精简--numpy库（新技能）

1、对于输入矩阵、数组进行洗牌的两个函数：numpy.random.shuffle(x) 和 numpy.random.permutation(x)是有区别的：

区别1：.permutation(x)可以将洗牌后的副本输出，而.shuffle(x)输出是None。对于.shuffle(x)重新洗牌后的副本还是x来表示。见例子：

import numpy as np

a = np.array([[1,2,3,4], [5,6,7,8], [3,4,5,6], [1,4,7,8]])
print(a)
print('/*/*/*/*/*')
b = np.random.permutation(a)
print(b)
print('/*/*/*/*/*')
c = np.random.shuffle(a)
print(c)
print(a)

输出：

[[1 2 3 4]
 [5 6 7 8]
 [3 4 5 6]
 [1 4 7 8]]
/*/*/*/*/*
[[1 2 3 4]
 [1 4 7 8]
 [5 6 7 8]
 [3 4 5 6]]
/*/*/*/*/*
None
[[1 4 7 8]
 [1 2 3 4]
 [5 6 7 8]
 [3 4 5 6]]

区别2：如果传入的是一个整数的时候，.permutation(x)可以返回一个洗牌后的arange，而.shuffle(x)中要求x不能是整数。

import numpy as np

a = 10
b = np.random.permutation(a)
print(b)
print('/*/*/*/*/*')
c = np.random.shuffle(a)
print(a)

输出：

[7 8 2 0 4 5 1 9 6 3]
  File "F:/learning/test-package/train.py", line 7, in <module>
    c = np.random.shuffle(a)
/*/*/*/*/*
  File "mtrand.pyx", line 4796, in mtrand.RandomState.shuffle (numpy\random\mtrand\mtrand.c:38843)
TypeError: object of type 'int' has no len()

2、numpy.random.uniform(-x, x)———随机生成（-x到x范围内的一个数）

print(np.random.uniform(-1, 1))

输出：

第一次：-0.33214855896802553
第二次：-0.5749959388706738

3、numpy.random.seed(x)—————方法改变随机数生成器的种子，可以在调用其他随机模块函数之前调用此函数。x -- 改变随机数生成器的种子seed。本函数没有返回值。

注意：seed(()是不能直接访问的，需要导入 random 模块，然后通过 random 静态对象调用该方法。

import numpy as np

np.random.seed( 5 )
print("Random number with seed 5 : ", np.random.random())

# 生成同一个随机数
np.random.seed( 5 )
print("Random number with seed 5 : ", np.random.random())

# 生成同一个随机数
np.random.seed( 1 )
print("Random number with seed 1 : ", np.random.random())

输出：

Random number with seed 5 :  0.22199317108973948
Random number with seed 5 :  0.22199317108973948
Random number with seed 1 :  0.417022004702574

4、区分np.nonzero()与np.count_nonzero()的区别：

扫描二维码关注公众号，回复： 3834213 查看本文章

①、返回值不一样：np.nonzero()是返回非零元素对应的索引值（类型是一个；count_nonzero返回满足（条件）的数量的统计和，

②、应用范围不同：np.nonzero()可以对矩阵、数组或者元组（只存在数字）进行操作；np.count_nonzero()只能应用于矩阵中。

接下来看实例：

Example 1：矩阵

import numpy as np
array = np.array([[1, 0, 3], [1, 6, 7], [1, 9, 11]])
non_ones = np.nonzero(array)
count_zeros = np.count_nonzero(array != 0)       #矩阵array中非零元素个数的统计
count_ones = np.count_nonzero(array != 1)        #矩阵array中非壹元素个数的统计
print(array)
print(non_ones)
print(count_zeros)
print(count_ones)

输出：

[[ 1  0  3]
 [ 1  6  7]
 [ 1  9 11]]
(array([0, 0, 1, 1, 1, 2, 2, 2], dtype=int64), array([0, 2, 0, 1, 2, 0, 1, 2], dtype=int64))
8
6

Example 2：列表

import numpy as np
list = [1, 2, 0, 4, 0]
non_ones = np.nonzero(list)
print(list)
print(non_ones)

输出：

[1, 2, 0, 4, 0]
(array([0, 1, 3], dtype=int64),)

Example 3：元组（非全数字）

import numpy as np
tuple = ('apple', 0, 1, 4, 1, 0)
non_ones = np.nonzero(tuple )
print(tuple)
print(non_ones)

输出：

('apple', 0, 1, 4, 1, 0)
(array([0, 1, 2, 3, 4, 5], dtype=int64),)

Example 4：元组（全数字）

import numpy as np
tuple = (0, 1, 4, 1, 0)
non_ones = np.nonzero(tuple )
print(tuple)
print(non_ones)

输出：

(0, 1, 4, 1, 0)
(array([1, 2, 3], dtype=int64),)

4、随机生成矩阵：np.empty()与np.random.random()

注意：np.empty()可以指定随机生成数据的类型（numpy.empty(shape, dtype=float, order='C')）

np.random.random()

import numpy as np

b = np.empty([3, 4], dtype=int)
d = np.random.random([3, 4])
print(b)
print(d)

输出：

[[ -89792704      32762  -89814704      32762]
 [1915740112          0 1952805488 1884251237]
 [1852795252          0          0          0]]
[[0.23151918 0.02996494 0.41285224 0.68917454]
 [0.67876318 0.05227411 0.02135239 0.02125393]
 [0.84004973 0.62453174 0.88129274 0.5860845 ]]

精简--numpy库（新技能）

猜你喜欢