axis

一、删除DataFrame的某列或某行数据 1、删除某列或某行数据可以用到pandas提供的方法drop 2、drop方法的用法： drop(labels, axis=0, level=None, inplace=False, errors='raise') -- axis为0时表示删除行，axis为1时表示删除列 3、常用参数如下： 代码： import pandas as pd df1 = pd.DataFrame([['Snow','M',22],['Tyrion','M',32],['Sansa','F',18],['Arya','F',14]], columns=['name','gender','age']) print(df1) print('---------删除行或列:DataFrame.drop()--------') # drop默认对原表不生效，如果要对原表生效，需要加参数：inplace=True print("----删除单行----") df2=df1.drop(labels=0) # axis默认等于0，即按行删除，这里表示按行删除第0行 print(df2) print("------删除多行------") # 通过labels来控制删除行或列的个数，如果是删多行/多列，需写成labels=[1,3]，不能写成labels=[1:2],用

def softmax(logits, axis=None, name=None): ''' Computes softmax activations. This function performs the equivalent of softmax = tf.exp(logits) / tf.reduce_sum(tf.exp(logits), axis) ''' import tensorflow as tf # 用正态分布来模拟100个样本的预测结果，可以认为是100个MNIST样本 # out = tf.random.normal([100,10]) out = tf.constant([[1.,2,3], [2,0,1]]) # 计算每一行转换为概率，输出 exp = tf.exp(out) '''输出 tf.Tensor( [[ 2.7182817 7.389056 20.085537 ] [ 7.389056 1. 2.7182817]], shape=(2, 3), dtype=float32)''' sum = tf.reduce_sum(exp,axis=1) '''输出 tf.Tensor([30.192875 11.107338], shape=(2,), dtype=float32) ''' out = tf.nn.softmax(out, axis=1)

Numpy的使用： 一、创建ndarray数组 二、指定ndarray数组元素的类型 三、ndarray运算： 四、ndarray数组的基本索引和切片： 五、ndarray数组的布尔索引和花式索引 六、ndarray数组的转置和轴对换 七、ndarray通用函数 7.1一元ufunc： 7.2二元ufunc： 7.3NumPy的where函数使用: 八、ndarray常用的统计方法 九、ndarray数组的去重以及集合运算 十、numpy中的线性代数 十一、numpy中的随机数生成 十二、ndarray数组重塑 十三、ndarray数组的拆分与合并 十四、数组的元素重复操作 参考文档： 一个在Python中做科学计算的基础库，重在数值计算，也是大部分PYTHON科学计算库的基础库，多用于在大型、多维数组上执行数值运算 import numpy as np 一、创建ndarray数组 NumPy最重要的一个特点就是其 N维数组对象 （即ndarray），该对象是一个快速而灵活的 大数据集容器 。你可以 利用这种数组 对 整块数据 执行一些数学运算，其语法跟标量元素之间的运算一样。 创建ndarray数组函数： 创建代码： import numpy as np ; print ( '使用列表生成一维数组' ) data = [ 1 , 2 , 3 , 4 , 5 , 6 ] x =

1.定义各种数组 a = np.array([[1,2,3],[4,5,6]]) # 数组转tensor:数组a, tensor_a=tf.convert_to_tensor(a) # tensor转数组：tensor b, array_b=b.eval() b = tf.convert_to_tensor(a) # 将np定义数组转化为tensor c = tf.constant([[1,2,3],[4,5,6]]) d_list = [[1,2,3],[4,5,6]] 2.tf.shape(tensor) tensor.tf.get_shape() # tf.shape()很显然这个是获取张量的大小的, tf.shape()返回的是一个tensor,要想知道是多少,必须通过sess.run() # x.get_shape(),只有tensor才可以使用这种方法,返回的是一个元组,不能放到sess.run()里面,这个里面只能放operation和tensor # c.get_shape().as_list()返回一个list import tensorflow as tf import numpy as np a = np.array([[1,2,3],[4,5,6]]) b = tf.convert_to_tensor(a) # 将np定义数组转化为tensor c = tf

图像处理基础 前言 实验环境 实验准备 图像灰度化 基本原理 代码实现 实验结果 绘制图像轮廓和图像直方图 基本原理 代码实现 实验结果 高斯滤波（高斯模糊处理） 基本原理 代码实现 实验结果 直方图均衡化 基本原理 代码实现 实验结果 前言 实验环境 该课程实验是基于python语言的有关图像处理，通过anaconda来安装管理使用python包，在pycharm平台上进行编译实现。 实验准备 实验所需的安装包都需要进行手动添加，其主要库的添加命令代码如下： PCV库 >>setup.py所在文件地址>> python setup.py install == 以下由于报错"No module named ‘pylab’" 进行的python库安装== NumPy库.为Python提供了很多高级的数学方法。 conda install numpy SciPy库.这是一个Python的算法和数学工具库。 conda install scipy matplotlib库.一个绘制数据图的库。 conda install matplotilb 图像灰度化 基本原理 灰度化，在RGB模型中，如果R=G=B时，则彩色表示一种灰度颜色，其中R=G=B的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值)，灰度范围为0-255。一般有分量法

欢迎大家查看此项目： Dive-into-NumPy NumPy中文网 项目介绍 本项目名为：动手学NumPy。包含以下内容 NumPy简介 NumPy数组与pthon原生数组的区别 NumPy快速入门 NumPy进阶 numpy-100 参考文献 NumPy简介 NumPy是Python中科学计算的基础包。它是一个Python库，提供多维数组对象，各种派生对象（如掩码数组和矩阵），以及用于数组快速操作的各种API，有包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅立叶变换、基本线性代数，基本统计运算和随机模拟等等。除其他外，它包括： 功能强大的N维数组对象。 精密广播功能函数。 集成 C/C+和Fortran 代码的工具。 强大的线性代数、傅立叶变换和随机数功能。 NumPy数组与pthon原生数组的区别 NumPy 数组在创建时具有固定的大小，与Python的原生数组对象（可以动态增长）不同。更改ndarray的大小将创建一个新数组并删除原来的数组。 NumPy 数组中的元素都需要具有相同的数据类型，因此在内存中的大小相同。 例外情况：Python的原生数组里包含了NumPy的对象的时候，这种情况下就允许不同大小元素的数组。 NumPy 数组有助于对大量数据进行高级数学和其他类型的操作。通常，这些操作的执行效率更高，比使用Python原生数组的代码更少。

numpy. apply_along_axis ( func , axis , arr , *args , **kwargs )： 必选参数：func,axis,arr。其中func是我们自定义的一个函数，函数func(arr)中的arr是一个数组，函数的主要功能就是对数组里的每一个元素进行变换，得到目标的结果。 其中axis表示函数func对数组arr作用的轴。 可选参数： *args , **kwargs。都是func()函数额外的参数。 返回值：numpy. apply_along_axis()函数返回的是一个根据func()函数以及维度axis运算后得到的的 数组. 实例： def my_func(a): 　　return (a[0] + a[-1]) * 0.5 b=np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]]) np.apply_along_axis(my_func, 0, b) 输出: array([ 5., 6., 7., 8.]) np.apply_along_axis(my_func, 1, b) 输出: array([ 2.5, 6.5, 10.5]) numpy英文解释文档 来源： https://www.cnblogs.com/zz22--/p/7498868.html

使用ListView.separated,就很简单了 ListView.separated( scrollDirection: direction, itemBuilder: (context, index) { final Axis slidableDirection = direction == Axis.horizontal ? Axis.vertical : Axis.horizontal; return _getSlidableWithLists(context, index, slidableDirection); }, itemCount: list.length, separatorBuilder: (BuildContext context, int index) => Divider(height: 1.0, color: AppColors.separator), ); 如果使用ListView.builder,没有这个属性,需要自己在itemBuilder中增加下划线 ListView.builder( shrinkWrap: true, physics: NeverScrollableScrollPhysics(), itemBuilder: (BuildContext context, int index) => GroupContactItem(

一、 Series pandas.Series()：用于创建一个一维的带“轴标签”的ndarray数组 调用方法： pandas.Series(data=None, index=None, dtype=None, name=None, copy=False) data： 可以是列表，字典，标量值，numpy创建的一维数组 index： data的“标签”，默认从0开始分配，index长度和data的长度要相同；如果data为字典并且给定index，则index会取代字典的key，成为value的标签；默认标签和给定标签共存。 import pandas as pd import numpy as np #列表创建 a1 = pd.Series([1,2,3], index=['a','b','c']) print(a1) #标量值创建 a2 = pd.Series(10, index=list('12345')) print(a2) #字典创建 a3 = pd.Series({'a':1, 'b':2, 'c':3}) print(a3) a4 = pd.Series({'a':1, 'b':2, 'c':3}, index=['e','b','a']) #index自动与dict的key匹配 print(a4) #numpy创建 a5 = pd.Series(np.arange

一、 图像轮廓和直方图 1.1原理 图像轮廓：因为绘制轮廓需要对每个坐标的像素值施加一个阈值，所以首先需要将图像灰度化。 直方图：用来表征该图像像素值得分布情况。用一定的小区间来指定表征像素值的范围，每个小区间会得到落入该小区间表示范围的像素数目。——》hist()函数:参数二：指定小区间的数目。参数一：只接受一维数组作为输入，因此在绘制图像直方图前，必须对图像进行压平处理。 1.1图像轮廓和直方图得实现 在原点的左上角显示轮廓图像 contour(im,origin= 'image')。 # -*- coding: utf-8 -*- from PIL import Image from pylab import * # 添加中文字体支持 from matplotlib.font_manager import FontProperties font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14) im = array(Image.open(r'C:\Users\mangowu\Desktop\1\1.jpg').convert('L')) # 打开图像，并转成灰度图像 figure() subplot(121) gray() contour(im, origin='image') axis(