在numpy中實現四則運算,既可以使用符號,也可以使用函式
比較運算返回的是bool型別的值,即true 或者 false
比較運算用來篩選出特定的值或者對這些值進行一些操作
import numpy asnparr = np.array([[1,3,4],[5,6,7],[3,3,9
]])arr1 = np.array([[3,3,3],[3,3,3],[3,3,3
]])# 獲取arr中比arr1大的元素, 返回的是乙個一維陣列
# arr >arr1 這個表示式返回的是乙個與arr形狀相同的陣列,裡邊放的是乙個個bool值,將這個bool陣列作為索引,取arr中取值
arr[arr>arr1]
# 獲取arr中比6大的元素
arr[arr>6
]# 將arr中大於3的位置改為0
arr2 = np.where(arr>3, 0
, arr)
# arr中大於3的位置改為0,否則變為1
np.where(arr>3, 0, 1)
廣播運算: 參與運算的陣列,維度不同,也能進行運算的功能
# 各個輸入陣列的維度可以不相同,但必須保證從右到左的對應維度值相等,如下例,arr的形狀為5,4,3, arr1的形狀為4,3 , 這樣就可以參與運算arr = np.arange(60).reshape(5,4,3
)arr1 = np.arange(12).reshape(4,3
)arr +arr1
# 如果對應維度值不相等,就必須保證其中乙個的值為1
# arr 的形狀為
5,4,3 arr1 的形狀為 4,1
, 自動將arr1補齊為4,3的陣列參與運算,
arr1 = np.arange(4).reshape(4,1
)arr + arr1
數學函式
統計函式
資料探勘理論背後離不開有關線性代數的計算問題,如矩陣乘法,矩陣分解,行列式求解等.本章介紹的numpy模組同樣可以解決各種線性代數相關的計算,只不過需要呼叫numpy的子模組linalg(線性代數的縮寫),該模組幾乎提供了線性代數所需的所有功能.
線性代數相關重要函式:
資料分析 numpy 02 建立陣列
import numpy as np 方法有 1.array def array p object,dtype none,copy true,order k subok false,ndmin 0 eg a1 np.array 1 2,3 4 a2 np.array 1,2 3,4 print a1...
02 資料分析 numpy的使用
名稱 描述bool 布林型資料型別 true 或者 false int預設的整數型別 類似於 c 語言中的 long，int32 或 int64 intc 與 c 的 int 型別一樣，一般是 int32 或 int 64 intp 用於索引的整數型別 類似於 c 的 ssize t，一般情況下仍然...
02 基本動畫的介紹
1 建立乙個最基本的動畫，然後往y軸做乙個移動，當執行動畫的時候，真正移動的不是layer本身，而是presentation tree，當動畫移動的時候，會把原始塗層隱藏，動畫完成後，就會把presentation圖層移除，原始塗層就會顯示，所以動畫會恢復成原來的狀態 void touchesbeg...