Résumé de l'utilisation simple de python numpy
Utilisation simple de Numpy
import numpy as np
1 Créer un objet ndarray
Convertir la liste en ndarray :
>>> a = [1,2,3,4,5] >>> np.array(a) array([1, 2, 3, 4, 5])
Obtenir un nombre à virgule flottante aléatoire
>>> np.random.rand(3, 4) array([[ 0.16215336, 0.49847764, 0.36217369, 0.6678112 ], [ 0.66729648, 0.86538771, 0.32621889, 0.07709784], [ 0.05460976, 0.3446629 , 0.35589223, 0.3716221 ]])
Obtenir un nombre entier aléatoire
>>> np.random.randint(1, 5, size=(3,4)) array([[2, 3, 1, 2], [3, 4, 4, 4], [4, 4, 4, 3]])
Prendre zéro
>>> np.zeros((3,4)) array([[ 0., 0., 0., 0.], [ 0., 0., 0., 0.], [ 0., 0., 0., 0.]])
Prendre un
>>> np.ones((3,4)) array([[ 1., 1., 1., 1.], [ 1., 1., 1., 1.], [ 1., 1., 1., 1.]])
Prendre vide (il vaut mieux ne pas l'utiliser, pour en savoir plus, différentes versions renvoient les valeurs sont différentes)
>>> np.empty((3,4)) array([[ 1., 1., 1., 1.], [ 1., 1., 1., 1.], [ 1., 1., 1., 1.]])
Prendre l'entier zéro ou un
>>> np.ones((3,4),int) array([[1, 1, 1, 1], [1, 1, 1, 1], [1, 1, 1, 1]]) >>> np.zeros((3,4),int) array([[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]])
Imiter la commande de plage pour créer ndarray :
>>> np.arange(2,10,2) # 开始,结束,步长 array([2, 4, 6, 8])
Recommandations associées : "Tutoriel vidéo Python"
Affichage et fonctionnement des attributs ndarray :
Regardez les attributs de ndarray :
>>> a = [[1,2,3,4,5],[6,7,8,9,0]] >>> b = np.array(a) >>> b.ndim #维度个数(看几维) 2 >>> b.shape #维度大小(看具体长宽) (5,2) >>>b.dtype dtype('int32')
Spécifiez les attributs lors de la création de ndarray :
>>> np.array([1,2,3,4,5],dtype=np.float64) array([ 1., 2., 3., 4., 5.]) >>> np.zeros((2,5),dtype=np.int32) array([[0, 0, 0, 0, 0], [0, 0, 0, 0, 0]])
Transfert d'attribut :
>>> a = np.array([1,2,3,4,5],dtype=np.float64) >>> a array([ 1., 2., 3., 4., 5.]) >>> a.astype(np.int32) array([1, 2, 3, 4, 5])
Trois, Opération simple :
Opération par lots :
>>> a = np.array([1,2,3,4,5],dtype=np.int32) >>> a array([1, 2, 3, 4, 5]) >>> a + a array([ 2, 4, 6, 8, 10]) >>> a * a array([ 1, 4, 9, 16, 25]) >>> a - 2 array([-1, 0, 1, 2, 3]) >>> a / 2 array([ 0.5, 1. , 1.5, 2. , 2.5]) #等等
Changer les dimensions :
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0]],dtype=np.int32) >>> a array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 0]]) >>> a.reshape((5,2)) array([[1, 2], [3, 4], [5, 6], [7, 8], [9, 0]])
Conversion de matrice (C'est essentiellement différent de changer la dimension, soyez prudent) :
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0]],dtype=np.int32) >>> a array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 0]]) >>> a.transpose() array([[1, 6], [2, 7], [3, 8], [4, 9], [5, 0]])
Perturber (ne peut perturber qu'une seule dimension) :
>>> a = np.array([[1,2],[3,4],[5,6],[7,8],[9,0]],dtype=np.int32) >>> a array([[1, 2], [3, 4], [5, 6], [7, 8], [9, 0]]) >>> np.random.shuffle(a) >>> a array([[9, 0], [1, 2], [7, 8], [5, 6], [3, 4]])
4. Découpage et indexation :
Tableau unidimensionnel :
>>> a = np.array(range(10)) >>> a array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) >>> a[3] 3 >>> a[2:9:2] array([2, 4, 6, 8])
Tableau multidimensionnel :
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0],[11,12,13,14,15]],dtype=np.int32) >>> a array([[ 1, 2, 3, 4, 5], [ 6, 7, 8, 9, 0], [11, 12, 13, 14, 15]]) >>> a[:, 1:4] array([[ 2, 3, 4], [ 7, 8, 9], [12, 13, 14]])
Indice de condition :
>>> a = np.array([[1,2,3,4,5],[6,7,8,9,0],[11,12,13,14,15]],dtype=np.int32) >>> a array([[ 1, 2, 3, 4, 5], [ 6, 7, 8, 9, 0], [11, 12, 13, 14, 15]]) >>> a > 5 array([[False, False, False, False, False], [ True, True, True, True, False], [ True, True, True, True, True]], dtype=bool) >>> a[a>5] array([ 6, 7, 8, 9, 11, 12, 13, 14, 15]) >>> a%3 == 0 Out[128]: array([[False, False, True, False, False], [ True, False, False, True, True], [False, True, False, False, True]], dtype=bool) >>> a[a%3 == 0] array([ 3, 6, 9, 0, 12, 15])
5. Fonction (points de connaissances de base numpy)
Fonction de calcul :
np.ceil(): 向上最接近的整数,参数是 number 或 array np.floor(): 向下最接近的整数,参数是 number 或 array np.rint(): 四舍五入,参数是 number 或 array np.isnan(): 判断元素是否为 NaN(Not a Number),参数是 number 或 array np.multiply(): 元素相乘,参数是 number 或 array np.divide(): 元素相除,参数是 number 或 array np.abs():元素的绝对值,参数是 number 或 array np.where(condition, x, y): 三元运算符,x if condition else y >>> a = np.random.randn(3,4) >>> a array([[ 0.37091654, 0.53809133, -0.99434523, -1.21496837], [ 0.00701986, 1.65776152, 0.41319601, 0.41356973], [-0.32922342, 1.07773886, -0.27273258, 0.29474435]]) >>> np.ceil(a) array([[ 1., 1., -0., -1.], [ 1., 2., 1., 1.], [-0., 2., -0., 1.]]) >>> np.where(a>0, 10, 0) array([[10, 10, 0, 0], [10, 10, 10, 10], [ 0, 10, 0, 10]])
Fonction statistique
np.mean():所有元素的平均值 np.sum():所有元素的和,参数是 number 或 array np.max():所有元素的最大值 np.min():所有元素的最小值,参数是 number 或 array np.std():所有元素的标准差 np.var():所有元素的方差,参数是 number 或 array np.argmax():最大值的下标索引值, np.argmin():最小值的下标索引值,参数是 number 或 array np.cumsum():返回一个一维数组,每个元素都是之前所有元素的累加和 np.cumprod():返回一个一维数组,每个元素都是之前所有元素的累乘积,参数是 number 或 array >>> a = np.arange(12).reshape(3,4).transpose() >>> a array([[ 0, 4, 8], [ 1, 5, 9], [ 2, 6, 10], [ 3, 7, 11]]) >>> np.mean(a) 5.5 >>> np.sum(a) 66 >>> np.argmax(a) 11 >>> np.std(a) 3.4520525295346629 >>> np.cumsum(a) array([ 0, 4, 12, 13, 18, 27, 29, 35, 45, 48, 55, 66], dtype=int32)
Fonction de jugement :
np.any(): 至少有一个元素满足指定条件,返回True np.all(): 所有的元素满足指定条件,返回True >>> a = np.random.randn(2,3) >>> a array([[-0.65750548, 2.24801371, -0.26593284], [ 0.31447911, -1.0215645 , -0.4984958 ]]) >>> np.any(a>0) True >>> np.all(a>0) False
Supprimer les doublons :
np.unique(): 去重 >>> a = np.array([[1,2,3],[2,3,4]]) >>> a array([[1, 2, 3], [2, 3, 4]]) >>> np.unique(a) array([1, 2, 3, 4])
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

PHP et Python ont leurs propres avantages et inconvénients, et le choix dépend des besoins du projet et des préférences personnelles. 1.Php convient au développement rapide et à la maintenance des applications Web à grande échelle. 2. Python domine le domaine de la science des données et de l'apprentissage automatique.

Une formation efficace des modèles Pytorch sur les systèmes CentOS nécessite des étapes, et cet article fournira des guides détaillés. 1. Préparation de l'environnement: Installation de Python et de dépendance: le système CentOS préinstalle généralement Python, mais la version peut être plus ancienne. Il est recommandé d'utiliser YUM ou DNF pour installer Python 3 et Mettez PIP: sudoyuMupDatePython3 (ou sudodnfupdatepython3), pip3install-upradepip. CUDA et CUDNN (accélération GPU): Si vous utilisez Nvidiagpu, vous devez installer Cudatool

Activer l'accélération du GPU Pytorch sur le système CentOS nécessite l'installation de versions CUDA, CUDNN et GPU de Pytorch. Les étapes suivantes vous guideront tout au long du processus: CUDA et CUDNN Installation détermineront la compatibilité de la version CUDA: utilisez la commande NVIDIA-SMI pour afficher la version CUDA prise en charge par votre carte graphique NVIDIA. Par exemple, votre carte graphique MX450 peut prendre en charge CUDA11.1 ou plus. Téléchargez et installez Cudatoolkit: visitez le site officiel de Nvidiacudatoolkit et téléchargez et installez la version correspondante selon la version CUDA la plus élevée prise en charge par votre carte graphique. Installez la bibliothèque CUDNN:

Docker utilise les fonctionnalités du noyau Linux pour fournir un environnement de fonctionnement d'application efficace et isolé. Son principe de travail est le suivant: 1. Le miroir est utilisé comme modèle en lecture seule, qui contient tout ce dont vous avez besoin pour exécuter l'application; 2. Le Système de fichiers Union (UnionFS) empile plusieurs systèmes de fichiers, ne stockant que les différences, l'économie d'espace et l'accélération; 3. Le démon gère les miroirs et les conteneurs, et le client les utilise pour l'interaction; 4. Les espaces de noms et les CGROUP implémentent l'isolement des conteneurs et les limitations de ressources; 5. Modes de réseau multiples prennent en charge l'interconnexion du conteneur. Ce n'est qu'en comprenant ces concepts principaux que vous pouvez mieux utiliser Docker.

Python et JavaScript ont leurs propres avantages et inconvénients en termes de communauté, de bibliothèques et de ressources. 1) La communauté Python est amicale et adaptée aux débutants, mais les ressources de développement frontal ne sont pas aussi riches que JavaScript. 2) Python est puissant dans les bibliothèques de science des données et d'apprentissage automatique, tandis que JavaScript est meilleur dans les bibliothèques et les cadres de développement frontaux. 3) Les deux ont des ressources d'apprentissage riches, mais Python convient pour commencer par des documents officiels, tandis que JavaScript est meilleur avec MDNWEBDOCS. Le choix doit être basé sur les besoins du projet et les intérêts personnels.

Lors de la sélection d'une version Pytorch sous CentOS, les facteurs clés suivants doivent être pris en compte: 1. CUDA Version Compatibilité GPU Prise en charge: si vous avez NVIDIA GPU et que vous souhaitez utiliser l'accélération GPU, vous devez choisir Pytorch qui prend en charge la version CUDA correspondante. Vous pouvez afficher la version CUDA prise en charge en exécutant la commande nvidia-SMI. Version CPU: Si vous n'avez pas de GPU ou que vous ne souhaitez pas utiliser de GPU, vous pouvez choisir une version CPU de Pytorch. 2. Version Python Pytorch

Minio Object Storage: Déploiement haute performance dans le système Centos System Minio est un système de stockage d'objets distribué haute performance développé sur la base du langage Go, compatible avec Amazons3. Il prend en charge une variété de langages clients, notamment Java, Python, JavaScript et GO. Cet article introduira brièvement l'installation et la compatibilité de Minio sur les systèmes CentOS. Compatibilité de la version CentOS Minio a été vérifiée sur plusieurs versions CentOS, y compris, mais sans s'y limiter: CentOS7.9: fournit un guide d'installation complet couvrant la configuration du cluster, la préparation de l'environnement, les paramètres de fichiers de configuration, le partitionnement du disque et la mini

CENTOS L'installation de Nginx nécessite de suivre les étapes suivantes: Installation de dépendances telles que les outils de développement, le devet PCRE et l'OpenSSL. Téléchargez le package de code source Nginx, dézippez-le et compilez-le et installez-le, et spécifiez le chemin d'installation AS / USR / LOCAL / NGINX. Créez des utilisateurs et des groupes d'utilisateurs de Nginx et définissez les autorisations. Modifiez le fichier de configuration nginx.conf et configurez le port d'écoute et le nom de domaine / adresse IP. Démarrez le service Nginx. Les erreurs communes doivent être prêtées à prêter attention, telles que les problèmes de dépendance, les conflits de port et les erreurs de fichiers de configuration. L'optimisation des performances doit être ajustée en fonction de la situation spécifique, comme l'activation du cache et l'ajustement du nombre de processus de travail.
