1. <ul id="0c1fb"></ul>

      <noscript id="0c1fb"><video id="0c1fb"></video></noscript>
      <noscript id="0c1fb"><listing id="0c1fb"><thead id="0c1fb"></thead></listing></noscript>

      99热在线精品一区二区三区_国产伦精品一区二区三区女破破_亚洲一区二区三区无码_精品国产欧美日韩另类一区

      RELATEED CONSULTING
      相關(guān)咨詢
      選擇下列產(chǎn)品馬上在線溝通
      服務(wù)時(shí)間:8:30-17:00
      你可能遇到了下面的問(wèn)題
      關(guān)閉右側(cè)工具欄

      新聞中心

      這里有您想知道的互聯(lián)網(wǎng)營(yíng)銷解決方案
      python中轉(zhuǎn)置函數(shù) pytorch轉(zhuǎn)置函數(shù)的用法

      數(shù)據(jù)分析員用python做數(shù)據(jù)分析是怎么回事,需要用到python中的那些內(nèi)容,具體是怎么操作的?

      最近,Analysis with Programming加入了Planet Python。我這里來(lái)分享一下如何通過(guò)Python來(lái)開始數(shù)據(jù)分析。具體內(nèi)容如下:

      專注于為中小企業(yè)提供成都網(wǎng)站制作、成都網(wǎng)站設(shè)計(jì)服務(wù),電腦端+手機(jī)端+微信端的三站合一,更高效的管理,為中小企業(yè)德江免費(fèi)做網(wǎng)站提供優(yōu)質(zhì)的服務(wù)。我們立足成都,凝聚了一批互聯(lián)網(wǎng)行業(yè)人才,有力地推動(dòng)了上千多家企業(yè)的穩(wěn)健成長(zhǎng),幫助中小企業(yè)通過(guò)網(wǎng)站建設(shè)實(shí)現(xiàn)規(guī)模擴(kuò)充和轉(zhuǎn)變。

      數(shù)據(jù)導(dǎo)入

      導(dǎo)入本地的或者web端的CSV文件;

      數(shù)據(jù)變換;

      數(shù)據(jù)統(tǒng)計(jì)描述;

      假設(shè)檢驗(yàn)

      單樣本t檢驗(yàn);

      可視化;

      創(chuàng)建自定義函數(shù)。

      數(shù)據(jù)導(dǎo)入

      1

      這是很關(guān)鍵的一步,為了后續(xù)的分析我們首先需要導(dǎo)入數(shù)據(jù)。通常來(lái)說(shuō),數(shù)據(jù)是CSV格式,就算不是,至少也可以轉(zhuǎn)換成CSV格式。在Python中,我們的操作如下:

      import pandas as pd

      # Reading data locally

      df = pd.read_csv('/Users/al-ahmadgaidasaad/Documents/d.csv')

      # Reading data from web

      data_url = ""

      df = pd.read_csv(data_url)

      為了讀取本地CSV文件,我們需要pandas這個(gè)數(shù)據(jù)分析庫(kù)中的相應(yīng)模塊。其中的read_csv函數(shù)能夠讀取本地和web數(shù)據(jù)。

      END

      數(shù)據(jù)變換

      1

      既然在工作空間有了數(shù)據(jù),接下來(lái)就是數(shù)據(jù)變換。統(tǒng)計(jì)學(xué)家和科學(xué)家們通常會(huì)在這一步移除分析中的非必要數(shù)據(jù)。我們先看看數(shù)據(jù)(下圖)

      對(duì)R語(yǔ)言程序員來(lái)說(shuō),上述操作等價(jià)于通過(guò)print(head(df))來(lái)打印數(shù)據(jù)的前6行,以及通過(guò)print(tail(df))來(lái)打印數(shù)據(jù)的后6行。當(dāng)然Python中,默認(rèn)打印是5行,而R則是6行。因此R的代碼head(df, n = 10),在Python中就是df.head(n = 10),打印數(shù)據(jù)尾部也是同樣道理

      請(qǐng)點(diǎn)擊輸入圖片描述

      2

      在R語(yǔ)言中,數(shù)據(jù)列和行的名字通過(guò)colnames和rownames來(lái)分別進(jìn)行提取。在Python中,我們則使用columns和index屬性來(lái)提取,如下:

      # Extracting column names

      print df.columns

      # OUTPUT

      Index([u'Abra', u'Apayao', u'Benguet', u'Ifugao', u'Kalinga'], dtype='object')

      # Extracting row names or the index

      print df.index

      # OUTPUT

      Int64Index([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78], dtype='int64')

      3

      數(shù)據(jù)轉(zhuǎn)置使用T方法,

      # Transpose data

      print df.T

      # OUTPUT

      0 ? ? ?1 ? ? 2 ? ? ?3 ? ? 4 ? ? ?5 ? ? 6 ? ? ?7 ? ? 8 ? ? ?9

      Abra ? ? ?1243 ? 4158 ?1787 ?17152 ?1266 ? 5576 ? 927 ?21540 ?1039 ? 5424

      Apayao ? ?2934 ? 9235 ?1922 ?14501 ?2385 ? 7452 ?1099 ?17038 ?1382 ?10588

      Benguet ? ?148 ? 4287 ?1955 ? 3536 ?2530 ? ?771 ?2796 ? 2463 ?2592 ? 1064

      Ifugao ? ?3300 ? 8063 ?1074 ?19607 ?3315 ?13134 ?5134 ?14226 ?6842 ?13828

      Kalinga ?10553 ?35257 ?4544 ?31687 ?8520 ?28252 ?3106 ?36238 ?4973 ?40140

      ... ? ? ? 69 ? ? 70 ? ? 71 ? ? 72 ? ? 73 ? ? 74 ? ? 75 ? ? 76 ? ? 77

      Abra ? ? ... ? ?12763 ? 2470 ?59094 ? 6209 ?13316 ? 2505 ?60303 ? 6311 ?13345

      Apayao ? ... ? ?37625 ?19532 ?35126 ? 6335 ?38613 ?20878 ?40065 ? 6756 ?38902

      Benguet ?... ? ? 2354 ? 4045 ? 5987 ? 3530 ? 2585 ? 3519 ? 7062 ? 3561 ? 2583

      Ifugao ? ... ? ? 9838 ?17125 ?18940 ?15560 ? 7746 ?19737 ?19422 ?15910 ?11096

      Kalinga ?... ? ?65782 ?15279 ?52437 ?24385 ?66148 ?16513 ?61808 ?23349 ?68663

      78

      Abra ? ? ?2623

      Apayao ? 18264

      Benguet ? 3745

      Ifugao ? 16787

      Kalinga ?16900

      Other transformations such as sort can be done using codesort/code attribute. Now let's extract a specific column. In Python, we do it using either codeiloc/code or codeix/code attributes, but codeix/code is more robust and thus I prefer it. Assuming we want the head of the first column of the data, we have

      4

      其他變換,例如排序就是用sort屬性。現(xiàn)在我們提取特定的某列數(shù)據(jù)。Python中,可以使用iloc或者ix屬性。但是我更喜歡用ix,因?yàn)樗€(wěn)定一些。假設(shè)我們需數(shù)據(jù)第一列的前5行,我們有:

      print df.ix[:, 0].head()

      # OUTPUT 0 ? ? 1243 1 ? ? 4158 2 ? ? 1787 3 ? ?17152 4 ? ? 1266 Name: Abra, dtype: int64

      5

      順便提一下,Python的索引是從0開始而非1。為了取出從11到20行的前3列數(shù)據(jù),我們有

      print df.ix[10:20, 0:3]

      # OUTPUT

      Abra ?Apayao ?Benguet

      10 ? ?981 ? ?1311 ? ? 2560

      11 ?27366 ? 15093 ? ? 3039

      12 ? 1100 ? ?1701 ? ? 2382

      13 ? 7212 ? 11001 ? ? 1088

      14 ? 1048 ? ?1427 ? ? 2847

      15 ?25679 ? 15661 ? ? 2942

      16 ? 1055 ? ?2191 ? ? 2119

      17 ? 5437 ? ?6461 ? ? ?734

      18 ? 1029 ? ?1183 ? ? 2302

      19 ?23710 ? 12222 ? ? 2598

      20 ? 1091 ? ?2343 ? ? 2654

      上述命令相當(dāng)于df.ix[10:20, ['Abra', 'Apayao', 'Benguet']]。

      6

      為了舍棄數(shù)據(jù)中的列,這里是列1(Apayao)和列2(Benguet),我們使用drop屬性,如下:

      print df.drop(df.columns[[1, 2]], axis = 1).head()

      # OUTPUT

      Abra ?Ifugao ?Kalinga

      0 ? 1243 ? ?3300 ? ?10553

      1 ? 4158 ? ?8063 ? ?35257

      2 ? 1787 ? ?1074 ? ? 4544

      3 ?17152 ? 19607 ? ?31687

      4 ? 1266 ? ?3315 ? ? 8520

      axis?參數(shù)告訴函數(shù)到底舍棄列還是行。如果axis等于0,那么就舍棄行。

      END

      統(tǒng)計(jì)描述

      1

      下一步就是通過(guò)describe屬性,對(duì)數(shù)據(jù)的統(tǒng)計(jì)特性進(jìn)行描述:

      print df.describe()

      # OUTPUT

      Abra ? ? ? ?Apayao ? ? ?Benguet ? ? ? ?Ifugao ? ? ? Kalinga

      count ? ? 79.000000 ? ? 79.000000 ? ?79.000000 ? ? 79.000000 ? ? 79.000000

      mean ? 12874.379747 ?16860.645570 ?3237.392405 ?12414.620253 ?30446.417722

      std ? ?16746.466945 ?15448.153794 ?1588.536429 ? 5034.282019 ?22245.707692

      min ? ? ?927.000000 ? ?401.000000 ? 148.000000 ? 1074.000000 ? 2346.000000

      25% ? ? 1524.000000 ? 3435.500000 ?2328.000000 ? 8205.000000 ? 8601.500000

      50% ? ? 5790.000000 ?10588.000000 ?3202.000000 ?13044.000000 ?24494.000000

      75% ? ?13330.500000 ?33289.000000 ?3918.500000 ?16099.500000 ?52510.500000

      max ? ?60303.000000 ?54625.000000 ?8813.000000 ?21031.000000 ?68663.000000

      END

      假設(shè)檢驗(yàn)

      1

      Python有一個(gè)很好的統(tǒng)計(jì)推斷包。那就是scipy里面的stats。ttest_1samp實(shí)現(xiàn)了單樣本t檢驗(yàn)。因此,如果我們想檢驗(yàn)數(shù)據(jù)Abra列的稻谷產(chǎn)量均值,通過(guò)零假設(shè),這里我們假定總體稻谷產(chǎn)量均值為15000,我們有:

      from scipy import stats as ss

      # Perform one sample t-test using 1500 as the true mean

      print ss.ttest_1samp(a = df.ix[:, 'Abra'], popmean = 15000)

      # OUTPUT

      (-1.1281738488299586, 0.26270472069109496)

      返回下述值組成的元祖:

      t : 浮點(diǎn)或數(shù)組類型t統(tǒng)計(jì)量

      prob : 浮點(diǎn)或數(shù)組類型two-tailed p-value 雙側(cè)概率值

      2

      通過(guò)上面的輸出,看到p值是0.267遠(yuǎn)大于α等于0.05,因此沒(méi)有充分的證據(jù)說(shuō)平均稻谷產(chǎn)量不是150000。將這個(gè)檢驗(yàn)應(yīng)用到所有的變量,同樣假設(shè)均值為15000,我們有:

      print ss.ttest_1samp(a = df, popmean = 15000)

      # OUTPUT

      (array([ -1.12817385, ? 1.07053437, -65.81425599, ?-4.564575 ?, ? 6.17156198]),

      array([ ?2.62704721e-01, ? 2.87680340e-01, ? 4.15643528e-70,

      1.83764399e-05, ? 2.82461897e-08]))

      第一個(gè)數(shù)組是t統(tǒng)計(jì)量,第二個(gè)數(shù)組則是相應(yīng)的p值

      END

      可視化

      1

      Python中有許多可視化模塊,最流行的當(dāng)屬matpalotlib庫(kù)。稍加提及,我們也可選擇bokeh和seaborn模塊。之前的博文中,我已經(jīng)說(shuō)明了matplotlib庫(kù)中的盒須圖模塊功能。

      請(qǐng)點(diǎn)擊輸入圖片描述

      2

      # Import the module for plotting

      import matplotlib.pyplot as plt

      plt.show(df.plot(kind = 'box'))

      現(xiàn)在,我們可以用pandas模塊中集成R的ggplot主題來(lái)美化圖表。要使用ggplot,我們只需要在上述代碼中多加一行,

      import matplotlib.pyplot as plt

      pd.options.display.mpl_style = 'default' # Sets the plotting display theme to ggplot2

      df.plot(kind = 'box')

      3

      這樣我們就得到如下圖表:

      請(qǐng)點(diǎn)擊輸入圖片描述

      4

      比matplotlib.pyplot主題簡(jiǎn)潔太多。但是在本文中,我更愿意引入seaborn模塊,該模塊是一個(gè)統(tǒng)計(jì)數(shù)據(jù)可視化庫(kù)。因此我們有:

      # Import the seaborn library

      import seaborn as sns

      # Do the boxplot

      plt.show(sns.boxplot(df, widths = 0.5, color = "pastel"))

      請(qǐng)點(diǎn)擊輸入圖片描述

      5

      多性感的盒式圖,繼續(xù)往下看。

      請(qǐng)點(diǎn)擊輸入圖片描述

      6

      plt.show(sns.violinplot(df, widths = 0.5, color = "pastel"))

      請(qǐng)點(diǎn)擊輸入圖片描述

      7

      plt.show(sns.distplot(df.ix[:,2], rug = True, bins = 15))

      請(qǐng)點(diǎn)擊輸入圖片描述

      8

      with sns.axes_style("white"):

      plt.show(sns.jointplot(df.ix[:,1], df.ix[:,2], kind = "kde"))

      請(qǐng)點(diǎn)擊輸入圖片描述

      9

      plt.show(sns.lmplot("Benguet", "Ifugao", df))

      END

      創(chuàng)建自定義函數(shù)

      在Python中,我們使用def函數(shù)來(lái)實(shí)現(xiàn)一個(gè)自定義函數(shù)。例如,如果我們要定義一個(gè)兩數(shù)相加的函數(shù),如下即可:

      def add_2int(x, y):

      return x + y

      print add_2int(2, 2)

      # OUTPUT

      4

      順便說(shuō)一下,Python中的縮進(jìn)是很重要的。通過(guò)縮進(jìn)來(lái)定義函數(shù)作用域,就像在R語(yǔ)言中使用大括號(hào){…}一樣。這有一個(gè)我們之前博文的例子:

      產(chǎn)生10個(gè)正態(tài)分布樣本,其中和

      基于95%的置信度,計(jì)算和?;

      重復(fù)100次; 然后

      計(jì)算出置信區(qū)間包含真實(shí)均值的百分比

      Python中,程序如下:

      import numpy as np

      import scipy.stats as ss

      def case(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):

      m = np.zeros((rep, 4))

      for i in range(rep):

      norm = np.random.normal(loc = mu, scale = sigma, size = n)

      xbar = np.mean(norm)

      low = xbar - ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))

      up = xbar + ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))

      if (mu low) (mu up):

      rem = 1

      else:

      rem = 0

      m[i, :] = [xbar, low, up, rem]

      inside = np.sum(m[:, 3])

      per = inside / rep

      desc = "There are " + str(inside) + " confidence intervals that contain "

      "the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"

      return {"Matrix": m, "Decision": desc}

      上述代碼讀起來(lái)很簡(jiǎn)單,但是循環(huán)的時(shí)候就很慢了。下面針對(duì)上述代碼進(jìn)行了改進(jìn),這多虧了?Python專家

      import numpy as np

      import scipy.stats as ss

      def case2(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):

      scaled_crit = ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))

      norm = np.random.normal(loc = mu, scale = sigma, size = (rep, n))

      xbar = norm.mean(1)

      low = xbar - scaled_crit

      up = xbar + scaled_crit

      rem = (mu low) (mu up)

      m = np.c_[xbar, low, up, rem]

      inside = np.sum(m[:, 3])

      per = inside / rep

      desc = "There are " + str(inside) + " confidence intervals that contain "

      "the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"

      return {"Matrix": m, "Decision": desc}

      python中怎樣讓數(shù)據(jù)列轉(zhuǎn)置

      需求:

      你需要轉(zhuǎn)置一個(gè)二維數(shù)組,將行列互換.

      討論:

      你需要確保該數(shù)組的行列數(shù)都是相同的.比如:

      arr = [[1, 2, 3], [4, 5, 6], [7,8, 9], [10, 11, 12]]

      列表遞推式提供了一個(gè)簡(jiǎn)便的矩陣轉(zhuǎn)置的方法:

      print [[r[col] for r in arr] for col in range(len(arr[0]))]

      [[1, 4, 7, 10], [2, 5, 8, 11],[3, 6, 9, 12]]

      另一個(gè)更快和高級(jí)一些的方法,可以使用zip函數(shù):

      print map(list,

      zip(*arr))

      本節(jié)提供了關(guān)于矩陣轉(zhuǎn)置的兩個(gè)方法,一個(gè)比較清晰簡(jiǎn)單,另一個(gè)比較快速但有些隱晦.

      有時(shí)候,數(shù)據(jù)到來(lái)的時(shí)候使用錯(cuò)誤的方式,比如,你使用微軟的ADO接口訪問(wèn)數(shù)據(jù)庫(kù),由于Python和MS在語(yǔ)言實(shí)現(xiàn)上的差別.

      Getrows方法在Python中可能返回的是列值,和方法的名稱不同.本節(jié)給的出的方法就是這個(gè)問(wèn)題常見(jiàn)的解決方案,一個(gè)更清晰,一個(gè)更快速.

      在列表遞推式版本中,內(nèi)層遞推式表示選則什么(行),外層遞推式表示選擇者(列).這個(gè)過(guò)程完成后就實(shí)現(xiàn)了轉(zhuǎn)置.

      在zip版本中,我們使用*arr語(yǔ)法將一維數(shù)組傳遞給zip做為參數(shù),接著,zip返回一個(gè)元組做為結(jié)果.然后我們對(duì)每一個(gè)元組使用list方法,產(chǎn)生了列表的列表(即矩陣).因?yàn)槲覀儧](méi)有直接將zip的結(jié)果表示為list,

      所以我們可以我們可以使用itertools.izip來(lái)稍微的提高效率(因?yàn)閕zip并沒(méi)有將數(shù)據(jù)在內(nèi)存中組織為列表).

      import itertools

      print map(list,

      itertools.izip(*arr))

      但是,在特定的情況下,上面的方法對(duì)效率的微弱提升不能彌補(bǔ)對(duì)復(fù)雜度的增加.

      關(guān)于*args和**kwds語(yǔ)法:

      *args(實(shí)際上,*號(hào)后面跟著變量名)語(yǔ)法在Python中表示傳遞任意的位置變量,當(dāng)你使用這個(gè)語(yǔ)法的時(shí)候(比如,你在定義函數(shù)時(shí)使用),Python將這個(gè)變量和一個(gè)元組綁定,并保留所有的位置信息,

      而不是具體的變量.當(dāng)你使用這個(gè)方法傳遞參數(shù)時(shí),變量可以是任意的可迭代對(duì)象(其實(shí)可以是任何表達(dá)式,只要返回值是迭代器).

      **kwds語(yǔ)法在Python中用于接收命名參數(shù).當(dāng)你用這個(gè)方式傳遞參數(shù)時(shí),Python將變量和一個(gè)dict綁定,保留所有命名參數(shù),而不是具體的變量值.當(dāng)你傳遞參數(shù)時(shí),變量必須是dict類型(或者是返回值為dict類型的表達(dá)式).

      如果你要轉(zhuǎn)置很大的數(shù)組,使用Numeric Python或其它第三方包,它們定義了很多方法,足夠讓你頭暈的.

      相關(guān)說(shuō)明:

      zip(...)

      zip(seq1 [,

      seq2 [...]]) - [(seq1[0], seq2[0] ...),

      (...)]

      Return a

      list of tuples, where each tuple contains the i-th element

      from each of

      the argument sequences. The returned list is truncated

      in length to

      the length of the shortest argument sequence.

      Python基礎(chǔ) numpy中的常見(jiàn)函數(shù)有哪些

      有些Python小白對(duì)numpy中的常見(jiàn)函數(shù)不太了解,今天小編就整理出來(lái)分享給大家。

      Numpy是Python的一個(gè)科學(xué)計(jì)算的庫(kù),提供了矩陣運(yùn)算的功能,其一般與Scipy、matplotlib一起使用。其實(shí),list已經(jīng)提供了類似于矩陣的表示形式,不過(guò)numpy為我們提供了更多的函數(shù)。

      數(shù)組常用函數(shù)

      1.where()按條件返回?cái)?shù)組的索引值

      2.take(a,index)從數(shù)組a中按照索引index取值

      3.linspace(a,b,N)返回一個(gè)在(a,b)范圍內(nèi)均勻分布的數(shù)組,元素個(gè)數(shù)為N個(gè)

      4.a.fill()將數(shù)組的所有元素以指定的值填充

      5.diff(a)返回?cái)?shù)組a相鄰元素的差值構(gòu)成的數(shù)組

      6.sign(a)返回?cái)?shù)組a的每個(gè)元素的正負(fù)符號(hào)

      7.piecewise(a,[condlist],[funclist])數(shù)組a根據(jù)布爾型條件condlist返回對(duì)應(yīng)元素結(jié)果

      8.a.argmax(),a.argmin()返回a最大、最小元素的索引

      改變數(shù)組維度

      a.ravel(),a.flatten():將數(shù)組a展平成一維數(shù)組

      a.shape=(m,n),a.reshape(m,n):將數(shù)組a轉(zhuǎn)換成m*n維數(shù)組

      a.transpose,a.T轉(zhuǎn)置數(shù)組a

      數(shù)組組合

      1.hstack((a,b)),concatenate((a,b),axis=1)將數(shù)組a,b沿水平方向組合

      2.vstack((a,b)),concatenate((a,b),axis=0)將數(shù)組a,b沿豎直方向組合

      3.row_stack((a,b))將數(shù)組a,b按行方向組合

      4.column_stack((a,b))將數(shù)組a,b按列方向組合

      數(shù)組分割

      1.split(a,n,axis=0),vsplit(a,n)將數(shù)組a沿垂直方向分割成n個(gè)數(shù)組

      2.split(a,n,axis=1),hsplit(a,n)將數(shù)組a沿水平方向分割成n個(gè)數(shù)組

      數(shù)組修剪和壓縮

      1.a.clip(m,n)設(shè)置數(shù)組a的范圍為(m,n),數(shù)組中大于n的元素設(shè)定為n,小于m的元素設(shè)定為m

      2.a.compress()返回根據(jù)給定條件篩選后的數(shù)組

      數(shù)組屬性

      1.a.dtype數(shù)組a的數(shù)據(jù)類型

      2.a.shape數(shù)組a的維度

      3.a.ndim數(shù)組a的維數(shù)

      4.a.size數(shù)組a所含元素的總個(gè)數(shù)

      5.a.itemsize數(shù)組a的元素在內(nèi)存中所占的字節(jié)數(shù)

      6.a.nbytes整個(gè)數(shù)組a所占的內(nèi)存空間7.a.astype(int)轉(zhuǎn)換a數(shù)組的類型為int型

      數(shù)組計(jì)算

      1.average(a,weights=v)對(duì)數(shù)組a以權(quán)重v進(jìn)行加權(quán)平均

      2.mean(a),max(a),min(a),middle(a),var(a),std(a)數(shù)組a的均值、最大值、最小值、中位數(shù)、方差、標(biāo)準(zhǔn)差

      3.a.prod()數(shù)組a的所有元素的乘積

      4.a.cumprod()數(shù)組a的元素的累積乘積

      5.cov(a,b),corrcoef(a,b)數(shù)組a和b的協(xié)方差、相關(guān)系數(shù)

      6.a.diagonal()查看矩陣a對(duì)角線上的元素7.a.trace()計(jì)算矩陣a的跡,即對(duì)角線元素之和

      以上就是numpy中的常見(jiàn)函數(shù)。更多Python學(xué)習(xí)推薦:PyThon學(xué)習(xí)網(wǎng)教學(xué)中心。

      python中transpose是什么意思

      我先來(lái)一個(gè)舉例:

      arr = np.arange(16).reshape((2, 2, 4))

      arr的array是這樣的

      array([[[ 0, 1, 2, 3],

      [ 4, 5, 6, 7]],

      [[ 8, 9, 10, 11],

      [12, 13, 14, 15]]])

      我們對(duì)arr進(jìn)行transpose轉(zhuǎn)置,arr2 = arr.transpose((1,0,2)),結(jié)果是這樣:

      array([[[ 0, 1, 2, 3],

      [ 8, 9, 10, 11]],

      [[ 4, 5, 6, 7],

      [12, 13, 14, 15]]])

      這是怎么來(lái)的呢。

      arr.transpose((1,0,2))的1,0,2三個(gè)數(shù)分別代表shape()的三個(gè)數(shù)的順序,初始的shape是(2,2,4),也就是2維的2 x 4矩陣,索引分別是shape的[0],[1],[2],arr.transpose((1,0,2))之后,我們的索引就變成了shape[1][0][2],對(duì)應(yīng)shape值是shape(2,2,4),所以矩陣形狀不變。

      與此同時(shí),我們矩陣的索引也發(fā)生了類似變化,如arr中的4,索引是arr[0,1,0],arr中的5是arr[0,1,1],變成arr2后,4的位置應(yīng)該是在[1,0,0],5的位置變成[1,0,1],同理8的索引從[1,0,0]變成[0,1,0]。


      本文題目:python中轉(zhuǎn)置函數(shù) pytorch轉(zhuǎn)置函數(shù)的用法
      網(wǎng)頁(yè)地址:http://www.ef60e0e.cn/article/dojeeee.html
      99热在线精品一区二区三区_国产伦精品一区二区三区女破破_亚洲一区二区三区无码_精品国产欧美日韩另类一区
      1. <ul id="0c1fb"></ul>

        <noscript id="0c1fb"><video id="0c1fb"></video></noscript>
        <noscript id="0c1fb"><listing id="0c1fb"><thead id="0c1fb"></thead></listing></noscript>

        平湖市| 弋阳县| 特克斯县| 靖远县| 水城县| 抚顺县| 大兴区| 铁岭市| 苍南县| 古丈县| 辽源市| 襄城县| 囊谦县| 安乡县| 包头市| 弥勒县| 普陀区| 郧西县| 蓬安县| 神池县| 宜黄县| 怀化市| 佛山市| 大同市| 乌恰县| 高台县| 龙胜| 双辽市| 大余县| 朝阳区| 禹州市| 奈曼旗| 乐平市| 建水县| 昌吉市| 定结县| 旬阳县| 兖州市| 昭苏县| 东兰县| 河西区|