『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。

numpy教程

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()

『科学计算_理论』优化算法:梯度下降法&牛顿法

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()

『科学计算_理论』优化算法:梯度下降法&牛顿法

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

numpy.bincount详解

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:

『cs231n』作业3问题4选讲_图像梯度应用强化

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

常用python日期日志获取内容循环的代码片段

记录C#常用的代码片段

提效小技巧——记录那些不常用的代码片段

乐哥学AI_Python:Numpy索引,切片,常用函数

numpy 常用方法2

C#常用代码片段备忘