邊學邊記
1、numpy對矩陣的處理很強大，少用list，多使用array
np.array( x)：將輸入資料轉化為乙個型別為type的ndarray
np.asarray( array )：將輸入資料轉化為乙個新的ndarray
np.array( )與np.asarray( )區別：當資料來源是ndarray時，array仍然會copy出乙個副本，占用新的記憶體，但asarray不會
2、np.shape( )
得到矩陣的形狀
3、np.reshape( )
將矩陣變形，得到副本。
4、np.delete( )
刪除某軸的某個元素
>>> arr = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]])
>>> arr
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])
>>> np.delete(arr, 1, 0)
array([[ 1, 2, 3, 4],
[ 9, 10, 11, 12]])
縱向連線矩陣
>>> a = np.array([1, 2, 3])
>>> b = np.array([2, 3, 4])
>>> np.vstack((a,b))
array([[1, 2, 3],
[2, 3, 4]])
橫向連線矩陣
>>> a = np.array((1,2,3))
>>> b = np.array((2,3,4))
>>> np.hstack((a,b))
array([1, 2, 3, 2, 3, 4])
>>> a = np.array([[1],[2],[3]])
>>> b = np.array([[2],[3],[4]])
>>> np.hstack((a,b))
array([[1, 2],
[2, 3],
[3, 4]])
連線矩陣
>>> a = np.array([1, 2, 3])
>>> b = np.array([2, 3, 4])
>>> np.stack((a, b))
array([[1, 2, 3],
[2, 3, 4]])
>>> np.stack((a, b), axis=-1)
array([[1, 2],
[2, 3],
[3, 4]])
連線矩陣
>>> a = np.array([[1, 2], [3, 4]])
>>> b = np.array([[5, 6]])
>>> np.concatenate((a, b), axis=0)
array([[1, 2],
[3, 4],
[5, 6]])
>>> np.concatenate((a, b.t), axis=1)
array([[1, 2, 5],
[3, 4, 6]])
對資料洗牌，常用於資料預處理
import numpy as np
a = [1,2,3,4,5,6]
b = np.random.permutation(a)
print b
>>>[145
623]
生成矩陣
#coding:utf-8
import numpy as np
a = np.ndarray(shape=(3,2),dtype=float)
print a
>>>[[ 6.92620649e-310
1.29780452e-316]
[ 6.92619672e-310
6.92620665e-310]
[ 4.67416140e-317
6.92619572e-310]]
可以認為全0矩陣
numpy 的通用函式
csv，comma separate values，是逗號分隔檔案的縮寫，是一種儲存資料的純文字格式，通常用於儲存電子 或資料庫軟體 特點每條記錄佔一行 以逗號為分隔符 逗號前後的空格會被忽略 參考 csv是什麼檔案格式 loadtxt函式解析csv檔案 loadtxt 檔名，分隔符，usecols...
numpy 的各種函式
在指定的間隔內返回均勻間隔的數字。返回num均勻分布的樣本，在 start,stop 這個區間的端點可以任意的被排除在外。example np.linspace 2.0,3.0,num 5 array 2.2.25,2.5 2.75,3.np.linspace 2.0,3.0,num 5,endpo...
Numpy中的函式
生成用函式 效果np.array x 將輸入資料轉化為乙個ndarray np.array x,dtype 將輸入資料轉化為乙個型別為type的ndarray np.asarray array 將輸入資料轉化為乙個新的 copy ndarray np.ones n 生成乙個n長度的一維全一ndarr...