lynn_flame的博客

>>> import numpy as np>>> b = np.array(np.arange(10))>>> b[0 1 2 3 4 5 6 7 8 9]>>> b.shape(10,)#对b的维度进行修整，若要展成一列的数据，则有>>> b.shape = -1,1>>> b.shape(10, 1)>>> b[[0] [1] [2] [3]

clip(a, a_min, a_max, out=None) -> NoneClip (limit) the values in an array.Given an interval, values outside the interval are clipped to the interval edges. For example, if an interval of [0, 1] is specified, values smaller than 0 become 0, and values

Python 中各种imread函数的区别与联系先来看看常用的读取图片的方式：PIL.Image.openscipy.misc.imreadscipy.ndimage.imreadcv2.imreadmatplotlib.image.imreadskimgecaffe.io.load_iamge这些方法可以分为四大家族PILPIL.Image.open + numpyscipy.misc.imreadscipy.ndimage.imread这些方法都是通过调用PIL.Image.

numpy.squeeze(a,axis=None)从数组形状中移除一维条目参数：a – 数组形状np.array()axis – 可以是一个整数，可以是一个元组或者None。默认为None。axis用于指定需要删除的维度，但是指定的维度必须为单维度，否则将会报错.返回：压缩后的ndarray()减少了维度的数据子集>>> x = np.array([[[0], [1], [2]]])>>> x.shape(1, 3, 1)#axis=None&g

二维数据使用0值表示沿着每一列或行标签\索引值向下执行方法使用1值表示沿着每一行或者列标签模向执行对应的方法多维数据设axis=i ,则numpy沿着第i个下标变化的方向进行操作。也就是说，如果axis=0,则沿第一个下标变化的方向操作，也就是行方向。如果一个多维数组是232，他就是3维的，参数axis=0指的就是第一维，即2那一个数轴，axis=1,即3的那个数轴，axis=2,即最后2的那个数轴。...

两种用法np.where(condition,X,Y):满足条件输出X，不满足输出Y这点的话再数据挖掘的规约中显得非常好用>>> a = [2,3,4,5,8,7,9,7]>>> a = np.array(a)>>> np.where(a > 5 ,1,-1)array([-1, -1, -1, -1, 1, 1, 1, 1])np.where(condition):返回满足条件的数的索引>>> indi

array和asarray都可以将结构数据转化为ndarray，但是主要区别就是当数据源是ndarray时，array仍然会copy出一个副本，占用新的内存，但asarray不会。arr1=np.ones((3,3)) arr2=np.array(arr1) arr3=np.asarray(arr1) arr1[1]=2 print ('arr1:\n',arr1 )print ('arr2:\n',arr2 )print ('arr3:\n',arr3 )#可以看到，arr3跟着arr1一

numpy.dot()如果处理的是一维数组，则得到的是两数组的內积如果是二维数组（矩阵）之间的运算，则得到的是矩阵积（mastrix product）numpy.multiply()实现矩阵对应元素相乘numpy,matmul()实现矩阵乘法对于dot(),multiply()，matmul()三个方法，无论是在numpy数组还是numpy矩阵上运用的含义是一样的；而“”的运用则是不同的，ab,在数组中意味着对应元素相乘；在矩阵中对应着矩阵乘法。import numpy as n