pythonnumpy絕對值

⑴ 問一下python里的numpy的正確讀法是什麼

numpy讀法是:英['nʌmpi]，NumPy是Python中科學計算的基礎包。

它是一個Python庫，提供多維數組對象，各種派生對象(如掩碼數組和矩陣)，以及用於數組快速操作的各種常式，包括數學邏輯，形狀操作，I / O離散傅立葉變換，隨機模擬等等。

NumPy包的核心是ndarray對象。這封裝了同構數據類型的n維數組，許多操作在編譯代碼中執行以提高性能。

NumPy數組和標准Python序列之間有幾個重要的區別：

1、NumPy數組在創建時具有固定大小，與Python列表(可以動態增長)不同。更改ndarray的大小將創建一個新數組並刪除原始數組。

2、NumPy數組中的元素都需要具有相同的數據類型，因此在內存中的大小相同。例外：可以有(Python，包括NumPy)對象的數組，從而允許不同大小的元素的數組。

3、NumPy數組有助於對大量數據進行高級數學和其他類型的操作。通常，與使用Python的內置序列相比，這些操作的執行效率更高，代碼更少。

4、越來越多的基於Python的科學和數學軟體包正在使用NumPy數組；雖然這些通常支持Python序列輸入，但它們在處理之前將這些輸入轉換為NumPy數組，並且它們通常輸出NumPy數組。

⑵ python關於numpy基礎問題

Python發展至今，已經有越來越多的人使用python進行科學技術，NumPY是python中的一款高性能科學計算和數據分析的基礎包。
ndarray
ndarray（以下簡稱數組）是numpy的數組對象，需要注意的是，它是同構的，也就是說其中的所有元素必須是相同的類型。其中每個數組都有一個shape和dtype。
shape既是數組的形狀，比如
復制代碼
1 import numpy as np
2 from numpy.random import randn
3
4 arr = randn(12).reshape(3, 4)
5
6 arr
7
8 [[ 0.98655235 1.20830283 -0.72135183 0.40292924]
9 [-0.05059849 -0.02714873 -0.62775486 0.83222997]
10 [-0.84826071 -0.29484606 -0.76984902 0.09025059]]
11
12 arr.shape
13 (3, 4)
復制代碼
其中(3, 4)即代表arr是3行4列的數組，其中dtype為float64
一下函數可以用來創建數組
array將輸入數據轉換為ndarray，類型可制定也可默認
asarray將輸入轉換為ndarray
arange類似內置range
ones、ones_like根據形狀創建一個全1的數組、後者可以復制其他數組的形狀
zeros、zeros_like類似上面，全0
empty、empty_like創建新數組、只分配空間
eye、identity創建對角線為1的對角矩陣
數組的轉置和軸對稱
轉置是多維數組的基本運算之一。可以使用.T屬性或者transpose()來實現。.T就是進行軸對換而transpose則可以接收參數進行更豐富的變換
復制代碼
arr = np.arange(6).reshape((2,3))
print arr
[[0 1 2]
[3 4 5]]
print arr.T
[[0 3]
[1 4]
[2 5]]
arr = np.arange(24).reshape((2,3,4))
print arr
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
print arr.transpose((0,1,2))
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
復制代碼
數組的運算
大小相等的數組之間做任何算術運算都會將運算應用到元素級別。
復制代碼
1 arr = np.arange(9).reshape(3, 3)
2 print arr
3
4 [[0 1 2]
5 [3 4 5]
6 [6 7 8]]
7
8 print arr*arr
9
10 [[ 0 1 4]
11 [ 9 16 25]
12 [36 49 64]]
13
14 print arr+arr
15
16 [[ 0 2 4]
17 [ 6 8 10]
18 [12 14 16]]
19
20 print arr*4
21
22 [[ 0 4 8]
23 [12 16 20]
24 [24 28 32]]
復制代碼
numpy的簡單計算中，ufunc通用函數是對數組中的數據執行元素級運算的函數。
如：
復制代碼
arr = np.arange(6).reshape((2,3))
print arr
[[0 1 2]
[3 4 5]]
print np.square(arr)
[[ 0 1 4]
[ 9 16 25]]
復制代碼
類似的有：abs,fabs,sqrt,square,exp,log,sign,ceil,floor,rint,modf,isnan,isfinite,isinf,cos,cosh,sin,sinh,tan,tanh，
add,subtract,multiply,power,mod,equal,等等

⑶ Python-Numpy基礎

如果你已經裝有 Anaconda，那麼你可以使用以下命令通過終端或命令提示符安裝 NumPy：
conda install numpy
如果你沒有 Anaconda，那麼你可以使用以下命令從終端上安裝 NumPy：
pip install numpy
安裝好 NumPy 後，你就可以啟動 Jupyter notebook 開始學習了。接下來從 NumPy 數組開始

就好比一個矩陣

numpy.empty 方法用來創建一個指定形狀（shape）、數據類型（dtype）且未初始化的數組：

參數說明：
參數 描述
shape 數組形狀
dtype 數據類型，可選
order 有"C"和"F"兩個選項,分別代表，行優先和列優先，在計算機內存中的存儲元素的順序。
舉例

輸出結果

創建指定大小的數組，數組元素以 0 來填充：

舉例

結果輸出

創建指定形狀的數組，數組元素以 1 來填充：

舉例

同樣是類型，但是注意這個和上邊的區別，一個是數組的形式，一個是矩陣的形式。

⑷ （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

⑸ numpy裡面的mean（x==y）,python

這段代碼：是計算自己訓練出來的模型的准確率的
那就是看實際的和預測的是不是相等（用==判斷），

⑹ 關於python代碼，line[:-1]的意思

line[:-1]其實就是去除了這行文本的最後一個字元（換行符）後剩下的部分。

line = "abcde"
line[:-1]
結果為：'abcd'

line = "abcde"
line[::-1]
結果為：'edcba'

(6)pythonnumpy絕對值擴展閱讀：

1.先定義一個array數據

1 import numpy as np2 x=np.array([1,4,3,-1,6,9])

2.現在我們可以看看argsort()函數的具體功能是什麼：

x.argsort()

輸出定義為y=array([3,0,2,1,4,5])。

我們發現argsort()函數是將x中的元素從小到大排列，提取其對應的index(索引)，然後輸出到y。例如：x[3]=-1最小，所以y[0]=3,x[5]=9最大，所以y[5]=5。

3.由於在程序中遇到了類似於np.argsort()[num]的形式，一直看不明白，就自己去python環境自己試了下：

ps：這里的num的絕對值小於等於x中元素的個數

當num>=0時，np.argsort()[num]就可以理解為y[num];

當num<0時，np.argsort()[num]就是把數組y的元素反向輸出，例如np.argsort()[-1]即輸出x中最大值對應的index，np.argsort()[-2]即輸出x中第二大值對應的index，依此類推。

這個是num>=0時的輸出。

⑺ 圖解Python中數據分析工具包：Numpy

numpy是我學習python遇到的第一個第三方工具包，它可以讓我們快速上手數據分析。numpy提供了向量和矩陣計算和處理的大部分介面。目前很多python的基礎工具包都是基於numpy開發而來，比如 scikit-learn, SciPy, pandas, 還有 tensorflow。 numpy可以處理表格、圖像、文本等數據，極大地方便我們處理和分析數據。本文主要內容來自於Jay Alammar的一篇文章以及自己學習記錄。
原文地址： https://jalammar.github.io/visual-numpy/

使用過程中，如果希望 Numpy 能創建並初始化數組的值， Numpy 提供了 ones()、zeros() 和 random.random() 等方法。只需傳遞希望生成的元素數量（大小）即可：

還可以進行如下操作：

一般，需要數組和單個數字之間也可以進行運算操作（即向量和標量之間的運算）。比如說 data * 1.6 ，numpy利用一個叫做廣播機制（broadcasting）的概念實現了這一運算。：

我們可以通過索引對numpy數據獲取任意位置數據或者對數據切片

我們可以通過numpy自帶的函數對數據進行一些想要的聚合計算，比如min、max 和 sum ，還可以使用 mean 得到平均值，使用 prod 得到所有元素的乘積，使用 std 得到標准差等等。

上述操作不僅可以應用於單維度數據，還可以用於多維度數據{（矩陣）。

同樣可以使用ones()、zeros() 和 random.random()創建矩陣，只要寫入一個描述矩陣維數的元組即可：

numpy還可以處理更高維度的數據：

創建更高維度數據只需要在創建時，在參數中增加一個維度值即可：

根據數組中數值是否滿足條件，輸出為True或False.

希望得到滿足條件的索引，用np.where函數實現.

根據索引得到對應位置的值.

np.where也可以接受另兩個可選擇的參數a和b。當條件滿足時，輸出a，反之輸出b.

獲取數組最大值和最小值的索引可以使用np.argmax和np.argmin.

1、numpy.tofile()和numpy.fromfile()
保存為二進制格式，但是不保存數組形狀和數據類型， 即都壓縮為一維的數組，需要自己記錄數據的形狀，讀取的時候再reshape.

2、numpy.save() 和 numpy.load()
保存為二進制格式，保存數組形狀和數據類型， 不需要進行reshape
實例：

3、numpy.savetxt()和numpy.loadtxt()

np.savetxt(fname,array,fmt=』%.18e』,delimiter=None)
Parameter解釋：
array:待存入文件的數組。
fmt:寫入文件的格式
實例：

⑻ python數據分析-科學計數法

用python進行數據分析時，查看數據，經常發生數據被自動顯示成科學記數法的模式，或者多行多列數據只顯示前後幾行幾列，中間都是省略號的情形。

import numpy as npnp.set_printoptions(suppress=True, threshold=np.nan)

suppress=True 取消科學記數法

threshold=np.nan 完整輸出（沒有省略號）

display.[max_categories, max_columns, max_colwidth, max_info_columns, max_info_rows, max_rows, max_seq_items, memory_usage, multi_sparse, notebook_repr_html, pprint_nest_depth, precision, show_dimensions]

詳細介紹文檔： pd.set_option

可以在pd.set_option設置display.float_format參數來以政策小數顯示，比如下面設置顯示到小數點後3位

pd.set_option('display.float_format', lambda x: '%.3f' % x)

set_option中還有其它一些控制設置，包括默認顯示列數，行數等等

pd.set_option('display.max_columns',5, 'display.max_rows', 100)

import pandas as pdpd.set_option('display.max_columns', 10000, 'display.max_rows', 10000)

display.max_columns 顯示最大列數

display.max_rows 顯示最大行數

1、pd.set_option(『expand_frame_repr』, False)

True就是可以換行顯示。設置成False的時候不允許換行

2、pd.set_option(『display.max_rows』, 10)

pd.set_option(『display.max_columns』, 10)

顯示的最大行數和列數，如果超額就顯示省略號，這個指的是多少個dataFrame的列。如果比較多又不允許換行，就會顯得很亂。

3、pd.set_option(『precision』, 5)

顯示小數點後的位數

4、pd.set_option(『large_repr』, A)

truncate表示截斷，info表示查看信息，一般選truncate

5、pd.set_option(『max_colwidth』, 5)

列長度

6、pd.set_option(『chop_threshold』, 0.5)

絕對值小於0.5的顯示0.0

7、pd.set_option(『colheader_justify』, 『left』)

顯示居中還是左邊，

8、pd.set_option(『display.width』, 200)

橫向最多顯示多少個字元， 一般80不適合橫向的屏幕，平時多用200.

np.set_printoptions(precision=None, threshold=None, edgeitems=None, linewidth=None, suppress=None, nanstr=None, infstr=None, formatter=None)

參數：

precision 設置浮點數的精度 （默認值：8）

threshold 設置顯示的數目（超出部分省略號顯示， np.nan是完全輸出，默認值：1000）

edgeitems 設置顯示前幾個，後幾個 （默認值：3）

suppress 設置是否科學記數法顯示 （默認值：False）

示例如下：

import numpy as npnp.set_printoptions(precision=4, threshold=8, edgeitems=4, linewidth=75, suppress=True, nanstr='nan', infstr='inf')print("precision=4, 浮點數精確小數點後4位: ", np.array([1.23446789]))print("threshold=8, edgeitems=4, 顯示8個，前4後4: ", np.arange(10))np.set_printoptions(formatter={'all': lambda x :'int:'+str(-x)})print("formatter, 格式化輸出: ", np.arange(5))

輸出如下：

[圖片上傳失敗...(image-15f596-1587702700460)]

注意：precision自動四捨五入

詳細介紹文檔: np.set_printoptions

pd.set_option

pd.set_option(pat, value)

⑼ 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。

⑽ Python—Numpy庫的用法

NumPy 是一個 Python 包。 它代表 「Numeric Python」。 它是一個由多維數組對象和用於處理數組的常式集合組成的庫。

NumPy 支持比 Python 更多種類的數值類型。 下表顯示了 NumPy 中定義的不同標量數據類型。

[('age', 'i1')]

[10 20 30]

[('abc', 21, 50.0), ('xyz', 18, 75.0)]

每個內建類型都有一個唯一定義它的字元代碼：

[[1, 2] [3, 4] [5, 6]]

[[[ 0, 1, 2] [ 3, 4, 5] [ 6, 7, 8] [ 9, 10, 11]] [[12, 13, 14] [15, 16, 17] [18, 19, 20] [21, 22, 23]]]

[1 2 3]

[1 2 3]

[(1, 2, 3) (4, 5)]

原始數組是： [[ 0 5 10 15] [20 25 30 35] [40 45 50 55]]

修改後的數組是： 0 5 10 15 20 25 30 35 40 45 50 55

原始數組是： [[ 0 5 10 15] [20 25 30 35] [40 45 50 55]]

原始數組的轉置是： [[ 0 20 40] [ 5 25 45] [10 30 50] [15 35 55]]

修改後的數組是： 0 5 10 15 20 25 30 35 40 45 50 55

C風格是橫著順序

F風格是豎著的順序

原始數組是： [[ 0 5 10 15] [20 25 30 35] [40 45 50 55]]

修改後的數組是： [[ 0 10 20 30] [ 40 50 60 70] [ 80 90 100 110]]

第一個數組： [[ 0 5 10 15] [20 25 30 35] [40 45 50 55]]

第二個數組： [1 2 3 4]

修改後的數組是： 0:1 5:2 10:3 15:4 20:1 25:2 30:3 35:4 40:1 45:2 50:3 55:4

原始數組： [[0 1 2 3] [4 5 6 7]]

調用 flat 函數之後： 5

原數組： [[0 1 2 3] [4 5 6 7]]

展開的數組：默認是A [0 1 2 3 4 5 6 7]

以 F 風格順序展開的數組： [0 4 1 5 2 6 3 7]

原數組： [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]]

轉置數組： [[ 0 4 8] [ 1 5 9] [ 2 6 10] [ 3 7 11]]