-
print(np.corrcoef([1,0,1],[0,2,0])) #打印相关系数 print(np.poly1d([2,1,3])) #生成一元多次函数 2x**2 + 1x + 3 ,他生成一元二次函数查看全部
-
#矩阵操作与线性方程组 from numpy.linalg import * print (np.eye(3)) #他是一个3行3列的单位矩阵 list = np.array(([1, 2], [3, 4])) print (inv(list)) #逆矩阵 print (list.transpose()) # 转置矩阵 print (det(list)) #求行列式（算的是行列式的值） print (eig(list)) #特征值和特征向量 y = np.array(([5.], [7.])) {x+2y=5 3x+4y=7} print (solve(list, y)) #求list与y组成的二元一次方程组的解查看全部
-
list = np.array([[[1, 2, 3, 4], [4, 5, 6, 7, ]], [[7, 8, 9, 10], [11, 12, 13, 14]], [[15, 16, 17, 18], [19, 20, 21, 22]] ]) axis取值跟维数有关，维数从 0 开始算起，axis值越大，深入的程度越深 print (list.sum(axis=0))# axis表示维度，sxis=0,表示最外层的元素相加 print (list.sum(axis=1))# 表示最外层减一层的元素相加 print (list.max(axis=0)) # 最外层元素中的最大元素值 print (list.min(axis=0)) # 最外层元素中的最小元素值 list1 = np.array([10, 20, 30, 40]) list2 = np.array(([4, 3, 2, 1])) print(list1 + list2) # 对两个list中的元素相加，ps:不是将一个数组中的元素放在另一个后面 print (list1-list2) # 对两个list中的元素相 print (list1**2) # 对两个list中的元素平方 print (list1/list2)# 对两个list中的元素相除 print (list1.reshape([2, 2])) print (list2.reshape([2, 2])) print (np.dot(list1.reshape([2, 2]), list2.reshape([2, 2]))) # 数组点乘 print(np.concatenate((list1,list2),axis = 0)) #将两个数组相连，即list2添加到list1中，传的是tup查看全部
-
#常用array操作 list = (np.arange(1, 11)) #产生一个1-11（不含11）的等差数列 list = (np.arange(1, 11)).reshape([2, 5]) # 变成两行五列数组 print (np.exp(list)) # list 的自然指数 print (np.exp2(list)) # list 的自然指数的平方 print (np.sqrt(list)) # list 的开方 print (np.square(list)) # list 的平方 print (np.sin(list)) # list 的正弦值 print (np.log(list)) # list 的对数值 print (np.vstack((list1,list2))) #将两个数组分成两行组成一个数组也就是以行连接，注意传的是个tuple print (np.hstack((list1,list2))) #将两个数组相连组成一个一维数组，传的是tup print (np.split(list1,n)) #将数组 list1 切分成n个子数组 print (np.copy(list1)) #对数组进行拷贝查看全部
-
print (np.zeros([2, 4]))#输出元素都为0的2行4列数组 print (np.ones([3, 5]))#输出元素都为1 的2行4列数组 print ("Rand:") print (np.random.rand(2, 4))#输出2行4列的随机数组 print (np.random.rand())#生成一个随机数 print (np.random.randint(1, 14, 5))#在1到14之间生成5个随机数 print (np.random.randn(2, 4))#输出2行4列标准正态分布随机数 print np.random.choice([10.20, 41])#在列表中的数随机选取一个 print (np.random.beta(1,10, 100))#生成一个1-10共100个beta数组查看全部
-
python 中的 list 可以放多种类型，numpy 底层是 C 写的，为了达到运算速度，我们要求他只能装下一种类型，可以定义他只能装的数据类型。放入初始化的 list 的时候可以同时指定装入的类型 x=np.array(lst,dtype=np.float) 指定数据类型的时候要以 np. 开头 数据类型：bool,int/8/16/32/64/128,uint8/16/32/64/128,float/16/32/64,complex64/128,string np.array的属性 shape 多少行，多少列 ndim 维度 dtype 数值类型 itemsize 每个元素占的空间大小，字节为单位，float 64 每个元素占 8 个字节 size 大小，有6个元素，size 就是6，共占 6*8=48 字节查看全部
-
对于 numpy 有疑问或者想查阅什么资料，官网无疑是最该浏览的地方 http://www.numpy.org/查看全部
-
tuple和list的区别就是一个可以更改一个不可以查看全部
-
eig 输出的是特征值和特征向量查看全部
-
sum的作用是将给定层的数组的元素对应相加（矩阵加）查看全部
-
http://www.numpy.org/查看全部
-
Python 数据分析大家族： numpy: 数据结构基础 scipy: 强大的科学计算方法（矩阵分析等） matplotlib:丰富的可视化套件 pandas: 基础数据分析套件 scikit-learn :强大的数据分析建模库 keras:人工神经网络查看全部
-
#encoding=utf-8 from keras.models import Sequential from keras.layers import Dense, Activation from keras.optimizers import SGD from sklearn.datasets import load_iris from sklearn.cross_validation import train_test_split from sklearn.preprocessing import LabelBinarizer def main(): iris = load_iris() train_data, test_data, train_target, test_target = train_test_split(iris.data, iris.target, test_size=0.2, random_state=1) labels_train = LabelBinarizer().fit_transform(train_target) model = Sequential( [ Dense(5, input_dim=4), Activation("relu"), Dense(3), # label 0 1 2 Activation("sigmoid") ] ) sgd=SGD(lr=0.01, decay=1e-6, momentum=0.9) model.compile(optimizer=sgd, loss="categorical_crossentropy") model.fit(train_data, labels_train, nb_epoch=200, batch_size=40) print(model.predict_classes(test_data)) print(test_target) if __name__=="__main__" : main()查看全部
-
#numpy的其他操作 print("FFT:") print (np.fft.fft(np.array([1,1,1,1,1,1,1,]))) print (np.corrcoef([1, 0, 1],[0, 2, 1])) # 皮尔逊相关系数计算 print (np.poly1d([3,1,3])) # 生成一元多次函数查看全部
-
#矩阵操作与线性方程组 from numpy.linalg import * print (np.eye(3)) list = np.array(([1, 2], [3, 4])) print (inv(list)) #逆矩阵 print (list.transpose()) # 转置矩阵 print (det(list)) #求行列式 print (eig(list)) #特征值和特征向量 y = np.array(([5.], [7.])) print (solve(list, y)) #求list与y组成的二元一次方程组的解查看全部
举报
0/150
提交
取消