几个 numpy 函数的使用1. numpy.in1d2. numpy.where2.1 np.where(condition)2.2 np.where(condition, x, y) 1. numpy.in1d函数功能：检查第一个数组中的每个元素是否也存在于第二个数组中。 函数原型：numpy.in1d(ar1, ar2, assume_unique=False, invert=False)
Numpy数据的输入输出import numpy as np
import os
# 先设置一下工作路径
# 在写路径的时候，如果直接拷贝路径过来的话会所“\”的斜杠，我个人习惯前面加上r，防止对字符串进行转义。这里就不需要将“\”改成“/”.
os.chdir(r'E:\Jupyter\test')
# 或者写出os.chdir('E:/Jupyter/test')一、读取写入.npy文件# 写
转载
2024-08-02 20:49:51
41阅读
在 Python 的数值计算中，`numpy` 是一个极其关键的库，它为数组和数值计算提供了强有力的支持。然而，有时在计算过程中会遇到元素全为 `inf` 的数组，这通常是由于数值溢出或无效操作造成的。在这篇博文中，我将详细介绍如何解决这一问题，涵盖环境准备、分步指导、配置详解、验证测试、优化技巧和扩展应用。
## 环境准备
在解决 Python `numpy` 元素全为 `inf` 的数组问
文章目录一、Ndarray对象二、数据类型三、创建数组四、数组索引1. 基于下标索引2. 整数数组索引3. 布尔索引4. 花式索引五、广播（Broadcast）六、迭代访问数组元素1. 遍历2. 修改元素值3. 广播迭代七、数组属性八、函数（一） 操作函数1. 修改形状函数2. 翻转数组函数3. 修改维度函数4. 连接数组函数5. 分割数组函数6. 添加删除元素函数（二） 数学函数1. 三角函数
转载
2023-11-07 08:14:13
90阅读
# 使用 NumPy 生成全是 inf 的矩阵
在数据科学和机器学习中，矩阵是一种非常常见的数据结构。Python 中有一个强大的库叫做 NumPy，它为我们提供了丰富的工具来处理数组和矩阵。在本文中，我们将探讨如何使用 NumPy 生成一个全是无穷大（`inf`）的矩阵，并讨论一些相关的概念，同时将通过图表和示例代码来阐明这些概念。
## 什么是无穷大 (inf)？
在数学中，无穷大是一个
原创
2024-09-24 06:30:27
285阅读
# Python生成Numpy数组的步骤
作为一名经验丰富的开发者，我将指导你如何使用Python生成Numpy数组。Numpy是Python中的一个常用科学计算库，它提供了高性能的多维数组对象和一些用于操作数组的工具。生成Numpy数组可以帮助我们快速处理和分析数据。
## 整体流程
下面是生成Numpy数组的整体流程的表格展示：
| 步骤 | 描述
原创
2023-11-02 06:19:53
43阅读
一.改变数组形态reshape()——通过改变数组的维度改变数组形态import numpy as npArray=np.arange(1,17,1)
ArrayArray_1=np.arange(1,17,1).reshape(4,4) #将数据从(16.)变为（4，4）
Array_1Array_2=np.arange(1,17,1).reshape(4,2,2)#将数据从(16.)变为（4，
转载
2024-06-04 11:43:42
89阅读
文章目录numpy数组一、基于数组对象1. array和asarray2. frombuffer3. fromiter二、基于构造函数1. empty2. zeros3. ones三、基于数值范围1. arange2. linspace3. logspace numpy数组NumPy 最重要的一个特点是其 N 维数组对象 ndarray，用于存放同类型数据的集合，内部结构如下：一个指向数据（内存
转载
2023-08-11 10:56:11
111阅读
IEEE 754 floating point representation of (positive) infinity.ReturnsyfloatA floating point representation of positive infinity.See Alsoisinf : Shows which elements are positive or negative ...
原创
2021-08-12 22:24:23
197阅读
文章目录一、NumPy 简介1. 为什么要使用 NumPy2. NumPy 数据类型3. NumPy 数组属性4. NumPy 的 ndarray 对象二、numpy.array() 创建数组1. 基础理论2. 基础操作演示3. numpy.array() 参数详解三、numpy.arange() 生成区间数组四、numpy.linspace() 创建等差数列五、numpy.logspace()
转载
2024-04-16 12:54:22
100阅读
在使用numpy数组的过程中时常会出现nan或者inf的元素，可能会造成数值计算时的一些错误。这里提供一个numpy库函数的用法，使nan和inf能够最简单地转换成相应的数值。 numpy.nan_to_num(x): 使用0代替数组x中的nan元素，使用有限的数字代替inf元素使用范例：>>>import numpy as np>>&g...
原创
2021-08-12 21:49:56
1396阅读
一、nan和inf的简介 nan 不是一个数字 读取本地文件为flaot的时候，有缺失 inf(infinity): 无穷尽 inf: 正无穷 -inf: 负无穷 数据类型：float # 注意： 要想直接赋值nan和inf需要修改数组的数据类型为float 二、nan中的注意点 1、两个nan是不
原创
2021-07-14 13:43:31
498阅读
Numpy数组1.Numpy数组对象Numpy中的多维数组称为ndarray,他有两个组成部分。1.数据本身2.描述数据的元数据2.Numpy的数值类型bool: 布尔型
inti：其长度取决于平台的整数（通常为int32或int64）
int8:字节类型
int16：整型
int32：整型
int64：整型
uint8：无符号整型
uint16:无符号整型
uint32:无符号整型
uint64
转载
2023-10-11 12:49:59
1741阅读
文章目录一、标准数组的创建1.1 numpy.empty 创建空数组1.2 numpy.zeros 创建0数组1.3 numpy.ones 创建1数组二、创建一般数组2.0 利用list 创建数组 numpy.array2.1 利用list 创建数组 numpy.asarray2.2 利用可迭代对象创建数组 numpy.fromiter2.3 利用数值范围创建数组 numpy.arange2.4
转载
2023-11-14 09:20:45
290阅读
# Python NumPy 生成三维数组的指南
在数据科学和数值计算的世界中，Python的NumPy库以其高效的数组操作而著称。三维数组是许多科学和工程应用中的一种重要数据结构，广泛用于图像处理、深度学习、物理模拟等领域。本文将深入探讨如何使用NumPy生成三维数组，并提供简单易懂的代码示例。
## 1. NumPy简介
NumPy（Numerical Python）是一个开源的Pyth
NumPy 数据类型numpy 支持的数据类型比 Python 内置的类型要多很多，基本上可以和 C 语言的数据类型对应上，其中部分类型对应为 Python 内置的类型。下表列举了常用 NumPy 基本类型。名称描述bool_布尔型数据类型（True 或者 False）int_默认的整数类型（类似于 C 语言中的 long，int32 或 int64）intc与 C 的 int 类型一样，一般是
转载
2023-07-05 20:59:50
133阅读
1.1 调用numpy的array()函数。格式： array(object, dtype=None, *, copy=True, order='K', subok=False, ndmin=0,like=None)返回值： ndarray,满足具体要求的数组。参数说明：参数类型说明objectarray_likeAn array, any object exposing the array in
转载
2023-06-23 15:46:28
142阅读
Python自带的numpy是深度学习最常用的库之一，作为深度学习入门，只需要掌握创建数组、索引、类型转换、维度变换即可，其他在深度学习中不是很常用，等要用到的时候看看函数API就行。1.创建数组1.1 使用 ones，empty， zeros生成数组，形参shape=[2,3]为2行3列的维度#in:
np.ones(shape=[2,3]) #[2，3]为2行3列的维度
#out:
转载
2023-11-10 06:42:17
908阅读
一、Python----数据分析-numpy.数组中常用的统计函数假设有一个二维数组tt = np.arange(24).
原创
2022-08-12 11:52:50
658阅读
Python列表和Numpy数组的区别： Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。使用Python列表可以存储一维数组，通过列表的嵌套可以实现多维数组，那么为什么还需要使用Numpy呢？Numpy是专门针对数组的操作和运算进行了设计，所以数组的存储效率和输入输出性能远优于Python中的嵌套列表，数组越大，Numpy的优势就越明显。通常Numpy数组
转载
2023-08-23 09:48:31
143阅读
