㈠ python 中np.int0是什麼意思，見過8,16,32
你這問得抽象，估計是python中數據分析庫，里的numpy 簡寫，經常寫成，np
㈡ Numpy基礎20問
一言以蔽之，numpy是python中基於數組對象的科學計算庫。
提煉關鍵字，可以得出numpy以下三大特點：
因為numpy是一個python庫，所以使用python包管理工具pip或者conda都可以安裝。
安裝python後，打開cmd命令行，輸入：
即可完成安裝。
n維數組（ndarray）對象，是一系列 同類數據 的集合，可以進行索引、切片、迭代操作。
numpy中可以使用 array 函數創建數組:
判斷一個數組是幾維，主要是看它有幾個軸（axis）。
一個軸表示一維數組，兩個軸表示二維數組，以此類推。
每個軸都代表一個一維數組。
比如說，二維數組第一個軸里的每個元素都是一個一維數組，也就是第二個軸。
一維數組一個軸：
二維數組兩個軸：
三維數組三個軸：
以此類推n維數組。
numpy中常用 array 函數創建數組，傳入列表或元組即可。
創建一維數組，並指定數組類型為 int ：
創建二維數組：
還可以使用 arange 函數創建一維數字數組，用法類似python的 range 函數.
numpy的 random 模塊用來創建隨機數組。
random模塊還有其他函數，這里不多說。
前面說到，數組維度即代表軸的數量。
我們可以通過數組（adarray）對象的ndim或shape屬性，來查看軸的數量。
數組（ndarray）對象的 size 屬性可以查看數組包含元素總數。
還可以通過 shape 屬性返回元素的乘積，來計算數組元素數量。
Numpy支持的數據類型非常多，所以很適合做數值計算。
下面給出常見的數據類型：
數組（adarrry）對象提供 dtype 屬性，用來查看數組類型。
前面說過，數組的 shape 屬性返回一個元組，能夠反映數組的形狀，包括維度以及每個軸的元素數量。
那麼如果給定一個數組，怎麼改變其形狀呢？
常用的方式有兩種：
比如說我要將一個二維數組轉換為三維數組。
reshape 方法可以傳入整數或者元組形式的參數。
傳入的參數和 shape 屬性返回的元組的含義是一樣的。
例如， x2.reshape(1,2,3) 是將二維數組轉換成三維數組，參數個數代表要轉換的維度，參數數字從左到右分別表示0軸、1軸、2軸的元素數量。
resize 方法和 reshape 方法使用形式一樣，區別是 resize 方法改變了原始數組形狀。
numpy一維數組的索引和切片操作類似python列表，這里不多講。
比如說取一維數組前三個元素。
重點是對多維數組的索引和切片。
多維數組有多個軸，那麼就需要對每個軸進行索引。
例如，三維數組形狀為(x,y,z)，分別代表：0軸有x個元素、1軸有y個元素，2軸有z個元素。
對0、1、2軸進行索引，如果取o軸第2個元素、1軸第0個元素、2軸第3個元素，那麼索引形式就為[2,0,3]。
切片也是同樣道理。
如果取o軸前2個元素、1軸前1個元素、2軸後2個元素，那麼切片形式就為[:2,:1,-2:]。
說到迭代，大家很容易想到直接對數組直接使用 for 循環操作，對於一維數組來說，當然是可以的。
但對於多維數組，迭代是相對於0軸完成的，就是多維數組最外層的那一維。
你沒有辦法直接遍歷數組里每一個元素，嵌套循環又太低效。
這個時候就需要用到 flat 方法，它可以將多維數組平鋪為一維的迭代器。
數組（ndarray）對象提供了ravel方法，用來將多維數組展開為一維數組。
廣播(Broadcast)是 numpy 對不同形狀(shape)的數組進行數值計算的方式， 對多個數組的算術運算通常在相應的元素上進行。
較小的數組在較大的數組上「廣播」，以便它們具有兼容的形狀。
比如說一個一維數組乘以一個數字，相當於一維數組里每個元素都乘以這個數。
如果相同維度的數組進行運算，其shape相同，那麼廣播就是兩個數組相同位數的元素進行運算。
如果兩個數組維度不同，進行運算，這里就觸發了廣播的兩個規則。
這兩個規則保證了不同維度數組進行運算時，其維度自動調整成一致。
numpy提供了 transpose 函數用以對數組進行維度的調換，也就是轉置操作。
轉置後返回一個新數組。
當然，可以用更簡單的方法。
數組對象提供了 T 方法，用於轉置，同樣會返回一個新數組。
numpy的 concatenate 函數用於沿指定軸連接相同形狀的兩個或多個數組。
numpy的 unique 函數用於去除數組中的重復元素，返回一個新數組。
unique 函數還能返回重復元素的索引、計數等信息，可去查文檔自定義參數。
numpy文檔
菜鳥教程
㈢ python numpy.int64 是什麼類型
numpy.int64是numpy模塊的int類，與python本身的int基本類型並不同。使用type()判斷。
import numpy as np
nparr = np.array([1,2,3,4]) ；numpyint = nparr[0]
pyint = 1234
type(pyint) 不等於 type（numpyint）
㈣ Python基礎 numpy中的常見函數有哪些
有些Python小白對numpy中的常見函數不太了解，今天小編就整理出來分享給大家。
Numpy是Python的一個科學計算的庫，提供了矩陣運算的功能，其一般與Scipy、matplotlib一起使用。其實，list已經提供了類似於矩陣的表示形式，不過numpy為我們提供了更多的函數。
數組常用函數
1.where()按條件返回數組的索引值
2.take(a,index)從數組a中按照索引index取值
3.linspace(a,b,N)返回一個在(a,b)范圍內均勻分布的數組，元素個數為N個
4.a.fill()將數組的所有元素以指定的值填充
5.diff(a)返回數組a相鄰元素的差值構成的數組
6.sign(a)返回數組a的每個元素的正負符號
7.piecewise(a,[condlist],[funclist])數組a根據布爾型條件condlist返回對應元素結果
8.a.argmax(),a.argmin()返回a最大、最小元素的索引
改變數組維度
a.ravel(),a.flatten():將數組a展平成一維數組
a.shape=(m,n),a.reshape(m,n):將數組a轉換成m*n維數組
a.transpose,a.T轉置數組a
數組組合
1.hstack((a,b)),concatenate((a,b),axis=1)將數組a,b沿水平方向組合
2.vstack((a,b)),concatenate((a,b),axis=0)將數組a,b沿豎直方向組合
3.row_stack((a,b))將數組a,b按行方向組合
4.column_stack((a,b))將數組a,b按列方向組合
數組分割
1.split(a,n,axis=0),vsplit(a,n)將數組a沿垂直方向分割成n個數組
2.split(a,n,axis=1),hsplit(a,n)將數組a沿水平方向分割成n個數組
數組修剪和壓縮
1.a.clip(m,n)設置數組a的范圍為(m,n),數組中大於n的元素設定為n,小於m的元素設定為m
2.a.compress()返回根據給定條件篩選後的數組
數組屬性
1.a.dtype數組a的數據類型
2.a.shape數組a的維度
3.a.ndim數組a的維數
4.a.size數組a所含元素的總個數
5.a.itemsize數組a的元素在內存中所佔的位元組數
6.a.nbytes整個數組a所佔的內存空間7.a.astype(int)轉換a數組的類型為int型
數組計算
1.average(a,weights=v)對數組a以權重v進行加權平均
2.mean(a),max(a),min(a),middle(a),var(a),std(a)數組a的均值、最大值、最小值、中位數、方差、標准差
3.a.prod()數組a的所有元素的乘積
4.a.cumprod()數組a的元素的累積乘積
5.cov(a,b),corrcoef(a,b)數組a和b的協方差、相關系數
6.a.diagonal()查看矩陣a對角線上的元素7.a.trace()計算矩陣a的跡，即對角線元素之和
以上就是numpy中的常見函數。更多Python學習推薦:PyThon學習網教學中心。
㈤ python numpy生成的矩陣 小數點問題
那就說明肯定是浮點型的，看看你怎麼生成的，哪怕是一堆int中有一個float也會全變成float，因為要保證所有數據格式相同。你可以在生成這個矩陣的時候加dtype參數dtype=np.int，應該可以解決。
㈥ （Python）numpy 常用操作
不放回取樣：
從列表ori中不放回地取n個數
通過這種操作，我們可以獲得一個二維列表的子集：
（如果這個二維列表是圖的鄰接矩陣，那麼就是對圖進行隨機采樣，獲得一個圖的子圖）
首先要注意，"+" 操作對於list和numpy.array是完全不同的
python 中的list，"+"代表拼接:
在numpy.array中，"+"代表矩陣相加
keepdim指的是維度不變，常在sum中使用。如：
會發現，keepdim之後還是二維的
這里要注意，pytorch和numpy里max()函數的返回值是不同的
pytorch:
也就是說，max(1)代表求第一維的最大值，對於二維數組來說，就是求縱向的最大值，然後，第一個返回值是最大值所形成數組，第二個返回值是最大值所在的索引。這一個技巧在機器學習的分類任務中很常用，比如我們的分類任務是把數據分成m類，那麼最終我們模型的輸出是m維的，對於n個樣本就是n*m，如果要判斷我們的模型最終的分類結果，就是找n個樣本里，每個樣本m維輸出的最大值索引，代表樣本是這個類的可能性最大。我們可以方便地用這種方式找到最大值地索引：
其中test_out是模型輸出，predict_y則是分類結果
另外一點要注意的是，numpy與pytorch不同，numpy的max()只有一個返回值：
也就是說，numpy.max()不會返回最大值所在的索引
㈦ python numpy是什麼庫
NumPy是Python語言的一個擴充程序庫。支持高級大量的維度數組與矩陣運算，此外也針對數組運算提供大量的數學函數庫。Numpy內部解除了CPython的GIL（全局解釋器鎖），運行效率極好，是大量機器學習框架的基礎庫！
相關推薦：《Python基礎教程》
NumPy的全名為Numeric Python，是一個開源的Python科學計算庫，它包括：
·一個強大的N維數組對象ndrray；
·比較成熟的（廣播）函數庫；
·用於整合C/C++和Fortran代碼的工具包；
·實用的線性代數、傅里葉變換和隨機數生成函數。
NumPy的優點：
·對於同樣的數值計算任務，使用NumPy要比直接編寫Python代碼便捷得多；
·NumPy中的數組的存儲效率和輸入輸出性能均遠遠優於Python中等價的基本數據結構，且其能夠提升的性能是與數組中的元素成比例的；
·NumPy的大部分代碼都是用C語言寫的，其底層演算法在設計時就有著優異的性能，這使得NumPy比純Python代碼高效得多。
當然，NumPy也有其不足之處，由於NumPy使用內存映射文件以達到最優的數據讀寫性能，而內存的大小限制了其對TB級大文件的處理；此外，NumPy數組的通用性不及Python提供的list容器。因此，在科學計算之外的領域，NumPy的優勢也就不那麼明顯。
㈧ python,numpy數組如何返回最大值數組
如果是list，有max(list)
也可以自己寫排序演算法，比如冒泡排序
a=[3,4,2,6,3]for i in range(0,len(a)): for j in range(i+1,len(a)): first=int(a[i]) second=int(a[j]) if first<second: a[i]=a[j] a[j]=firstprint a[0]
㈨ python int()數字轉換問題
這個問題的原因是你用的np.zeros(count)，它的默認數據類型是float類型的，而且不管你往這個np列表傳入什麼類型的值，它都是自動改為float類型。注意這個float類型可不是原生的浮點類型， 雖然「看」起來差不多， 但如果用type函數的話就能看出來區別了。
有兩種解決方法可以解決你的問題。
list = np.zeros(count) 改為 list = np.zeros(count，dtype=int)。 這樣就不會出現你所說的問題， 但對於你的這段程序用numpy有點大材小用了。 建議你用下面的方法。
list = np.zeros(count) 改為 list = [0 for i in range(count)]
然後第二張圖的錯誤提示正是因為numpy試圖把字元串自動轉換為浮點數，但顯然是不可能的。為了避免這個錯誤就必要用我上面的第二個解決方法才行了。
最後，你的代碼有可優化的空間，太多遍歷和判斷條件了。可能會很長，但可能會對你有一些啟發，如果沒有耐心的話，可以看最後一條就是最終完成的代碼。
slice函數處理邏輯過於復雜了。 你是想把如361變成[3,6,1]這樣的情況吧。那為何不使用list(str(361))呢，雖然最後的結果裡面的元素是字元串類型，但後面直接用int(i)的方式解決了。這樣的話，count函數都可以省略了。
看到slice函數下面的for遍歷語句，我明白了你的用意，就是為了計算各個位數相加的和，這樣的話，就連slice函數都沒必要了。直接下面代碼就可以了：
foriinstr(n):
sum+=int(i)
3.再繼續，發現又是slice和for循環，原來是要繼續把sum分開。直接list(str(sum))即可。
4.到最後了，我看到了很多條件判斷，總覺得條件判斷這么寫，顯得有點羅嗦了點。可以把你這個條件判斷寫一個類似配置文件的對象，其實就是字典對象。 最終給你總結一下你的代碼就是下面這樣的：
#input直接用字元串類型就夠用了。然後去掉所有import
inputStr=input()
sum=0
#這條賦值語句其實無所謂，但對於理解代碼來說還是很重要的，反正也不影響性能，何樂而不為呢。
result=[]
#下面的是類似配置文件的字典對象
convertDic={'1':'yi','2':'er','3':'san','4':'si','5':'wu','6':'liu','7':'qi','8':'ba','9':'jiu','0':'ling'}
#算出input的各個位相加的和
foriininputStr:
sum+=int(i)
#str也是可迭代的類型，所以通過map和lambda匿名函數把各個值變成相對應的拼音。
result=list(map(lambdax:convertDic[x],str(sum)))
print(result)
#去掉注釋和print語句，這段程序只用了7行，而且理解起來是不是還挺簡單的（除了最後一條）
#我相信你對於上面的語句不是很懂，裡面涉及了兩個看起來「高達上的東西」，但其實就是一種簡寫形式。
#map就是映射，簡單說就是一個循環，就是把每一個元素經過一個函數處理後再返回來的過程。
#lambda是一個匿名函數，沒有函數名，只能有一個表達式，且這個表達式就是返回值。它就是一個精簡版的函數而已。當然，map裡面也可以直接寫已定義好的函數名。
#最後我用比較通俗的代碼給你解釋一下上面那句語句的大致的工作流程。
#定義一個函數，相當於上面的匿名函數.
defconvert(x):
returnconvertDic[x]
#然後遍歷sum，並把每個元素替換成相應的拼音。現在的sum是一個int類型，int類型是不能迭代的或者遍歷的，所以需要把int轉換成str類型。
#這里講一點map和這個循環遍歷的區別，首先map會把已有的元素替換成經過函數處理的值。但這條循環是在一個空的list對象里添加數據，這是區別。當然，也可以寫替換數據的循環，但代碼量不是這2行了，會更多。如果要遍歷的話，這種寫法還是比較推薦的。
foriinstr(sum):
result.append(convert(i))
#result.append(convertDic[x])也可以這樣寫，但為了解釋上面那條語句，所以這條注釋掉當給你的啟發。
#最後print就可以看到結果了，也就是說，我們把4條一句壓縮成了一天語句了。如果還是不了解的話，可以翻翻文檔什麼的，裡面會有一些例子可當參考。
print(result)