Numpy
2018-05-21
- numpy.prob:
numpy.prob(a, axis=None, dtype=None, out=None, keepdims=<class 'numpy._globals._NoValue'>)
返回给定轴上的数组元素的乘积。
Notes:
当使用整数类型时，算术是模块化的，在溢出时不会产生错误，如:
x = np.array([536870910, 536870910, 536870910, 536870910])
np.prod(x)
--->>16
空阵列的prod是元素1：
np.prod([])
--->>1.0
Examples:
默认情况下，计算所有的元素的乘积：
import numpy as np
print(np.prod([1., 2.]))
--->>2.0
即使输入数组是二维的：
a = np.prod([[1., 2.], [3., 4.]])
print(a)
--->>24.0
但是我们也可以指定要乘以的轴：
b = np.prod([[1., 2.], [3., 4.]], axis=1)
print(b)
--->>array([2., 12.])
如果x的类型是无符号的，那么输出类型是无符号整数：
x = np.array([1, 2, 3], dtype=np.uint8)
print(np.prod(x).dtype == np.uint)
--->>True
如果X是有符号整数类型，那么输出类型是默认的有符号整数：
x = np.array([1, 2, 3], dtype=np.int8)
print(np.prod(x).dtype == int)
--->>True
2018-05-23
numpy
1.numpy的多维数组切片
例如：
import numpy as np
a = np.arange(36)
print(a)
--->>
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
25 26 27 28 29 30 31 32 33 34 35]
b = a.reshape(6, 6)
print(b)
--->>
[[ 0 1 2 3 4 5]
[ 6 7 8 9 10 11]
[12 13 14 15 16 17]
[18 19 20 21 22 23]
[24 25 26 27 28 29]
[30 31 32 33 34 35]]
c = b[0, 1:4]
print(c)
--->>
[1 2 3]
d = b[2:4, 1:4]
print(d)
--->>
[[13 14 15]
[19 20 21]]
e = b[:, 1:4]
print(e)
--->>
[[ 1 2 3]
[ 7 8 9]
[13 14 15]
[19 20 21]
[25 26 27]
[31 32 33]]
从例子中我们可以得到结论，对于多维数组，[a:b,c:d,e:f,....]，其中第一个逗号前表示在第一维的下标的取值范围，第二个逗号前的表示在第二维方向上的取值范围，以此类推。
2018-05-24
numpy
1.numpy.where(cond, x, y)：
- 三个参数
np.where(cond,x,y):满足条件(cond)输出x, 不满足输出y. - 一个参数
np.where(arry)：输出arry中‘真’值坐标
np.where(arry,x,y) -
np.where(arry)：如果没有标明x与y值，则返回坐标值。
np.where(array)
2018-05-31
1.arange()函数
- 函数说明：
arange([start,] stop [, step,], dtype=None)，根据start与stop指定的范围以及step设定的步长，生成一个ndarray。
2.reshape()函数 - 函数说明：给数组一个新的形状而不改变其数据。`numpy.reshape(a, newshape, order='C')
