Python之Numpy陣列拼接，組合，連線
轉自：https://www.douban.com/note/518335786/?type=like
============改變陣列的維度==================
已知reshape函式可以有一維陣列形成多維陣列
ravel函式可以展平陣列
b.ravel()
flatten()函式也可以實現同樣的功能
區別：ravel只提供檢視view，而flatten分配記憶體儲存
重塑：
用元祖設定維度
>>> b.shape=(4,2,3)
>>> b
array(［[ 0, 1, 2],
[ 3, 4, 5］,
［ 6, 7, 8],
[ 9, 10, 11］,
［12, 13, 14],
[15, 16, 17］,
［18, 19, 20],
[21, 22, 23］])
轉置：
>>> b
array(［0, 1],
[2, 3］)
>>> b.transpose()
array(［0, 2],
[1, 3］)
=============陣列的組合==============
>>> a
array(［0, 1, 2],
[3, 4, 5],
[6, 7, 8］)
>>> b = a*2
>>> b
array(［ 0, 2, 4],
[ 6, 8, 10],
[12, 14, 16］)
1.水平組合
>>> np.hstack((a,b))
array(［ 0, 1, 2, 0, 2, 4],
[ 3, 4, 5, 6, 8, 10],
[ 6, 7, 8, 12, 14, 16］)
>>> np.concatenate((a,b),axis=1)
array(［ 0, 1, 2, 0, 2, 4],
[ 3, 4, 5, 6, 8, 10],
[ 6, 7, 8, 12, 14, 16］)
2.垂直組合
>>> np.vstack((a,b))
array(［ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 0, 2, 4],
[ 6, 8, 10],
[12, 14, 16］)
>>> np.concatenate((a,b),axis=0)
array(［ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 0, 2, 4],
[ 6, 8, 10],
[12, 14, 16］)
3.深度組合：沿著縱軸方向組合
>>> np.dstack((a,b))
array(［[ 0, 0],
[ 1, 2],
[ 2, 4］,
［ 3, 6],
[ 4, 8],
[ 5, 10］,
［ 6, 12],
[ 7, 14],
[ 8, 16］])
4.列組合column_stack()
一維陣列：按列方向組合
二維陣列：同hstack一樣
5.行組合row_stack()
以為陣列：按行方向組合
二維陣列：和vstack一樣
6.==用來比較兩個陣列
>>> a==b
array(［ True, False, False],
[False, False, False],
[False, False, False］, dtype=bool)
#True那個因為都是0啊
==================陣列的分割===============
>>> a
array(［0, 1, 2],
[3, 4, 5],
[6, 7, 8］)
>>> b = a*2
>>> b
array(［ 0, 2, 4],
[ 6, 8, 10],
[12, 14, 16］)
1.水平分割（難道不是垂直分割？？？）
>>> np.hsplit(a,3)
[array(［0],
[3],
[6］),
array(［1],
[4],
[7］),
array(［2],
[5],
[8］)]
split(a,3,axis=1)同理達到目的
2.垂直分割
>>> np.vsplit(a,3)
[array(［0, 1, 2］), array(［3, 4, 5］), array(［6, 7, 8］)]
split(a,3,axis=0)同理達到目的
3.深度分割
某三維陣列：：：
>>> d = np.arange(27).reshape(3,3,3)
>>> d
array(［[ 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, 25, 26］])
深度分割後（即按照深度的方向分割）
注意：dsplite只對3維以上陣列起作用
raise ValueError('dsplit only works on arrays of 3 or more dimensions')
ValueError: dsplit only works on arrays of 3 or more dimensions
>>> np.dsplit(d,3)
[array(［[ 0],
[ 3],
[ 6］,
［ 9],
[12],
[15］,
［18],
[21],
[24］]), array(［[ 1],
[ 4],
[ 7］,
［10],
[13],
[16］,
［19],
[22],
[25］]), array(［[ 2],
[ 5],
[ 8］,
［11],
[14],
[17］,
［20],
[23],
[26］])]
===================陣列的屬性=================
>>> a.shape #陣列維度
(3, 3)
>>> a.dtype #元素型別
dtype('int32')
>>> a.size #陣列元素個數
9
>>> a.itemsize #元素佔用位元組數
4
>>> a.nbytes #整個陣列佔用儲存空間=itemsize*size
36
>>> a.T #轉置=transpose
array(［0, 3, 6],
[1, 4, 7],
[2, 5, 8］)
相關推薦
Python之Numpy陣列拼接，組合，連線
轉自：https://www.douban.com/note/518335786/?type=like ============改變陣列的維度==================已知reshape函式可以有一維陣列形成多維陣列ravel函式可以展平陣列b.ravel()flatten()函式也可以實現同樣的功
PYthon 從numpy陣列去除重複元素，行或列
data = np.array([[1,8,3,3,4], [1,8,9,9,4], [1,8,3,3,4]]) #刪除整個陣列的重複元素 uniques = np.unique(data) print( un
python之路——函數叠代，生成器
什麽 上一個 dir 指針 tor sin import lec collect ---恢復內容開始--- 叠代器 生成器 叠代器: 1, 什麽是叠代器協議 ① dir(被測對象) 如果它含有 __iter__，那這個對象叫做可叠代對象，遵循可叠代協議。 ② 可叠代對
Python之高等數學（導數，微分）
在知乎上看到關於導數和微分的區別：https://www.zhihu.com/question/22199657 導數（Derivative），也叫導函式值。又名微商，是微積分中的重要基礎概念。當函式y=f（x）的自變數x在一點x0上產生一個增量Δx時，函式輸出值的增量Δy與自變數增量Δx的比值
Python之線性代數（矩陣運算，逆矩陣，伴隨矩陣）
np.eye(10)*10 # 10階方陣，當對角線值為1時為對角矩陣 np.eye(5) array([[1., 0., 0., 0., 0.], [0., 1., 0., 0., 0.], [0., 0., 1
python之numpy.power()陣列元素求n次方
numpy.power(x1, x2) 陣列的元素分別求n次方。x2可以是數字，也可以是陣列，但是x1和x2的列數要相同。 >>> x1 = range(6) >>> x1 [0, 1, 2, 3, 4, 5] >>&g
python之sys.stdout、sys.stdin，stdout.write等
sys.stdin,sys.stdout,sys.stderr: stdin , stdout , 以及stderr 變數包含與標準I/O 流對應的流物件. 如果需要更好地控制輸出,而print 不能滿足你的要求, 它們就是你所需要的. 你也可以替換它們, 這時候你就可以重定
python之路day03--資料型別分析，轉換，索引切片，str常用操作方法
資料型別整體分析 int :用於計算bool:True False 使用者判斷str：少量資料的儲存list：列表 儲存大量資料 上億資料[1,2,3,'zzy',[aa]]元組：只讀列表(1,23,'asdadas')dist：字典 鍵值對的形式儲存，關係型{'name':'小王八','age':16}
python之Django框架篇-路由系統，檢視，模板，ORM複習
1. Urls.py 路由系統： 正則 分組匹配 --> 位置引數 分組命名匹配 --> 關鍵字引數 分級路由 include 給路由起別名 name="xx" 反向解析url view
Android頂部導航之TabLayout和ViewPager的組合，setupWithViewPager有點坑
TabLayout是Android Design Support Library的元件，可以很方便的寫出頂部導航欄比以前那個什麼TabHost好用多了，因為是Design Support Library下的控制元件，所以使用它要引入相關依賴 impleme
從 Python 之父的對話聊起，關於智慧財產權、知識共享與文章翻譯
一、緣起 前不久，我在翻譯 Guido van Rossum（Python之父）的文章時，給他留言，申請非商業用途的翻譯授權。 過程中起了點小誤會，略去不表，最終的結果是：他的文章以CC BY-NC-SA 4.0 許可協議進行授權。部分對話如下： CC 協議是一種授權許可協議，我曾看到過幾次，但瞭解不
Python資料分析之numpy陣列全解析
1 什麼是numpy numpy是一個在Python中做科學計算的基礎庫，重在數值計算，也是大部分Python科學計算庫的基礎庫，多用於大型、多維資料上執行數值計算。 在NumPy 中，最重要的物件是稱為 ndarray 的N維陣列型別，它是描述相同型別的元素集合，numpy所有功能幾乎都以ndarray
Python 之NumPy
python numpy NumPy的主要對象是同質的多維數組。它是一個有明確索引的相同類型的元素組成的表。在NumPy中維度稱之為軸，軸數稱之為列。舉個例子：例一：[ 1, 2, 1 ]這是一個一維數組，因為它只有一個軸，這個軸的長度是3.列二：[[ 1., 0., 0.],[ 0., 1., 2.
BeautifulSoup 使用select方法詳解（通過標簽名，類名， id，組合，屬性查找）
chrome red 例如 ttl app user encode and 定位 import requestsfrom bs4 import BeautifulSoupblslib="html5lib"user_agent="Mozilla/5.0 (Macintosh;
Python之NumPy（axis=0 與axis=1）區分
tail ner def ros som 分享 然而 article 本質 轉自：http://blog.csdn.net/wangying19911991/article/details/73928172 https://www.zhihu.com/
python中將Numpy陣列儲存為影象
第一種方案原文 可以使用scipy.misc，程式碼如下： import scipy.misc misc.imsave('out.jpg', image_array) 上面的scipy版本會標準化所有影象，以便min(資料)變成黑色，max(資料)變成白色。如果資料應該是精確的灰度級或準
UML類關係（依賴，關聯，聚合，組合，泛化，實現）
轉自 https://blog.csdn.net/k346k346/article/details/59582926 在學習面向物件設計時，類關係涉及依賴、關聯、聚合、組合和泛化這五種關係，耦合度依次遞增。關於耦合度，可以簡單地理解為當一個類發生變更時，對其他類造成的影響程
UML類關系（依賴，關聯，聚合，組合，泛化，實現）
對比 區別 ++ brush 面向對象設計 ali 單向關聯 箭頭 有關 轉自https://blog.csdn.net/k346k346/article/details/59582926 在學習面向對象設計時，類關系涉及依賴、關聯、聚合、組合和泛化這五種關系，耦合度依
類的關係（泛化, 實現，關聯，聚合，組合，依賴）
類的關係 在UML類圖中，常見的有以下幾種關係: 泛化（Generalization）, 實現（Realization），關聯（Association)，聚合（Aggregation），組合(Composition)，依賴(Dependency) 1. 泛化（Generalizati