Python之Numpy庫(kù)常用函數(shù)合集
轉(zhuǎn)自：博客園
最近學(xué)習(xí)Python，才發(fā)現(xiàn)原來(lái)python里的各種庫(kù)才是大頭！于是乎找了學(xué)習(xí)資料對(duì)Numpy庫(kù)常用的函數(shù)進(jìn)行總結(jié)，并帶了注釋。在這里分享給大家，對(duì)于庫(kù)的學(xué)習(xí)，還是用到時(shí)候再查，沒(méi)必要死記硬背。
Numpy是科學(xué)計(jì)算庫(kù)，是一個(gè)強(qiáng)大的N維數(shù)組對(duì)象ndarray，是廣播功能函數(shù)。其整合C/C++.fortran代碼的工具 ，更是Scipy、Pandas等的基礎(chǔ)。
1.?一堆數(shù)組切片
a = np.array ([9, 8, 7, 6, 5, ])?
a[1:4:2] –> array([8, 6]) ：a[起始編號(hào)：終止編號(hào)（不含）：步長(zhǎng)]
2. 多維數(shù)組索引
a = np.arange(24).reshape((2, 3, 4))?
a[1, 2, 3] 表示 3個(gè)維度上的編號(hào)， 各個(gè)維度的編號(hào)用逗號(hào)分隔
3.?多維度數(shù)組切片
a [：，：，：：2 ] 缺省時(shí)，表示從第0個(gè)元素開(kāi)始，到最后一個(gè)元素?
CSV (Comma-Separated Value,逗號(hào)分隔值) 只能存儲(chǔ)一維和二維數(shù)組。
Eg：%d % .2f % .18e ; delimiter：分割字符串，默認(rèn)是空格
np.savetxt(‘a(chǎn).csv’, a, fmt=%d, delimiter = ‘,’ )
Eg：a = np.arange(100).reshape(5, 10, 2)?
a.tofile(“b.dat”, sep=”,”, format=’%d’)
PS：a.tofile() 和np.fromfile（）要配合使用，要知道數(shù)據(jù)的類型和維度。
numpy 的random子庫(kù)：
Eg：?
replace = False時(shí)，選取過(guò)的元素將不會(huì)再選取
Eg：a = np.random.uniform(0, 10, (3, 4))?
a = np.random.normal(10, 5, (3, 4))
Eg：
np.mean(a, axis =1) ：對(duì)數(shù)組a的第二維度的數(shù)據(jù)進(jìn)行求平均?
a = np.arange(15).reshape(3, 5)?
np.average(a, axis =0, weights =[10, 5, 1]) : 對(duì)a第一各維度加權(quán)求平均，weights中為權(quán)重，注意要和a的第一維匹配
Eg：
a = [[15, 14, 13],?
[12, 11, 10] ]?
np.argmax(a) –> 0?
np.unravel_index( np.argmax(a), a.shape) –> (0,0)
np.gradient(a) ：計(jì)算數(shù)組a中元素的梯度，f為多維時(shí)，返回每個(gè)維度的梯度?
離散梯度：xy坐標(biāo)軸連續(xù)三個(gè)x軸坐標(biāo)對(duì)應(yīng)的y軸值：a, b, c 其中b的梯度是（c-a）/2
而c的梯度是：(c-b)/1
當(dāng)為二維數(shù)組時(shí)，np.gradient(a) 得出兩個(gè)數(shù)組，第一個(gè)數(shù)組對(duì)應(yīng)最外層維度的梯度，第二個(gè)數(shù)組對(duì)應(yīng)第二層維度的梯度。?
PIL， python image library 庫(kù)?
from PIL import Image?
Image是PIL庫(kù)中代表一個(gè)圖像的類（對(duì)象）
im = np.array(Image.open(“.jpg”))im = Image.fromarray(b.astype(‘uint8’)) # 生成im.save(“路徑.jpg”) # 保存im = np.array(Image.open(“.jpg”).convert(‘L’)) # convert(‘L’)表示轉(zhuǎn)為灰度圖
我創(chuàng)建了Python群，需要入群的朋友，請(qǐng)掃碼，添加我的微信，請(qǐng)備注：姓名-Python入群。