numpy 中的一些常用方法函数记录(2)

1. np.reshape()

作用是改变shape但保持原数据。

>>> a = np.arange(6).reshape((3, 2))
>>> a
array([[0, 1],
       [2, 3],
       [4, 5]])

>>> np.reshape(a, (2, 3)) # C-like index ordering
array([[0, 1, 2],
       [3, 4, 5]])

当参数里面包含 -1 的情况

>>> a = np.arange(16).reshape((4, 4))
>>> a
array([[0, 1, 2, 3],
       [4, 5, 6, 7],
       [8, 9, 10, 11],
       [12, 13, 14, 15]])

>>>a.reshape(-1)
[ 0 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 ]

np .reshape(a, (c, -1)) 函数， 表示将矩阵或者数组a重组，其中一个参数为-1时,  表示并不知道有多少列，那么reshape函数会根据另一个参数 c 的维度计算出数组的另外一个shape属性值。

>>> a = np.array([[1,2,3], [4,5,6]])

>>> np.reshape(a, (3,-1))     
array([[1, 2],
       [3, 4],
       [5, 6]])

需要了解更加详细的参数及使用信息，参看np.reshape()

2. np.hstack()

作用就是水平(按列顺序)把数组给堆叠起来

>>> a = np.array((1,2,3))
>>> b = np.array((2,3,4))
>>> np.hstack((a,b))
array([1, 2, 3, 2, 3, 4])
>>> a = np.array([[1],[2],[3]])
>>> b = np.array([[2],[3],[4]])
>>> np.hstack((a,b))
array([[1, 2],
       [2, 3],
       [3, 4]])

函数详情请参看np.hstack()

3. np.arange()

np.arange()函数分为一个参数，两个参数，三个参数三种情况 , 支持float类型

>>> np.arange(3)
array([0, 1, 2])
>>> np.arange(3.0)
array([ 0.,  1.,  2.])
>>> np.arange(3,7)
array([3, 4, 5, 6])
>>> np.arange(3,7,2)
array([3, 5])

详看  np. arange()

4. np.random.choice（）

从数组里随机选取内容，并将选取结果放入n维array中返回。

# 从a 中以概率P，随机选择3个, p没有指定的时候相当于是一致的分布
>>>a1 = np.random.choice(a=5, size=3, replace=False, p=None)
array([3,1,0])

# 非一致的分布，产生的数的概率不一致
>>>a2 = np.random.choice(a=5, size=3, replace=False, p=[0.2, 0.1, 0.3, 0.4, 0.0])
array([2, 3, 0])

# replace 代表的意思是抽样之后还放不放回去，如果是False的话，那么出来的三个数都不一样，如果是
#True的话， 有可能会出现重复的，因为前面的抽的放回去了。

具体参看  ：numpy.random.choice

5.  np.linalg.norm（）

求范数：linalg=linear（线性）+algebra（代数），norm则表示范数。

x_norm=np.linalg.norm(x, ord=None, axis=None, keepdims=False)

x表示要度量的向量，ord表示范数的种类，axis代表轴，keepdims保持维度。

具体示例参看博客 ：np.linalg.norm