摘要:會將其轉變成的結構。傳入的參數必須是同一結構不是同一結構將發生轉換。均為類型轉為浮點數類型轉為字符類型利用查看結構能夠了解的結構,時通過查看結構能夠更好地了解程序運行的過程。
1. 讀取文件Python 真火來學習一下,先來看一個庫 NumPy。NumPy是Python語言的一個擴充程序庫。支持高級大量的維度數組與矩陣運算,此外也針對數組運算提供大量的數學函數庫。
numpy.genfromtxt() 用于讀取 txt 文件,其中傳入的參數依次為:
需要讀取的 txt 文件位置,此處文件與程序位于同一目錄下
分割的標記
轉換類型,如果文件中既有文本類型也有數字類型,就先轉成文本類型
help(numpy.genfromtxt)用于查看幫助文檔:
如果不想看 API 可以啟動一個程序用 help 查看指令的詳細用法
import numpy world_alcohol = numpy.genfromtxt("world_alcohol.txt", delimiter=",",dtype=str) print(type(world_alcohol)) print(world_alcohol) print(help(numpy.genfromtxt))2. 構造 ndarray numpy.array()構造 ndarray
numpy.array()中傳入數組參數,可以是一維的也可以是二維三維的。numpy 會將其轉變成 ndarray 的結構。
vector = numpy.array([1,2,3,4]) matrix = numpy.array([[1,2,3],[4,5,6]])
傳入的參數必須是同一結構,不是同一結構將發生轉換。
vector = numpy.array([1,2,3,4]) array([1, 2, 3, 4])
均為 int 類型
vector = numpy.array([1,2,3,4.0]) array([ 1., 2., 3., 4.])
轉為浮點數類型
vector = numpy.array([1,2,"3",4]) array(["1", "2", "3", "4"],dtype="轉為字符類型
利用 .shape 查看結構能夠了解 array 的結構,debug 時通過查看結構能夠更好地了解程序運行的過程。
print(vector.shape) print(matrix.shape) (4,) (2, 3)利用 dtype 查看類型vector = numpy.array([1,2,3,4]) vector.dtype dtype("int64")ndim 查看維度一維
vector = numpy.array([1,2,3,4]) vector.ndim 1二維
matrix = numpy.array([[1,2,3], [4,5,6], [7,8,9]]) matrix.ndim 2size 查看元素數量matrix.size 93. 獲取與計算 numpy 能使用切片獲取數據matrix = numpy.array([[1,2,3], [4,5,6], [7,8,9]])根據條件獲取numpy 能夠依次比較 vector 和元素之間是否相同
vector = numpy.array([5, 10, 15, 20]) vector == 10 array([False, True, False, False], dtype=bool)根據返回值獲取元素
vector = numpy.array([5, 10, 15, 20]) equal_to_ten = (vector == 10) print(equal_to_ten) print(vector[equal_to_ten]) [False True False False] [10]進行運算之后獲取
vector = numpy.array([5, 10, 15, 20]) equal_to_ten_and_five = (vector == 10) & (vector == 5)vector = numpy.array([5, 10, 15, 20]) equal_to_ten_or_five = (vector == 10) | (vector == 5)類型轉換將整體類型進行轉換
vector = numpy.array([5, 10, 15, 20]) print(vector.dtype) vector = vector.astype(str) print(vector.dtype) int64求和 sum() 能夠對 ndarray 進行各種求和操作,比如分別按行按列進行求和
matrix = numpy.array([[1,2,3], [4,5,6], [7,8,9]]) print(matrix.sum()) print(matrix.sum(1)) print(matrix.sum(0)) 45 [ 6 15 24] [12 15 18]sum(1) 是 sum(axis=1)) 的縮寫,1表示按照 x軸方向求和,0表示按照y軸方向求和
4. 常用函數 reshape生成從 0-14 的 15 個數字,使用 reshape(3,5) 將其構造成一個三行五列的 array。
import numpy as np arr = np.arange(15).reshape(3, 5) arr array([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]])zeros生成指定結構的默認為 0. 的 array
np.zeros ((3,4)) array([[ 0., 0., 0., 0.], [ 0., 0., 0., 0.], [ 0., 0., 0., 0.]])ones生成一個三維的 array,通過 dtype 指定類型
np.ones( (2,3,4), dtype=np.int32 ) array([[[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]], [[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]]])range指定范圍和數值間的間隔生成 array,注意范圍包左不包右
np.arange(0,10,2) array([0, 2, 4, 6, 8])random 隨機數生成指定結構的隨機數,可以用于生成隨機權重
np.random.random((2,3)) array([[ 0.86166627, 0.37756207, 0.94265883], [ 0.9768257 , 0.96915312, 0.33495431]])5. ndarray 運算元素之間依次相減相減
a = np.array([10,20,30,40]) b = np.array(4) a - b array([ 6, 16, 26, 36])乘方
a**2 array([ 100, 400, 900, 1600])開根號
np.sqrt(B) array([[ 1.41421356, 0. ], [ 1.73205081, 2. ]])e 求方
np.exp(B) array([[ 7.3890561 , 1. ], [ 20.08553692, 54.59815003]])向下取整
a = np.floor(10*np.random.random((2,2))) a array([[ 0., 0.], [ 3., 6.]])行列變換
a.T array([[ 0., 3.], [ 0., 6.]])變換結構
a.resize(1,4) a array([[ 0., 0., 3., 6.]])6. 矩陣運算矩陣之間的運算
A = np.array( [[1,1], [0,1]] ) B = np.array( [[2,0], [3,4]] )對應位置一次相乘
A*B array([[2, 0], [0, 4]])矩陣乘法
print (A.dot(B)) print(np.dot(A,B)) [[5 4] [3 4]]橫向相加
a = np.floor(10*np.random.random((2,2))) b = np.floor(10*np.random.random((2,2))) print(a) print(b) print(np.hstack((a,b))) [[ 2. 3.] [ 9. 3.]] [[ 8. 1.] [ 0. 0.]] [[ 2. 3. 8. 1.] [ 9. 3. 0. 0.]]縱向相加
print(np.vstack((a,b))) [[ 2. 3.] [ 9. 3.] [ 8. 1.] [ 0. 0.]]矩陣分割
#橫向分割 print( np.hsplit(a,3)) #縱向風格 print(np.vsplit(a,3))7. 復制的區別 地址復制通過 b = a 復制 a 的值,b 與 a 指向同一地址,改變 b 同時也改變 a。
a = np.arange(12) b = a print(a is b) print(a.shape) print(b.shape) b.shape = (3,4) print(a.shape) print(b.shape) True (12,) (12,) (3, 4) (3, 4)復制值通過 a.view() 僅復制值,當對 c 值進行改變會改變 a 的對應的值,而改變 c 的 shape 不改變 a 的 shape
a = np.arange(12) c = a.view() print(c is a) c.shape = 2,6 c[0,0] = 9999 print(a) print(c) False [9999 1 2 3 4 5 6 7 8 9 10 11] [[9999 1 2 3 4 5] [ 6 7 8 9 10 11]]完整拷貝a.copy() 進行的完整的拷貝,產生一份完全相同的獨立的復制
a = np.arange(12) c = a.copy() print(c is a) c.shape = 2,6 c[0,0] = 9999 print(a) print(c) False [ 0 1 2 3 4 5 6 7 8 9 10 11] [[9999 1 2 3 4 5] [ 6 7 8 9 10 11]]
文章版權歸作者所有,未經允許請勿轉載,若此文章存在違規行為,您可以聯系管理員刪除。
轉載請注明本文地址:http://specialneedsforspecialkids.com/yun/40990.html
摘要:下面是二維空間的高斯分布函數公式這個公式被稱作高斯核。高斯模糊使用高斯平均算子來實現的圖像模糊叫高斯模糊,也叫高斯平滑被認為是一種最優的圖像平滑處理。 SciPy庫 SciPy庫,與之前我們使用的NumPy和Matplotlib,都是scipy.org提供的用于科學計算方面的核心庫。相對NumPy,SciPy庫提供了面向更高層應用的算法和函數(其實也是基于NumPy實現的),并以子模塊...
摘要:首先介紹跟圖像處理顯示有關兩個庫和,然后介紹增強圖像對比度的實現原理。直方圖均衡化就是為了達到這個目的,均衡化后的圖像,像素落在每個灰度級上的個數是相等的。 首先介紹跟圖像處理、顯示有關兩個庫:NumPy和Matplotlib,然后介紹增強圖像對比度的實現原理。 NumPy NumPy是Python用于科學計算的基礎庫,提供了一些很有用的概念,如:N維數組對象,可用于表示向量、矩陣、圖...
摘要:簡稱庫是從擴展下來的,提供了更豐富的圖像處理函數,去噪函數除了還有算法,比如邊緣檢測還有以前簡單提過的算子濾波器。下面我用看具體的例子,將和高斯平滑進行對比效果對比如下明顯感覺使用的效果要比高斯平滑好很多。 圖像去噪(Image Denoising)的過程就是將噪點從圖像中去除的同時盡可能的保留原圖像的細節和結構。這里講的去噪跟前面筆記提過的去噪不一樣,這里是指高級去噪技術,前面提過的...
閱讀 3493·2021-11-23 10:13
閱讀 863·2021-09-22 16:01
閱讀 909·2021-09-09 09:33
閱讀 630·2021-08-05 09:58
閱讀 1717·2019-08-30 11:14
閱讀 1935·2019-08-30 11:02
閱讀 3265·2019-08-29 16:28
閱讀 1478·2019-08-29 16:09