『Numpy』常用方法记录
Posted 叠加态的猫
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了『Numpy』常用方法记录相关的知识,希望对你有一定的参考价值。
防止输出省略号
import numpy as np np.set_printoptions(threshold=np.inf)
广播机制
numpy计算函数返回默认是一维行向量:
import numpy as np a = [[1,1,1], [2,2,2], [3,3,3]] b = (np.sum(a,axis=1)) c = (np.sum(a,axis=0)) print(b,\'\\n\',c) # [3 6 9] # [6 6 6]
所以广播之实际是高维对一维行向量的广播:
除法广播:
b = a/(np.sum(a,axis=1)) c = a/(np.sum(a,axis=0)) print(b,\'\\n\',c) # [[ 0.33333333 0.16666667 0.11111111] # [ 0.66666667 0.33333333 0.22222222] # [ 1. 0.5 0.33333333]] # [[ 0.16666667 0.16666667 0.16666667] # [ 0.33333333 0.33333333 0.33333333] # [ 0.5 0.5 0.5 ]]
向量乘法,加法可以类比:
np.array([1,2,3])*np.array([1,1,1]) # [1 2 3] np.array([1,2,3])*np.array([1]) # [1 2 3] np.array([1,2,3])*np.array([1,1]) # 报错 np.array([[1],[1],[1]])*np.array([1,2,3]) # [[1 2 3] # [1 2 3] # [1 2 3]]
线性代数相关
np.diag():对角阵生成
np.linalg.det():求行列式
np.linalg.inv():矩阵求逆
np.linalg.eig():对称阵特征值分解
np.linalg.svd():任意阵SVD分解
通用函数
使单输入单输出的函数具备广播功能,frompyfunc(fun, in_num, out_num),常用f = frompyfunc(fun, 1, 1)
>>> oct_array = np.frompyfunc(oct, 1, 1) >>> oct_array(np.array((10, 30, 100))) array([012, 036, 0144], dtype=object) >>> np.array((oct(10), oct(30), oct(100))) # for comparison array([\'012\', \'036\', \'0144\'], dtype=\'|S4\')
np.sum(array1 == array2,dtype=float)
bool转换为数组默认是整形,需要手动修改为浮点型,比较值得注意的tip,或者说由于python本身不做区分,所以在numpy中必须特别注意数字类型的问题
取整
np.rint(result) # 四舍五入
np.ceil(result) # 向上取整
np.floor(result) # 向下取整
np.unique()
保留数组中不同的值
>>> a=np.random.randint(0,5,8) >>> a array([2, 3, 3, 0, 1, 4, 2, 4]) >>> np.unique(a) array([0, 1, 2, 3, 4]) >>> c,s=np.unique(b,return_index=True) >>> c array([0, 1, 2, 3, 4]) >>> s array([3, 4, 0, 1, 5])(元素出现的起始位置)
np.full((shape), value, type)
numpy数组初始化函数
np.split(array, num)
把数组顺序等分
np.fun.at(array, index_array, [array2])
fun需要一个参数时等价np.fun(array[index_array]),多参数用法如下:
Examples
Increment items 0 and 1, and increment item 2 twice:
>>> a = np.array([1, 2, 3, 4]) >>> np.add.at(a, [0, 1, 2, 2], 1) >>> print(a) array([2, 3, 5, 4])
Add items 0 and 1 in first array to second array, and store results in first array:
>>> a = np.array([1, 2, 3, 4]) >>> b = np.array([1, 2]) >>> np.add.at(a, [0, 1], b) >>> print(a) array([2, 4, 3, 4])
特色,
#np.add.at(dW, x, dout) #dW[x] += dout # this will not work, see the doc of np.add.at a = np.array([1,2,3,4,5,6,7]) i = np.array([0,1,2,0,1]) b = np.array([1,2,3,4,5]) np.add.at(a, i, b) print(a) a = np.array([1,2,3,4,5,6,7]) i = np.array([0,1,2,0,1]) b = np.array([1,2,3,4,5]) a[i] += b print(a)
输出如下,即索引重复的时候,只有np.add.at会累积前面的结果,单纯的索引会取最后一次的结果覆盖,
[6 9 6 4 5 6 7]
[5 7 6 4 5 6 7]
np.save() & np.load()
np.save(\'./bottleneck/{1}/{0}\'.format(img.split(\'/\')[-1].split(\'.\')[0], file_name),bottleneck_values)
bottleneck_string = np.load(os.path.join(base_path,
\'bottleneck\',
train_or_test,
label_name,
bottlenecks_tensor_name))
np.loadtxt()
# 本函数读取数据后自动转化为ndarray数组,可以自行设定分隔符delimiter="," np.loadtxt(\'housing.data\') # 读取数据
np.insert()
np.insert(scale_data, 0, 1, axis=1) # 数组插入函数
在数组中插入指定的行列,numpy.
insert
(arr, obj, values, axis=None),和其他数组一样,axis不设定的话会把数组定为一维后插入,axis=0的话行扩展,axis=1的话列扩展
np.matrix()
学习了numpy中的矩阵类型:np.matrix(),在牛顿法中我用的是matrix,在梯度下降法中我用的是array:
matrix是array的子类,特点是有且必须只是2维,matrix.I()可以求逆,和线代的求逆方法一致,所以绘图时我不得不才用np.sequeeze(np.asarray())操作来降维,而由于x[:, -1]这种操作对array会自动降维(由两行变为一行),所以要么使用matrix,要么切片后reshape(2,1),总之不消停。
np.concatenate()
注意到数组拼接方法都是不破坏原数组,单纯返回新数组的,且axis=0是行拼接(行数增加),axis=1是列拼接(列数增加),
x_n = np.concatenate((x_n, x_n[:,-1] - np.linalg.inv(H).dot(dx_n)),axis=1)
np.nxis
np.exped_dim
用于扩展维度,numpy不仅有expend_dim这样的函数,也可以使用np.newaxis标记来实现扩维:
a = np.array([1,2,3,4,5]) a = a[:,np.newaxis] a Out[44]: array([[1], [2], [3], [4], [5]]) a = np.array([1,2,3,4,5]) a = a[np.newaxis,:] a Out[47]: array([[1, 2, 3, 4, 5]])
array.transpose(1,0,2)
转置,1维没效果(并不能行列互化),高维后面参数维转置顺序,假如(T,N,H)经过上面的命令会变为(N,T,H)
np.bincount()
计数&投票函数
np.maximum(X, Y, out=None):
- X 与 Y 逐位比较取其大者;
- 最少接收两个参数
np.squeeze():剔除长度为一的轴
np.squeeze(np.array([[1,2,3]])) # Out[17]: # array([1, 2, 3]) np.squeeze(np.array([[1],[2],[3]])) # Out[18]: # array([1, 2, 3])
numpy.roll():平移数组行列
>>> x = np.arange(10)
>>> np.roll(x, 2)
array([8, 9, 0, 1, 2, 3, 4, 5, 6, 7])
>>> x2 = np.reshape(x, (2,5))
>>> x2
array([[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9]])
>>> np.roll(x2, 1)
array([[9, 0, 1, 2, 3],
[4, 5, 6, 7, 8]])
>>> np.roll(x2, 1, axis=0)
array([[5, 6, 7, 8, 9],
[0, 1, 2, 3, 4]])
>>> np.roll(x2, 1, axis=1)
array([[4, 0, 1, 2, 3],
[9, 5, 6, 7, 8]])
计算机视觉中人为建立图像抖动会使用这个函数:
ox, oy = np.random.randint(-max_jitter, max_jitter+1, 2) # 随机抖动生成 X = np.roll(np.roll(X, ox, -1), oy, -2) # 抖动,注意抖动不是随机噪声 pass X = np.roll(np.roll(X, -ox, -1), -oy, -2) # 还原抖动
以上是关于『Numpy』常用方法记录的主要内容,如果未能解决你的问题,请参考以下文章