1、np.argmax()、np.max()、np.argmin()、np.min()用法:
2、np.where(condition[, x, y])
3、np.random中shuffle与permutation的区别
4、np.ascontiguousarray():返回和传入的数组类似的内存中连续的数组
5、np.empty():返回没有初始化的数组,它的值是随机的
6、np.newaxis:为数组增加一个轴
7、np.tile():将矩阵横向、纵向地复制
8、np.sort()和np.argsort():第一个返回从小到大的排序值,第二个返回从小到大的索引
9、np.cumsum():返回当前列之前的和加到当前列上的数组
argmax返回的是最大数的索引.argmax有一个参数axis,默认是0。看二维的情况如下:
a = np.array([[1, 5, 5, 2],
[9, 6, 2, 8],
[3, 7, 9, 1]])
print(np.argmax(a, axis=0))
[1,2,2,1] # 返回列表的长度为最里层元素的长度
a = np.array([[1, 5, 5, 2],
[9, 6, 2, 8],
[3, 7, 9, 1]])
print(np.argmax(a, axis=1))
[1,0,2] # 返回列表的长度为次里层元素的长度
argmax()返回的是元素的索引,而max()返回的则是元素值,max的用法和argmax相似,也有一个axis的参数。同理,argmin()和min()也是相同的用法。
1)这里x,y是可选参数,condition是条件,这三个输入参数都是array_like的形式;而且三者的维度相同
2)当conditon的某个位置的为true时,输出x的对应位置的元素,否则选择y对应位置的元素;
3)如果只有参数condition,则函数返回为true的元素的坐标位置信息;
x = np.arange(9.).reshape(3, 3)
[[0. 1. 2.]
[3. 4. 5.]
[6. 7. 8.]]
print (np.where( x > 5 ))
(array([2, 2, 2]), array([0, 1, 2]))
返回值其实是:
x[2, 0], x[2, 1], x[2, 2]
函数np.shuffle()与np.permutation()都是对原来的数组进行重新洗牌(即随机打乱原来的元素顺序),区别在于:
shuffle直接在原来的数组上进行操作,改变原来数组的顺序,无返回值。而permutation不直接在原来的数组上进行操作,而是返回一个新的打乱顺序的数组,并不改变原来的数组。
x = np.arange(6).reshape(2,3)
print (np.ascontiguousarray(x, dtype=np.float32))
print (x.flags['C_CONTIGUOUS'])
输出:
[[0. 1. 2.]
[3. 4. 5.]]
True
print (np.empty([2, 2]))
输出:
[[ 0.00000000e+000 -8.77796459e-313]
[ 1.40447433e-311 6.17582057e-322]]
x = np.arange(3)
print (x)
y=x[:, np.newaxis]
print (y)
输出:
array([0, 1, 2])
array([[0], [1], [2]])
a=np.array([[1,2], [3, 4]])
print (a)
[[1 2]
[3 4]]
print (np.tile(a, (1, 4))) # 从最深的维度扩展到原来的4倍
[[1 2 1 2 1 2 1 2]
[3 4 3 4 3 4 3 4]]
print (np.tile(a, (3, 1))) # 从次深的维度扩展到原来的3倍
[[1 2]
[3 4]
[1 2]
[3 4]
[1 2]
[3 4]]
print (np.tile(a, (3, 4))) # 首先最深的维度扩展4倍,然后次深的维度扩展3倍
[[1 2 1 2 1 2 1 2]
[3 4 3 4 3 4 3 4]
[1 2 1 2 1 2 1 2]
[3 4 3 4 3 4 3 4]
[1 2 1 2 1 2 1 2]
[3 4 3 4 3 4 3 4]]
a=np.array([1,3,2,4])
print (np.sort(a)) # 返回从小到大的排序
[1 2 3 4]
print (np.argsort(a)) # 返回从小到大的排序索引
[0 2 1 3]
print (np.argsort(-a)) # 返回从大到小的排序索引
[3 1 2 0]
a=[1,2,3,4,5,6,7]
print (np.cumsum(a))
[ 1 3 6 10 15 21 28]
c=[[1,2,3],[4,5,6],[7,8,9]]
print (np.cumsum(c,axis=0)) # 0(第一行不动,其他行累加)
[[ 1 2 3]
[ 5 7 9]
[12 15 18]]
print (np.cumsum(c,axis=1)) # 1(第一列列不动,其他列累加)
[[ 1 3 6]
[ 4 9 15]
[ 7 15 24]]