pq 中m函数判断嵌套-凯发ag旗舰厅登录网址下载

关注微xin公共hao：小程在线

import numpy as np

###################################数据的布尔值判断###发财中国年##########

x=np.array([1,2,3,4,5])

x

out[1]: array([1, 2, 3, 4, 5])

#判断x是否小于2

x<2

out[2]: array([ true, false, false, false, false])

#判断x小于2或者大于4

(x<2) | (x>4)

out[4]: array([ true, false, false, false, true])

mask=x<3

mask

out[5]: array([ true, true, false, false, false])

x[mask]

out[6]: array([1, 2])

np.sum(x<3)

out[7]: 2

y=np.array([[1,2,3,4,5],[6,7,8,9,10]])

y

out[8]:

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

[ 6, 7, 8, 9, 10]])

x == y[0,]

out[9]: array([ true, true, true, true, true])

#两个数组比较

a1 = np.arange(9).reshape(3, 3)

a2 = np.arange(9, 0 , -1).reshape(3, 3)

a1 < a2

out[10]:

array([[ true, true, true],

[ true, true, false],

[false, false, false]])

###########数据的切片选择(开始位，结束位，步长)############百万英雄########

#位置值从0开始的

x=np.arange(0,10)

x[4:6]

out[11]: array([4, 5])

#从0开始，步长为2的数据

x[::2]

out[12]: array([0, 2, 4, 6, 8])

#倒序

x[::-1]

out[13]: array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])

#取前6个数据

x[:6]

out[14]: array([0, 1, 2, 3, 4, 5])

#从第2的位置开始选

x[2:]

out[15]: array([2, 3, 4, 5, 6, 7, 8, 9])

#二维数据的切片处理

y=np.arange(0,16).reshape(4,4)

y

out[16]:

array([[ 0, 1, 2, 3],

[ 4, 5, 6, 7],

[ 8, 9, 10, 11],

[12, 13, 14, 15]])

y[:,1:3]

out[17]:

array([[ 1, 2],

[ 5, 6],

[ 9, 10],

[13, 14]])

y[1:3,2:4]

out[18]:

array([[ 6, 7],

[10, 11]])

y[[1,3],:]

out[19]:

array([[ 4, 5, 6, 7],

[12, 13, 14, 15]])

######################数据的维度变化#########发财中国年###########

x=np.arange(0,9)

y=x.reshape(3,3)

y

out[20]:

array([[0, 1, 2],

[3, 4, 5],

[6, 7, 8]])

x=np.arange(0,9)

y=x.reshape(3,3)

y

out[21]:

array([[0, 1, 2],

[3, 4, 5],

[6, 7, 8]])

#返回一个新的数组，不是修改原来的数组

y.reshape(9)

out[22]: array([0, 1, 2, 3, 4, 5, 6, 7, 8])

y

out[23]:

array([[0, 1, 2],

[3, 4, 5],

[6, 7, 8]])

reshaped = y.reshape(np.size(y))

raveled = y.ravel() #将数据展开成一维的

reshaped[2] = 1000

raveled[5] = 2000

y

out[24]:

array([[ 0, 1, 1000],

[ 3, 4, 2000],

[ 6, 7, 8]])

y = np.arange(0, 9).reshape(3,3)

flattened = y.flatten() #将数据展开成一维的

flattened[0] = 1000

flattened

out[25]: array([1000, 1, 2, 3, 4, 5, 6, 7, 8])

flattened.shape = (3, 3)

flattened

out[26]:

array([[1000, 1, 2],

[ 3, 4, 5],

[ 6, 7, 8]])

#数据的转置

flattened.t

out[27]:

array([[1000, 3, 6],

[ 1, 4, 7],

[ 2, 5, 8]])

############################数据的合并处理#########

a = np.arange(9).reshape(3, 3)

b = (a 1) * 10

a

out[28]:

array([[0, 1, 2],

[3, 4, 5],

[6, 7, 8]])

b

out[29]:

array([[10, 20, 30],

[40, 50, 60],

[70, 80, 90]])

#水平方向

np.hstack((a, b))

out[30]:

array([[ 0, 1, 2, 10, 20, 30],

[ 3, 4, 5, 40, 50, 60],

[ 6, 7, 8, 70, 80, 90]])

#垂直方向

np.vstack((a, b))

out[31]:

array([[ 0, 1, 2],

[ 3, 4, 5],

[ 6, 7, 8],

[10, 20, 30],

[40, 50, 60],

[70, 80, 90]])

#axis = 1横轴方向，axis = 0 竖轴方向

np.concatenate((a, b), axis = 1)

out[32]:

array([[ 0, 1, 2, 10, 20, 30],

[ 3, 4, 5, 40, 50, 60],

[ 6, 7, 8, 70, 80, 90]])

#每列相互拼接

np.dstack((a, b))

out[33]:

array([[[ 0, 10],

[ 1, 20],

[ 2, 30]],

[[ 3, 40],

[ 4, 50],

[ 5, 60]],

[[ 6, 70],

[ 7, 80],

[ 8, 90]]])

#两列拼接

one_d_a = np.arange(5)

one_d_b = (one_d_a 1) * 10

np.column_stack((one_d_a, one_d_b))

out[36]:

array([[ 0, 10],

[ 1, 20],

[ 2, 30],

[ 3, 40],

[ 4, 50]])

##行叠加

np.row_stack((one_d_a, one_d_b))

out[37]:

array([[ 0, 1, 2, 3, 4],

[10, 20, 30, 40, 50]])

##########################通用函数###百万英雄出题官#

m = np.arange(10, 19).reshape(3, 3)

print (m)

print ("{0} min of the entire matrix".format(m.min()))

print ("{0} max of entire matrix".format(m.max()))

##最小值、最大值的位置

print ("{0} position of the min value".format(m.argmin()))

print ("{0} position of the max value".format(m.argmax()))

#每列、每行的最小值

print ("{0} mins down each column".format(m.min(axis = 0)))

print ("{0} mins across each row".format(m.min(axis = 1)))

#每列、每行的最大值

print ("{0} maxs down each column".format(m.max(axis = 0)))

print ("{0} maxs across each row".format(m.max(axis = 1)))

[[10 11 12]

[13 14 15]

[16 17 18]]

10 min of the entire matrix

18 max of entire matrix

0 position of the min value

8 position of the max value

[10 11 12] mins down each column

[10 13 16] mins across each row

[16 17 18] maxs down each column

[12 15 18] maxs across each row

#平均值，标准差，方差

a

out[41]: array([1, 2, 3, 4, 5, 6, 7, 8, 9])

a = np.arange(1,10)

a.mean(), a.std(), a.var()

out[39]: (5.0, 2.581988897471611, 6.666666666666667)

#求和，乘积

a.sum(), a.prod()

out[40]: (45, 362880)

#累加和，累加乘

a.cumsum(), a.cumprod()

out[42]:

(array([ 1, 3, 6, 10, 15, 21, 28, 36, 45], dtype=int32),

array([ 1, 2, 6, 24, 120, 720, 5040, 40320,

362880], dtype=int32))

总结

以上是凯发ag旗舰厅登录网址下载为你收集整理的pq 中m函数判断嵌套_python中numpy的布尔判断、切片、维度变化、合并、通用函数...的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得凯发ag旗舰厅登录网址下载网站内容还不错，欢迎将凯发ag旗舰厅登录网址下载推荐给好友。