01. Python 工具
02. Python 基础
03. Numpy
- Numpy 简介
- Matplotlib 基础
- Numpy 数组及其索引
- 数组类型
- 数组方法
- 数组排序
- 数组形状
- 对角线
- 数组与字符串的转换
- 数组属性方法总结
- 生成数组的函数
- 矩阵
- 一般函数
- 向量化函数
- 二元运算
- ufunc 对象
- choose 函数实现条件筛选
- 数组广播机制
- 数组读写
- 结构化数组
- 记录数组
- 内存映射
- 从 Matlab 到 Numpy
04. Scipy
05. Python 进阶
- sys 模块简介
- 与操作系统进行交互:os 模块
- CSV 文件和 csv 模块
- 正则表达式和 re 模块
- datetime 模块
- SQL 数据库
- 对象关系映射
- 函数进阶:参数传递,高阶函数,lambda 匿名函数,global 变量,递归
- 迭代器
- 生成器
- with 语句和上下文管理器
- 修饰符
- 修饰符的使用
- operator, functools, itertools, toolz, fn, funcy 模块
- 作用域
- 动态编译
06. Matplotlib
- Pyplot 教程
- 使用 style 来配置 pyplot 风格
- 处理文本(基础)
- 处理文本(数学表达式)
- 图像基础
- 注释
- 标签
- figures, subplots, axes 和 ticks 对象
- 不要迷信默认设置
- 各种绘图实例
07. 使用其他语言进行扩展
- 简介
- Python 扩展模块
- Cython:Cython 基础,将源代码转换成扩展模块
- Cython:Cython 语法,调用其他C库
- Cython:class 和 cdef class,使用 C++
- Cython:Typed memoryviews
- 生成编译注释
- ctypes
08. 面向对象编程
09. Theano 基础
- Theano 简介及其安装
- Theano 基础
- Theano 在 Windows 上的配置
- Theano 符号图结构
- Theano 配置和编译模式
- Theano 条件语句
- Theano 循环:scan(详解)
- Theano 实例:线性回归
- Theano 实例:Logistic 回归
- Theano 实例:Softmax 回归
- Theano 实例:人工神经网络
- Theano 随机数流变量
- Theano 实例:更复杂的网络
- Theano 实例:卷积神经网络
- Theano tensor 模块:基础
- Theano tensor 模块:索引
- Theano tensor 模块:操作符和逐元素操作
- Theano tensor 模块:nnet 子模块
- Theano tensor 模块:conv 子模块
10. 有趣的第三方模块
11. 有用的工具
- pprint 模块:打印 Python 对象
- pickle, cPickle 模块:序列化 Python 对象
- json 模块:处理 JSON 数据
- glob 模块:文件模式匹配
- shutil 模块:高级文件操作
- gzip, zipfile, tarfile 模块:处理压缩文件
- logging 模块:记录日志
- string 模块:字符串处理
- collections 模块:更多数据结构
- requests 模块:HTTP for Human
12. Pandas
文章来源于网络收集而来,版权归原创者所有,如有侵权请及时联系!
二元运算
In [1]:
import numpy as np
四则运算
运算 | 函数 |
---|---|
a + b | add(a,b) |
a - b | subtract(a,b) |
a * b | multiply(a,b) |
a / b | divide(a,b) |
a ** b | power(a,b) |
a % b | remainder(a,b) |
以乘法为例,数组与标量相乘,相当于数组的每个元素乘以这个标量:
In [2]:
a = np.array([1,2])
a * 3
Out[2]:
array([3, 6])
数组逐元素相乘:
In [3]:
a = np.array([1,2])
b = np.array([3,4])
a * b
Out[3]:
array([3, 8])
使用函数:
In [4]:
np.multiply(a, b)
Out[4]:
array([3, 8])
事实上,函数还可以接受第三个参数,表示将结果存入第三个参数中:
In [5]:
np.multiply(a, b, a)
Out[5]:
array([3, 8])
In [6]:
a
Out[6]:
array([3, 8])
比较和逻辑运算
运算 | 函数< |
---|---|
== | equal |
!= | not_equal |
> | greater |
>= | greater_equal |
< | less |
<= | less_equal |
logical_and | |
logical_or | |
logical_xor | |
logical_not | |
& | bitwise_and |
bitwise_or | |
^ | bitwise_xor |
~ | invert |
>> | right_shift |
<< | left_shift |
等于操作也是逐元素比较的:
In [7]:
a = np.array([[1,2,3,4],
[2,3,4,5]])
b = np.array([[1,2,5,4],
[1,3,4,5]])
a == b
Out[7]:
array([[ True, True, False, True],
[False, True, True, True]], dtype=bool)
这意味着,如果我们在条件中要判断两个数组是否一样时,不能直接使用
if a == b:
而要使用:
if all(a==b):
对于浮点数,由于存在精度问题,使用函数 allclose
会更好:
if allclose(a,b):
logical_and
也是逐元素的 and
操作:
In [8]:
a = np.array([0,1,2])
b = np.array([0,10,0])
np.logical_and(a, b)
Out[8]:
array([False, True, False], dtype=bool)
0
被认为是 False
,非零则是 True
。
比特操作:
In [9]:
a = np.array([1,2,4,8])
b = np.array([16,32,64,128])
a | b
Out[9]:
array([ 17, 34, 68, 136])
取反:
In [10]:
a = np.array([1,2,3,4], np.uint8)
~a
Out[10]:
array([254, 253, 252, 251], dtype=uint8)
左移:
In [11]:
a << 3
Out[11]:
array([ 8, 16, 24, 32], dtype=uint8)
要注意的是 &
的运算优先于比较运算如 >
等,所以必要时候需要加上括号:
In [12]:
a = np.array([1,2,4,8])
b = np.array([16,32,64,128])
(a > 3) & (b < 100)
Out[12]:
array([False, False, True, False], dtype=bool)
如果你对这篇内容有疑问,欢迎到本站社区发帖提问 参与讨论,获取更多帮助,或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱,如果其他用户或者作者回复了您的评论,将不能在第一时间通知您!
发布评论