numpy篇

Numpy

---

2018-05-21

1. numpy.prob:
   numpy.prob(a, axis=None, dtype=None, out=None, keepdims=<class 'numpy._globals._NoValue'>)
   返回给定轴上的数组元素的乘积。
   Notes:
   当使用整数类型时，算术是模块化的，在溢出时不会产生错误，如:

x = np.array([536870910, 536870910, 536870910, 536870910])
np.prod(x)
--->>16

空阵列的prod是元素1：

np.prod([])
--->>1.0

Examples:
默认情况下，计算所有的元素的乘积：

import numpy as np
print(np.prod([1., 2.]))
--->>2.0

即使输入数组是二维的：

a = np.prod([[1., 2.], [3., 4.]])
print(a)
--->>24.0

但是我们也可以指定要乘以的轴：

b = np.prod([[1., 2.], [3., 4.]], axis=1)
print(b)
--->>array([2., 12.])

如果x的类型是无符号的，那么输出类型是无符号整数：

x = np.array([1, 2, 3], dtype=np.uint8)
print(np.prod(x).dtype == np.uint)
--->>True

如果X是有符号整数类型，那么输出类型是默认的有符号整数：

x = np.array([1, 2, 3], dtype=np.int8)
print(np.prod(x).dtype == int)
--->>True

---

2018-05-23

numpy

1.numpy的多维数组切片
例如：

import numpy as np
a = np.arange(36)
print(a)
--->>
[ 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 27 28 29 30 31 32 33 34 35]
b = a.reshape(6, 6)
print(b)
--->>
[[ 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 27 28 29]
 [30 31 32 33 34 35]]
c = b[0, 1:4]
print(c)
--->>
[1 2 3]
d = b[2:4, 1:4]
print(d)
--->>
[[13 14 15]
 [19 20 21]]
e = b[:, 1:4]
print(e)
--->>
[[ 1  2  3]
 [ 7  8  9]
 [13 14 15]
 [19 20 21]
 [25 26 27]
 [31 32 33]]

从例子中我们可以得到结论，对于多维数组，[a:b,c:d,e:f,....]，其中第一个逗号前表示在第一维的下标的取值范围，第二个逗号前的表示在第二维方向上的取值范围，以此类推。

---

2018-05-24

numpy

1.numpy.where(cond, x, y)：

• 三个参数np.where(cond,x,y):满足条件(cond)输出x, 不满足输出y.
• 一个参数 np.where(arry)：输出arry中‘真’值坐标
  np.where(arry,x,y)
• np.where(arry)：如果没有标明x与y值，则返回坐标值。
  np.where(array)

---

2018-05-31

1.arange()函数

• 函数说明：arange([start,] stop [, step,], dtype=None)，根据start与stop指定的范围以及step设定的步长，生成一个ndarray。
  2.reshape()函数
• 函数说明：给数组一个新的形状而不改变其数据。`numpy.reshape(a, newshape, order='C')

---