pythonnumpy求眾數

Ⅰ （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

Ⅱ python如何求平均數

import numpy as np
score1=[23,44,67,51]
average=sum(score1)/len(score1)
print('平均數是:{}'.format(average))

Ⅲ 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

Ⅳ 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。

Ⅳ 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。

Ⅵ Python科學計算包numpy用法

本文實例講述了Python科學計算包numpy用法。分享給大家供大家參考，具體如下：
1 數據結構
numpy使用一種稱為ndarray的類戚亂似Matlab的矩陣式數據結構管理數據，比python的列表和標准庫的array類更為強大，處理數據更為方便。
1.1 數組的生成
在numpy中，生成數組需要指定數據類型，默認是int32，即整數，可以通過dtype參數來指定，一般用到的有int32、bool、float32、uint32、complex，分別代旦念表整數、布爾值、浮模仔困點型、無符號整數和復數
一般而言，生成數組的方法有這么幾種：
以list列表為參數生成(用tolist方法即可轉換回list)：
?
1
234
5
In[
3
]: a
=
array([
1
,
2
,
3
])
In[
4
]: a
Out[
4
]: array([
1
,
2
,
3
])
In[
5
]: a.tolist()
Out[
5
]: [
1
,