python求数组最小值和最大值_numpy找出array中的最大最小值的方法
numpy找出array中的最大值,最小值实例
在python中利用numpy创建一个array， 然后我们想获取array的最大值，最小值。可以使用一下方法：
一、创建数组
这样就可以获得一个array的最大值和最小值了。
并且可以利用np.where(np.max(a))来获得最大值，最小值的行和列数。
二、python下对文件的操作
1、移动一个文件夹到另一个文件夹下
首先
import os, skutil
复制文件：
shutil.copyfile('oldfile', 'newfile')
oldfile和newfile都只能是文件
shutil.copy('oldfile', 'newfile')
oldfile只能是文件夹，newfile可以是文件，也可以是目标目录
复制文件夹：
shutil.copytree('olddir', 'newdir')
olddir和newdir都只能是目录，且newdir必须不存在
移动文件：
shutil.move('oldpos', 'newpos')
重命名文件：
os.rename('oldname', 'newname') 文件和目录都使用这条命令
删除文件：
os.remove('file')
os.rmdir('dir')
只能删除空目录
判断目标：
os.path.exists('goal')
判断目标是否存在
os.path.isdir('goal')
判断目标是否是目录
os.path.isfile('goal')
判断目标是否是文件
转换目录：
os.chdir('path')
判断路径是否存在：
isExists = os.path.exists(path)
存在 True
不存在 False
创建目录：
os.mkdir('file')
创建多层目录：
def mkdirs(path):
# 去除首位空格
path = path.strip()
# 去除尾部 \ 符号
path = path.rstrip('\\')
以上这篇numpy找出array中的最大值,最小值实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持码农之家。
Python中Numpy ndarray的使用详解
本文主讲Python中Numpy数组的类型、全0全1数组的生成、随机数组、数组操作、矩阵的简单运算、矩阵的数学运算。
尽管可以用python中list嵌套来模拟矩阵，但使用Numpy库更方便。
定义数组
>>> import numpy as np
>>> m = np.array([[1,2,3], [2,3,4]]) #定义矩阵，int64
>>> m
array([[1, 2, 3],
[2, 3, 4]])
>>> m = np.array([[1,2,3], [2,3,4]], dtype=np.float) #定义矩阵,float64
>>> m
array([[1., 2., 3.],
[2., 3., 4.]])
>>> print(m.dtype) #数据类型
float64
>>> print(m.shape) #形状2行3列
(2, 3)
>>> print(m.ndim) #维数
2
>>> print(m.size) #元素个数
6
>>> print(type(m))
还有一些特殊的方法可以定义矩阵
>>> m = np.zeros((2,2)) #全0
>>> m
array([[0., 0.],
[0., 0.]])
>>> print(type(m)) #也是ndarray类型
>>> m = np.ones((2,2,3)) #全1
>>> m = np.full((3,4), 7) #全为7
>>> np.eye(3) #单位矩阵
array([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])
>>> np.arange(20).reshape(4,5) #生成一个4行5列的数组
>>>
>>> np.random.random((2,3)) #[0,1)随机数
array([[0.51123127, 0.40852721, 0.26159126],
[0.42450279, 0.34763668, 0.06167501]])
>>> np.random.randint(1,10,(2,3)) #[1,10)随机整数的2行3列数组
array([[5, 4, 9],
[2, 5, 7]])
>>> np.random.randn(2,3) #正态随机分布
array([[-0.29538656, -0.50370707, -2.05627716],
[-1.50126655, 0.41884067, 0.67306605]])
>>> np.random.choice([10,20,30], (2,3)) #随机选择
array([[10, 20, 10],
[30, 10, 20]])
>>> np.random.beta(1,10,(2,3)) #贝塔分布
array([[0.01588963, 0.12635485, 0.22279098],
[0.08950147, 0.02244569, 0.00953366]])
操作数组
>>> from numpy import *
>>> a1=array([1,1,1]) #定义一个数组
>>> a2=array([2,2,2])
>>> a1+a2 #对于元素相加
array([3, 3, 3])
>>> a1*2 #乘一个数
array([2, 2, 2])
##
>>> a1=np.array([1,2,3])
>>> a1
array([1, 2, 3])
>>> a1**3 #表示对数组中的每个数做立方
array([ 1, 8, 27])
##取值，注意的是它是以0为开始坐标，不matlab不同
>>> a1[1]
2
##定义多维数组
>>> a3=np.array([[1,2,3],[4,5,6]])
>>> a3
array([[1, 2, 3],
[4, 5, 6]])
>>> a3[0] #取出第一行的数据
array([1, 2, 3])
>>> a3[0,0] #第一行第一个数据
1
>>> a3[0][0] #也可用这种方式
1
>>> a3
array([[1, 2, 3],
[4, 5, 6]])
>>> a3.sum(axis=0) #按行相加，列不变
array([5, 7, 9])
>>> a3.sum(axis=1) #按列相加，行不变
array([ 6, 15])
矩阵的数学运算
关于方阵
>>> m = np.array([[1,2,3], [2,2,3], [2,3,4]]) #定义一个方阵
>>> m
array([[1, 2, 3],
[2, 2, 3],
[2, 3, 4]])
>>> print(np.linalg.det(m)) #求行列式
1.0
>>> print(np.linalg.inv(m)) #求逆
[[-1. 1. 0.]
[-2. -2. 3.]
[ 2. 1. -2.]]
>>> print(np.linalg.eig(m)) #特征值 特征向量
(array([ 7.66898014+0.j , -0.33449007+0.13605817j,
-0.33449007-0.13605817j]), array([[-0.47474371+0.j , -0.35654645+0.23768904j,
-0.35654645-0.23768904j],
[-0.53664812+0.j , 0.80607696+0.j ,
0.80607696-0.j ],
[-0.6975867 +0.j , -0.38956192-0.12190158j,
-0.38956192+0.12190158j]]))
>>> y = np.array([1,2,3])
>>> print(np.linalg.solve(m, y)) #解方程组
[ 1. 3. -2.]
矩阵乘法
矩阵乘：按照线性代数的乘法
>>> a = np.array([[1,2,3], [2,3,4]])
>>> b = np.array([[1,2], [3,4], [5,6]])
>>> a
array([[1, 2, 3],
[2, 3, 4]])
>>> b
array([[1, 2],
[3, 4],
[5, 6]])
>>> np.dot(a, b) #方法一
array([[22, 28],
[31, 40]])
>>> np.matmul(a,b) #方法二
array([[22, 28],
注：一维数组之间运算时，dot()表示的是内积。
点乘：对应位置相乘
>>> a = np.array([[1,2],[3,4]])
>>> b = np.array([[1,1],[2,2]])
>>> a
array([[1, 2],
[3, 4]])
>>> b
array([[1, 1],
[2, 2]])
>>> a * b #方法一
array([[1, 2],
[6, 8]])
>>> np.multiply(a, b) #方法二
array([[1, 2],
[6, 8]])
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持码农之家。
以上就是本次给大家分享的关于java的全部知识点内容总结，大家还可以在下方相关文章里找到相关文章进一步学习，感谢大家的阅读和支持。
您可能感兴趣的文章: