axis,keepdims = True)
result = (x - min)/(max - min)
return result
#生成随机数据
z = np.random.randint(10,size = (5,5))
print(z)
min_max(z)
[[1 2 5 8 4]
[0 1 4 5 7]
[3 3 1 5 8]
[7 9 9 0 9]
[5 2 1 7 7]]
array([[0.11, 0.22, 0.56, 0.89, 0.44],
[0. , 0.11, 0.44, 0.56, 0.78],
[0.33, 0.33, 0.11, 0.56, 0.89],
[0.78, 1. , 1. , 0. , 1. ],
[0.56, 0.22, 0.11, 0.78, 0.78]])
- 使用 L2 范数对数据进行标准化处理
L2 范数计算公式：
L 2 = x 1 2 + x 2 2 + … + x i 2 L_2 = \sqrt{x_1^2 + x_2^2 + \ldots + x_i^2} L2=x12+x22+…+xi2
# 根据公式定义函数
def l2_normalize(v,axis = -1,order =2):
l2 = np.linalg.norm(v,ord = order,axis = axis,keepdims =True)
l2[l2 == 0] =1
return v/l2
#生成随机数据
z = np.random.randint(10,size = [5,5])
print(z)
l2_normalize(z)
[[6 4 7 7 7]
[4 5 7 9 6]
[8 1 5 0 3]
[4 6 5 4 4]
[7 2 4 8 9]]
array([[0.43, 0.28, 0.5 , 0.5 , 0.5 ],
[0.28, 0.35, 0.49, 0.63, 0.42],
[0.8 , 0.1 , 0.5 , 0. , 0.3 ],
[0.38, 0.57, 0.48, 0.38, 0.38],
[0.48, 0.14, 0.27, 0.55, 0.62]])
- 使用 NumPy 计算变量直接的相关性系数
Z = np.array([
[1, 2, 1, 9, 10, 3, 2, 6, 7], # 特征 A
[2, 1, 8, 3, 7, 5, 10, 7, 2], # 特征 B
[2, 1, 1, 8, 9, 4, 3, 5, 7]]) # 特征 C
np.corrcoef(Z)
array([[ 1. , -0.06, 0.97],
[-0.06, 1. , -0.01],
[ 0.97, -0.01, 1. ]])
相关性系数取值从 [-1, 1] 变换，靠近 1 则代表正相关性较强，-1 则代表负相关性较强。结果如下所示，变量 A 与变量 A 直接的相关性系数为 1，因为是同一个变量。变量 A 与变量 C 之间的相关性系数为 0.97，说明相关性较强。
- 使用 NumPy 计算矩阵的特征值和特征向量
M = np.matrix([[1,2,3],[4,5,6],[7,8,9]])
w,v = np.linalg.eig(M)
# w对应特征值，v对应特征向量
print(w)
print(v)
[ 1.61e+01 -1.12e+00 -1.30e-15]
[[-0.23 -0.79 0.41]
[-0.53 -0.09 -0.82]
[-0.82 0.61 0.41]]
我们可以通过 P'AP=M 公式反算，验证是否能得到原矩阵。
v * np.diag(w)*np.linalg.inv(v)
matrix([[1., 2., 3.],
[4., 5., 6.],
[7., 8., 9.]])
- 使用 NumPy 计算 Ndarray 两相邻元素差值
z = np.random.randint(1,10,10)
print(z)
# 计算z两相邻元素之间的差值
print(np.diff(z,n =1))
# 重复计算2次
print(np.diff(z,n = 2))
#重复计算三次
print(np.diff(z,n = 3))
[6 5 5 8 5 5 1 5 8 9]
[-1 0 3 -3 0 -4 4 3 1]
[ 1 3 -6 3 -4 8 -1 -2]
[ 2 -9 9 -7 12 -9 -1]
- 使用 NumPy 将 Ndarray 相邻元素依次累加
z = np.random.randint(1,10,10)
print(z)
"""
[第一个元素, 第一个元素 + 第二个元素, 第一个元素 + 第二个元素 + 第三个元素, ...]
"""
np.cumsum(Z)
[1 6 1 2 9 5 8 9 7 3]
array([ 1, 3, 4, 13, 23, 26, 28, 34, 41, 43, 44, 52, 55,
62, 67, 77, 84, 86, 88, 89, 90, 98, 107, 111, 114, 119,
126], dtype=int32)
- 使用 NumPy 按列连接两个数组
M1 = np.array([1,2,3])
M2 = np.array([4,5,6])
np.c_[M1,M2]
array([[1, 4],
[2, 5],
[3, 6]])
- 使用 NumPy 按行连接两个数组
M1 = np.array([1, 2, 3])
M2 = np.array([4, 5, 6])
np.r_[M1, M2]
array([1, 2, 3, 4, 5, 6])
- 使用 NumPy 打印九九乘法表
np.fromfunction(lambda i, j:(i+1)*(j+1),(9,9) )
array([[ 1., 2., 3., 4., 5., 6., 7., 8., 9.],
[ 2., 4., 6., 8., 10., 12., 14., 16., 18.],
[ 3., 6., 9., 12., 15., 18., 21., 24., 27.],
[ 4., 8., 12., 16., 20., 24., 28., 32., 36.],
[ 5., 10., 15., 20., 25., 30., 35., 40., 45.],
[ 6., 12., 18., 24., 30., 36., 42., 48., 54.],
[ 7., 14., 21., 28., 35., 42., 49., 56., 63.],
[ 8., 16., 24., 32., 40., 48., 56., 64., 72.],
[ 9., 18., 27., 36., 45., 54., 63., 72., 81.]])
- 使用 NumPy 将实验楼 LOGO 转换为 Ndarray 数组
from io import BytesIO
from PIL import Image
import PIL,requests
# 通过链接下载图像
URL = 'https://upload.jianshu.io/users/upload_avatars/4356789/7180cf5d-ad9d-45e7-b9d7-892e6f141885.jpg?imageMogr2/auto-orient/strip|imageView2/1/w/240/h/240'
response = requests.get(URL)
# 将内容读取为图像
I = Image.open(BytesIO(response.content))
# 将图像转换为 Ndarray
Datawhale= np.asarray(I)
Datawhale
array([[[ 2, 32, 40],
[ 2, 32, 40],
[ 2, 32, 40],
...,
[ 2, 32, 40],
[ 2, 32, 40],
[ 2, 32, 40]],
[[ 2, 32, 40],
[ 2, 32, 40],
[ 2, 32, 40],
...,
[ 2, 32, 40],
[ 2, 32, 40],
[ 2, 32, 40]],
[[ 2, 32, 40],
[ 2, 32, 40],
[ 2, 32, 40],
...,
[ 2, 32, 40],
[ 2, 32, 40],
[ 2, 32, 40]],
...,
[[ 2, 32, 40],
[ 2, 32, 40],
[ 2, 32, 40],
...,
[ 2, 32, 40],
[ 2, 32, 40],
[ 2, 32, 40]],
[[ 2, 32, 40],
[ 2, 32, 40],
[ 2, 32, 40],
...,
[ 2, 32, 40],
[ 2, 32, 40],
[ 2, 32, 40]],
[[ 2, 32, 40],
[ 2, 32, 40],
[ 2, 32, 40],
...,
[ 2, 32, 40],
[ 2, 32, 40],
[ 2, 32, 40]]], dtype=uint8)
本文章主要作为学习历程的记录，如有侵权，请联系作者删除，原文地址https://www.shiyanlou.com/courses/