python数组

系列(Series)是由一组数据（各种NumPy数据类型），以及一组与之相关的数据标签（索引）组成，系列不要求数据类型是相同的。 系列是一个一维数组，只有一个维度（或称作轴）是行（row），在访问系列时，只需要设置一个索引。pandas自动为系列创建了一个从0开始到N-1的序号，称作行的下标，行的位置。可以显式设置index参数，为每行设置标签，pandas把标签称作索引。用户可以通过索引、也可以通过位置来访问Series对象中的元素。 系列可以看作是索引到数据值的一个映射，一个索引对应一个数据值，这种结构就是有序的字典。 官网SeriesAPI 1.构造 pandas . Series ( data = None , index = None , dtype = None , name = None , copy = False ) data：传递给系列的数据，可以是ndarray、list或字典 index：设置轴的索引，索引值的个数与data参数的长度相同。如果没有设置index参数，那么默认值是 np.arange(n)，或者 RangeIndex (0, 1, 2, …, n)。 dtype：设置系列元素的数据类型，如果没有设置，那么将推断数据类型 name：系列是一个多行的结构，name是系列的名称 copy：复制数据，默认值是false 1.1

1）贴上Python环境及pip list截图，了解一下大家的准备情况。暂不具备开发条件的请说明原因及打算。 2）贴上视频学习笔记，要求真实，不要抄袭，可以手写拍照。 3）什么是机器学习，有哪些分类？结合案例，写出你的理解。 1）python环境为：python3.7 pip list: 2） （1）机器学习概论： ①机器学习的基础需要数学分析和概率论基础。 ②机器学习是人工智能的一个分支。我们使用一个计算机设计出来的系统，通过训练数据并按照一定训练的方法，不断学习以及优化，达到一个能够预测信息的一个过程。 ③机器学习分类：有监督学习和无监督学习。 P1.33 预测推理方法。 ④通过模型得到预测，我们需要学习建模的过程，当然预测也重要。 ⑤机器学习的流程：数据收集，数据清洗，特征工程，数据建模 P1.47模型选择：决策数，回归，随机森林，SVM，聚类，高斯分布，EM算法。 ⑥高数知识： 微积分应用，泰勒公式，方向导数，梯度， F函数（伽马函数），凸函数（跟高数不一样的理解），（一阶可微函数，二阶可微函数，指数函数，幂函数，负对数函数，负熵函数） ⑦概率论知识：累计分布函数，概率密度函数，古典概型， （2）Python基础： Numpy库，数组的使用技巧： arange函数：指定起始值、终止值和步长来创建数组。 reahpe：可转为几行几列。 Ndarray函数

numpy的主要对象是同质的多维数组。其中的元素通常都是数字，并且是同样的类型，由一个正整数元组进行索引。每个元素在内存中占有同样大小的空间。在Numpy中，维度被称为‘轴’。 例如对于 [1, 2, 1] 我们说它有一个轴，并且长度为3。而 [[ 1., 0., 0.], [ 0., 1., 2.]] 则有两个轴，第一个轴的长度为2，第二个轴的长度为3。 numpy数组类的名字叫做ndarray，经常简称为array。要注意将numpy.array与标准Python库中的array.array区分开，后者只处理一维数组，并且功能简单。 np.array的代码定义如下： numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0) 各参数的含义： 　　object：用于生成数组的数据对象 　　dtype：指定类型，可选。 　　copy：可选，默认为True，对象被复制。 　　order：C语言风格（按行）、FORTRAN风格（按列）或A（任意，默认）。 　　subok：默认情况下，返回的数组被强制为基类数组。 如果为True，则返回子类。 　　ndmin：指定返回数组的最小维数。 ndarray具有以下重要属性： 　　ndarray.ndim：数组的轴数量 　

一 numpy模块 NumPy系统是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix））。 import numpy as np (1).np.linalg.norm(x) 顾名思义：linalg = linear + algebra,norm则表示范数，首先需要注意的是范数是对向量（或者矩阵）的度量，是一个 标量（scalar） ： 首先help(np.linalg.norm查看文档 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 参数 说明 计算方法 默认 二范数 np.sqrt(x 1 **2+x 2 **2+....+x n **2) ord=2 二范数 同上 ord=1 一范数 |x 1 |+|x 2 |+...+|x n | ord=np.inf 无穷范数 max(|x i |) 用于计算向量x的2范数 x = np.array([3,4]) y = np.linalg.norm(x) print(y) 输出结果为5.0 计算矩阵x的2范数 对矩阵每一个元素求平方和然后开根号 x = np.array([3,4,5],[3,4,5]) y

1.numpy.nonzero(condition)，返回参数condition(为数组或者矩阵)中非0元素的索引所形成的ndarray数组，同时也可以返回condition中布尔值为True的值索引，其中，数值0为False,其余的都为True。 1 >>>b=np.mat(np.arange(10)).T 2 >>>b 3 matrix([[0], 4 [1], 5 [2], 6 [3], 7 [4], 8 [5], 9 [6], 10 [7], 11 [8], 12 [9]]) 13 >>>np.nonzero(b>2) 14 (array([3, 4, 5, 6, 7, 8, 9], dtype=int64), 15 array([0, 0, 0, 0, 0, 0, 0], dtype=int64)) 16 >>>np.nonzero((b.A>2)*(b.A<8)) 17 (array([3, 4, 5, 6, 7], dtype=int64), array([0, 0, 0, 0, 0], dtype=int64)) 1 >>> x = np.eye(3) 2 >>> x 3 array([[ 1., 0., 0.], 4 [ 0., 1., 0.], 5 [ 0., 0., 1.]]) 6 >>> np.nonzero(x) 7 (array([0, 1, 2]),

LeetCode 面试题03. 数组中重复的数字【剑指Offer】【Easy】【Python】【数组】【哈希表】【排序】 问题 力扣 找出数组中重复的数字。 在一个长度为 n 的数组 nums 里的所有数字都在 0～n-1 的范围内。数组中某些数字是重复的，但不知道有几个数字重复了，也不知道每个数字重复了几次。请找出数组中任意一个重复的数字。 示例 1： 输入： [2, 3, 1, 0, 2, 5, 3] 输出：2 或 3 限制： 2 <= n <= 100000 思路 解法一 哈希表 遍历数组，未出现过的标记 flag 为 True，已出现过就返回该值。 时间复杂度: O(n)，n 为 nums 的长度。 空间复杂度: O(n)，n 为 nums 的长度。 Python3代码 from typing import List class Solution: def findRepeatNumber(self, nums: List[int]) -> int: # solution one: 哈希表 n = len(nums) flag = [False for i in range(n)] for i in range(n): if flag[nums[i]] == False: flag[nums[i]] = True else: return nums[i] return -1

1. python中矩阵合并、拼接、组合 >> > a = np . array ( [ 1 , 2 , 3 ] ) >> > b = np . array ( [ 2 , 3 , 4 ] ) >> > np . stack ( ( a , b ) ) array ( [ [ 1 , 2 , 3 ] , [ 2 , 3 , 4 ] ] ) >> > >> > np . stack ( ( a , b ) , axis = - 1 ) array ( [ [ 1 , 2 ] , [ 2 , 3 ] , [ 3 , 4 ] ] ) 2. array[n-1,:] 取数组的第n行 array[:,n-1] 取数组的第n列 array[:,0:3] 取数组的1到3列 np.ones((n, 1)) 生成一个n行1列的矩阵，数组元素全是1，用在T@point_cloud（np.hstack来造矩阵，满足矩阵相乘条件） 3. np.array和np.matrix的差别, np.array([1,2,3])这种不是矩阵， np.array([[1, 2, 3]]) 和 np.matrix(1, 2, 3) 才是矩阵，有shape np.array和np.matrix的差别 来源： CSDN 作者： Ka. 链接： https://blog.csdn.net/guaiderzhu1314

我目前正在尝试学习Numpy和Python。 给定以下数组： import numpy as np a = np.array([[1,2],[1,2]]) 是否有一个返回的尺寸的函数 a （EGA是一个2×2阵列）？ size() 返回4，这并没有太大帮助。 #1楼 它是 .shape ： ndarray。 形状 数组维度的元组。 从而： >>> a.shape (2, 2) #2楼 import numpy as np >>> np.shape(a) (2,2) 如果输入不是numpy数组而是列表列表，则也可以使用 >>> a = [[1,2],[1,2]] >>> np.shape(a) (2,2) 或元组的元组 >>> a = ((1,2),(1,2)) >>> np.shape(a) (2,2) #3楼 第一： 按照惯例，在Python世界中， numpy 的快捷方式是 np ，因此： In [1]: import numpy as np In [2]: a = np.array([[1,2],[3,4]]) 第二： 在Numpy中， 维度 ， 轴/轴 ， 形状 是相关的，有时是相似的概念： 尺寸 在“ 数学/物理学”中 ，维度或维度被非正式地定义为指定空间内任何点所需的最小坐标数。 但在 numpy的 ，根据 numpy的文档 ，这是相同的轴线/轴： 在Numpy中

从键盘读入n个整数，使用动态数组存储所读入的整数，并计算它们的和与平均值分别输出。要求尽可能使用函数实现程序代码。平均值为小数的只保留其整数部分。 样例输入: 5 3 4 0 0 2 样例输出: 9 1 样例输入: 7 3 2 7 5 2 9 1 样例输出: 29 4 n = int(input()) n_list = list(map(int,input().split())) s = sum(n_list) even = s//len(n_list) print(s,even) 来源： CSDN 作者： xiao黄 链接： https://blog.csdn.net/Python_Matlab/article/details/104731229

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库， 支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。 今天就针对多维数组展开来写博客 numpy其一部分功能如下： 1.ndarray，是具有矢量算术运算且节省空间的多维数组。 2.可以用于对整组的数据快速进行运算的辨准数学函数。 3.能够用于读写磁盘数据的工具以及用于操作系统内存映射的工具。 NumPy它本身其实没有提供很高级别的数据分析功能，NumPy之于数值计算特别重要的原因之一， 就是因为它能够高效的处理大数组的数据。 这是因为： 1.NumPy是在一个连续的内存块中存储数据，独立于其他的Python内置对象。 2.NumPy可以在整个数组上执行复杂的计算，而不需要Python的for循环。 NumPy的ndarray：一种多维数组对象 对数组进行数学运算 可以看到data的值实际是没有改变的，输出的结果只是临时结果而已。 ndarray是一个通用的同构数据多维容器，也就是说，其中的所有元素必须是相同类型的。 每个数组都有一个shape（形状）和一个dtype（数据类型）。 查看ndarray的shape和dtype： 创建ndarray 创建数组最简单的办法就是使用array函数。 它接受一切序列型的对象（包括其它数组），然后产生一个新的含有传入数据的NumPy数组