50個(gè)常用的 Numpy 函數(shù)詳解
創(chuàng)建數(shù)組
1、Array
它用于創(chuàng)建一維或多維數(shù)組
numpy.array(object,?dtype=None,?*,
????????????copy=True,?order='K',?subok=False,?ndmin=0,?like=None)
Dtype:生成數(shù)組所需的數(shù)據(jù)類型。??
ndim:指定生成數(shù)組的最小維度數(shù)。
import?numpy?as?np
np.array([1,2,3,4,5])
----------------
array([1,?2,?3,?4,?5,?6])
還可以使用此函數(shù)將pandas的df和series轉(zhuǎn)為NumPy數(shù)組。
sex?=?pd.Series(['Male','Male','Female'])
np.array(sex)
------------------------
array(['Male',?'Male',?'Female'],?dtype=object)
2、Linspace
創(chuàng)建一個(gè)具有指定間隔的浮點(diǎn)數(shù)的數(shù)組。
numpy.linspace(start,?stop,?num=50,?endpoint=True,
???????????????retstep=False,?dtype=None,?axis=0)[source]
start:起始數(shù)字
end:結(jié)束
Num:要生成的樣本數(shù)，默認(rèn)為50。
np.linspace(10,100,10)
--------------------------------
array([?10.,?20.,?30.,?40.,?50.,?60.,?70.,?80.,?90.,?100.])
3、Arange
在給定的間隔內(nèi)返回具有一定步長(zhǎng)的整數(shù)。
numpy.arange([start,?]stop,?[step,?]dtype=None,?*,?like=None)
step:數(shù)值步長(zhǎng)。
np.arange(5,10,2)
-----------------------
array([5,?7,?9])
4、Uniform
在上下限之間的均勻分布中生成隨機(jī)樣本。
numpy.random.uniform(low=0.0,?high=1.0,?size=None)
np.random.uniform(5,10,size?=?4)
------------
array([6.47445571,?5.60725873,?8.82192327,?7.47674099])
np.random.uniform(size?=?5)
------------
array([0.83358092,?0.41776134,?0.72349553])
np.random.uniform(size?=?(2,3))
------------
array([[0.7032511?,?0.63212039,?0.6779683?],
??????[0.81150812,?0.26845613,?0.99535264]])
5、Random.randint
在一個(gè)范圍內(nèi)生成n個(gè)隨機(jī)整數(shù)樣本。
numpy.random.randint(low,?high=None,?size=None,?dtype=int)
np.random.randint(5,10,10)
------------------------------
array([6,?8,?9,?9,?7,?6,?9,?8,?5,?9])
6、Random.random
生成n個(gè)隨機(jī)浮點(diǎn)數(shù)樣本。
numpy.random.random(size=None)
np.random.random(3)
---------------------------
array([0.87656396,?0.24706716,?0.98950278])
7、Logspace
在對(duì)數(shù)尺度上生成間隔均勻的數(shù)字。
numpy.logspace(start,?stop,?num=50,?endpoint=True,
???????????????base=10.0,?dtype=None,?axis=0)
Start:序列的起始值。
End:序列的最后一個(gè)值。
endpoint:如果為True，最后一個(gè)樣本將包含在序列中。
base:底數(shù)。默認(rèn)是10。
np.logspace(0,10,5,base=2)
------------------
array([1.00000000e+00,?5.65685425e+00,?
???????3.20000000e+01,?1.81019336e+02,1.02400000e+03])
8、zeroes
np.zeroes會(huì)創(chuàng)建一個(gè)全部為0的數(shù)組。
numpy.zeros(shape,?dtype=float,?order='C',?*,?like=None)
shape:陣列的形狀。
Dtype:生成數(shù)組所需的數(shù)據(jù)類型。' int '或默認(rèn)' float '
np.zeros((2,3),dtype='int')
---------------
array([[0,?0,?0],
??????[0,?0,?0]])
np.zeros(5)
-----------------
array([0.,?0.,?0.,?0.,?0.])
9、ones
np.ones函數(shù)創(chuàng)建一個(gè)全部為1的數(shù)組。
numpy.ones(shape,?dtype=None,?order='C',?*,?like=None)
np.ones((3,4))
------------------
array([[1.,?1.,?1.,?1.],
??????[1.,?1.,?1.,?1.],
??????[1.,?1.,?1.,?1.]])
10、full
創(chuàng)建一個(gè)單獨(dú)值的n維數(shù)組。
numpy.full(shape,?fill_value,?dtype=None,?order='C',?*,?like=None)
fill_value:填充值。
np.full((2,4),fill_value=2)
--------------
array([[2,?2,?2,?2],
??????[2,?2,?2,?2]])(2,4)?:??????
11、Identity
創(chuàng)建具有指定維度的單位矩陣。
numpy.identity(n,?dtype=None,?*,?like=None)
np.identity(4)
----------
array([[1.,?0.,?0.,?0.],
??????[0.,?1.,?0.,?0.],
??????[0.,?0.,?1.,?0.],
??????[0.,?0.,?0.,?1.]])#?????????????????????`?????`
數(shù)組操作
12、min
返回?cái)?shù)組中的最小值。
np.min(a,?axis=None,?out=None,?keepdims=,
???????initial=,?where=)
axis:用于操作的軸。
out:用于存儲(chǔ)輸出的數(shù)組。
arr?=?np.array([1,1,2,3,3,4,5,6,6,2])
np.min(arr)
----------------
1
13、max
返回?cái)?shù)組中的最大值。
np.max(a,?axis=None,out=None)
np.max(arr)
------------------
6
14、unique
返回一個(gè)所有唯一元素排序的數(shù)組。
numpy.unique(ar,?return_index=False,?return_inverse=False,?return_counts=False,?axis=None,?*,?equal_nan=True)
return_index:如果為True，返回?cái)?shù)組的索引。
return_inverse:如果為True，返回唯一數(shù)組的下標(biāo)。
return_counts:如果為True，返回?cái)?shù)組中每個(gè)唯一元素出現(xiàn)的次數(shù)。
axis:要操作的軸。默認(rèn)情況下，數(shù)組被認(rèn)為是扁平的。
np.unique(arr,return_counts=True)
---------------------
(
array([1,?2,?3,?4,?5,?6]),?????????????##?Unique?elements
array([2,?2,?2,?1,?1,?2],?dtype=int64)?##?Count
)
15、mean
返回?cái)?shù)組的平均數(shù)
numpy.mean(a,?axis=None,?dtype=None,?out=None)
np.mean(arr,dtype='int')
-------------------------------
3
16、medain
返回?cái)?shù)組的中位數(shù)。
numpy.medain(a,?axis=None,?out=None)
arr?=?np.array([[1,2,3],[5,8,4]])
np.median(arr)
-----------------------------
3.5
17、digitize
返回輸入數(shù)組中每個(gè)值所屬的容器的索引。
numpy.digitize(x,?bins,?right=False)[source]
bin：容器的數(shù)組。
right:表示該間隔是否包括右邊或左邊的bin。
a?=?np.array([-0.9,?0.5,?0.9,?1,?1.2,?1.4,?3.6,?4.7,?5.3])
bins?=?np.array([0,1,2,3])
np.digitize(a,bins)
-------------------------------
array([0,?1,?1,?2,?2,?2,?4,?4,?4],?dtype=int64)
Exp???????Value
x?0?????:???0
0?<=?x?<1?:???1
1?<=?x?<2?:???2
2?<=?x?<3?:???3
3?<=x?????:???4
Compares?-0.9?to?0,?here?x?0?so?Put?0?in?resulting?array.
Compares?0.5?to?0,?here?0?<=?x?<1?so?Put?1.
Compares?5.4?to?4,?here?3<=x?so?Put?4
18、reshape
它是NumPy中最常用的函數(shù)之一。它返回一個(gè)數(shù)組，其中包含具有新形狀的相同數(shù)據(jù)。
numpy.reshape(shap)
A?=?np.random.randint(15,size=(4,3))
A
----------------------
array([[?8,?14,?1],
??????[?8,?11,?4],
??????[?9,?4,?1],
??????[13,?13,?11]])
A.reshape(3,4)
-----------------
array([[?8,?14,?1,?8],
??????[11,?4,?9,?4],
??????[?1,?13,?13,?11]])
A.reshape(-1)??
-------------------
array([?8,?14,?1,?8,?11,?4,?9,?4,?1,?13,?13,?11])
19、expand_dims
它用于擴(kuò)展數(shù)組的維度。
numpy.expand_dims(a,?axis)
arr?=?np.array([?8,?14,?1,?8,?11,?4,?9,?4,?1,?13,?13,?11])
np.expand_dims(A,axis=0)
-------------------------
array([[?8,?14,?1,?8,?11,?4,?9,?4,?1,?13,?13,?11]])
np.expand_dims(A,axis=1)
---------------------------
array([[?8],
??????[14],
??????[?1],
??????[?8],
??????[11],
??????[?4],
??????[?9],
??????[?4],
??????[?1],
??????[13],
??????[13],
??????[11]])
20、squeeze
通過(guò)移除一個(gè)單一維度來(lái)降低數(shù)組的維度。
np.squeeze(a,?axis=None)
arr?=?np.array([[?8],[14],[?1],[?8],[11],[?4],[?9],[?4],[?1],[13],[13],[11]])
np.squeeze(arr)
---------------------------
array([?8,?14,?1,?8,?11,?4,?9,?4,?1,?13,?13,?11])
21、count_nonzero
計(jì)算所有非零元素并返回它們的計(jì)數(shù)。
numpy.count_nonzero(a,?axis=None,?*,?keepdims=False)
a?=?np.array([0,0,1,1,1,0])
np.count_nonzero(a)
--------------------------
3
22、argwhere
查找并返回非零元素的所有下標(biāo)。
numpy.argwhere(a)
a?=?np.array([0,0,1,1,1,0])
np.argwhere(a)
---------------------
array([[2],[3],[4]],?dtype=int64)
23、argmax & argmin
argmax返回?cái)?shù)組中Max元素的索引。它可以用于多類圖像分類問(wèn)題中獲得高概率預(yù)測(cè)標(biāo)簽的指標(biāo)。
numpy.argmax(a,?axis=None,?out=None,?*,?keepdims=)
arr?=?np.array([[0.12,0.64,0.19,0.05]])
np.argmax(arr)
---------
1
argmin將返回?cái)?shù)組中min元素的索引。
numpy.argmin(a,?axis=None,?out=None,?*,?keepdims=)
np.argmin(min)
------
3
24、sort
對(duì)數(shù)組排序。
numpy.sort(a,?axis=-?1,?kind=None,?order=None)
kind:要使用的排序算法。{‘quicksort’, ‘mergesort’, ‘heapsort’, ‘stable’}
arr?=?np.array([2,3,1,7,4,5])
np.sort(arr)
----------------
array([1,?2,?3,?4,?5,?7])
25、abs
numpy.absolute(x,?/,?out=None,?*,?
???????????????where=True,?casting='same_kind',?
???????????????order='K',?dtype=None,?
???????????????subok=True[,?signature,?extobj])?=?'absolute'>
返回?cái)?shù)組中元素的絕對(duì)值。當(dāng)數(shù)組中包含負(fù)數(shù)時(shí)，它很有用。
A?=?np.array([[1,-3,4],[-2,-4,3]])np.abs(A)
---------------
array([[1,?3,?4],
??????[2,?4,?3]])
26、round
將浮點(diǎn)值四舍五入到指定數(shù)目的小數(shù)點(diǎn)。
numpy.around(a,?decimals=0,?out=None)
decimals:要保留的小數(shù)點(diǎn)的個(gè)數(shù)。
a?=?np.random.random(size=(3,4))
a
-----
array([[0.81695699,?0.42564822,?0.65951417,?0.2731807?],
??????[0.7017702?,?0.12535894,?0.06747666,?0.55733467],
??????[0.91464488,?0.26259026,?0.88966237,?0.59253923]])
?????
np.round(a,decimals=0)
------------
array([[1.,?0.,?1.,?1.],
??????[1.,?1.,?1.,?1.],
??????[0.,?1.,?0.,?1.]])
np.round(a,decimals=1)
-------------
array([[0.8,?0.?,?0.6,?0.6],
??????[0.5,?0.7,?0.7,?0.8],
??????[0.3,?0.9,?0.5,?0.7]])
27、clip
numpy.clip(a,?a_min,?a_max,?out=None,?**kwargs)
它可以將數(shù)組的裁剪值保持在一個(gè)范圍內(nèi)。
arr?=?np.array([0,1,-3,-4,5,6,7,2,3])
arr.clip(0,5)
-----------------
array([0,?1,?0,?0,?5,?5,?5,?2,?3])
arr.clip(0,3)
------------------
array([0,?1,?0,?0,?3,?3,?3,?2,?3])
arr.clip(3,5)
------------------
array([3,?3,?3,?3,?5,?5,?5,?3,?3])
替換數(shù)組中的值
28、where
返回滿足條件的數(shù)組元素。
numpy.where(condition,?[x,?y,?]/)
condition:匹配的條件。如果true則返回x，否則y。
a?=?np.arange(12).reshape(4,3)
a
-------
array([[?0,?1,?2],
??????[?3,?4,?5],
??????[?6,?7,?8],
??????[?9,?10,?11]])
?????
np.where(a>5)?????##?Get?The?Index
--------------------
(array([2,?2,?2,?3,?3,?3],?dtype=int64),
array([0,?1,?2,?0,?1,?2],?dtype=int64))
a[np.where(a>5)]?##?Get?Values
--------------------------
array([?6,?7,?8,?9,?10,?11])
它還可以用來(lái)替換pandas df中的元素。
np.where(data[feature].isnull(),?1,?0)
29、put
用給定的值替換數(shù)組中指定的元素。
numpy.put(a,?ind,?v)
a:數(shù)組
Ind:需要替換的索引
V:替換值
arr?=?np.array([1,2,3,4,5,6])
arr
--------
array([1,?2,?3,?4,?5,?6])
np.put(arr,[1,2],[6,7])
arr
--------
array([1,?6,?7,?4,?5,?6])
30、copyto
將一個(gè)數(shù)組的內(nèi)容復(fù)制到另一個(gè)數(shù)組中。
numpy.copyto(dst,?src,?casting='same_kind',?where=True)
dst：目標(biāo)
src：來(lái)源
arr1?=?np.array([1,2,3])
arr2?=?np.array([4,5,6])
print("Before?arr1",arr1)
print("Before?arr2",arr1)
np.copyto(arr1,arr2)
print("After?arr1",arr1)
print("After?arr2",arr2)
---------------------------
Before?arr1?[1?2?3]
Before?arr2?[4?5?6]
After?arr1?[4?5?6]
After?arr2?[4?5?6]
集合操作
31、查找公共元素
intersect1d函數(shù)以排序的方式返回兩個(gè)數(shù)組中所有唯一的值。
numpy.intersect1d(ar1,?ar2,?assume_unique=False,?return_indices=False)
Assume_unique:如果為真值，則假設(shè)輸入數(shù)組都是唯一的。
Return_indices:如果為真，則返回公共元素的索引。
ar1?=?np.array([1,2,3,4,5,6])
ar2?=?np.array([3,4,5,8,9,1])
np.intersect1d(ar1,ar2)
---------------
array([1,?3,?4,?5])
np.intersect1d(ar1,ar2,return_indices=True)
---------------
(array([1,?3,?4,?5]),?????????????????##?Common?Elements
array([0,?2,?3,?4],?dtype=int64),????
array([5,?0,?1,?2],?dtype=int64))
32、查找不同元素
numpy.setdiff1d(ar1,?ar2,?assume_unique=False)
np.setdiff1d函數(shù)返回arr1中在arr2中不存在的所有唯一元素。
a?=?np.array([1,?7,?3,?2,?4,?1])
b?=?np.array([9,?2,?5,?6,?7,?8])
np.setdiff1d(a,?b)
---------------------
array([1,?3,?4])
33、從兩個(gè)數(shù)組中提取唯一元素
numpy.setxor1d(ar1,?ar2,?assume_unique=False)
Setxor1d 將按順序返回兩個(gè)數(shù)組中所有唯一的值。
a?=?np.array([1,?2,?3,?4,?6])
b?=?np.array([1,?4,?9,?4,?36])
np.setxor1d(a,b)
--------------------
array([?2,?3,?6,?9,?36])
34、合并
numpy.union1d(ar1,?ar2)
Union1d函數(shù)將兩個(gè)數(shù)組合并為一個(gè)。
a?=?np.array([1,?2,?3,?4,?5])
b?=?np.array([1,?3,?5,?4,?36])
np.union1d(a,b)
-------------------
array([?1,?2,?3,?4,?5,?36])
數(shù)組分割
35、水平分割
numpy.hsplit(ary,?indices_or_sections)
Hsplit函數(shù)將數(shù)據(jù)水平分割為n個(gè)相等的部分。
A?=?np.array([[3,4,5,2],[6,7,2,6]])
np.hsplit(A,2)???##?splits?the?data?into?two?equal?parts
---------------
[?array([[3,?4],[6,?7]]),?array([[5,?2],[2,?6]])?]
np.hsplit(A,4)???##?splits?the?data?into?four?equal?parts
-----------------
[?array([[3],[6]]),?array([[4],[7]]),
??array([[5],[2]]),?array([[2],[6]])?]
36、垂直分割
numpy.vsplit(ary,?indices_or_sections)
Vsplit將數(shù)據(jù)垂直分割為n個(gè)相等的部分。
A?=?np.array([[3,4,5,2],[6,7,2,6]])
np.vsplit(A,2)
----------------
[?array([[3,?4,?5,?2]]),?array([[6,?7,?2,?6]])?]
數(shù)組疊加
37、水平疊加
numpy.hstack(tup)
hstack 將在另一個(gè)數(shù)組的末尾追加一個(gè)數(shù)組。
a?=?np.array([1,2,3,4,5])
b?=?np.array([1,4,9,16,25])
np.hstack((a,b))
---------------------
array([?1,?2,?3,?4,?5,?1,?4,?9,?16,?25])
38、垂直疊加
numpy.vstack(tup)
vstack將一個(gè)數(shù)組堆疊在另一個(gè)數(shù)組上。
np.vstack((a,b))
----------------------
array([[?1,?2,?3,?4,?5],
??????[?1,?4,?9,?16,?25]])
數(shù)組比較
39、allclose
numpy.allclose(a,?b,?rtol=1e-05,?atol=1e-08,?equal_nan=False)
如果兩個(gè)數(shù)組的形狀相同，則Allclose函數(shù)根據(jù)公差值查找兩個(gè)數(shù)組是否相等或近似相等。
a?=?np.array([0.25,0.4,0.6,0.32])
b?=?np.array([0.26,0.3,0.7,0.32])
tolerance?=?0.1???????????##?Total?Difference
np.allclose(a,b,tolerance)
---------
False
tolerance?=?0.5
np.allclose(a,b,tolerance)
----------
True
40、equal
numpy.equal(x1,?x2,?/,?out=None,?*,?
????????????where=True,?casting='same_kind',?
????????????order='K',?dtype=None,?subok=True[,?signature,?extobj]
???????????)?=?'equal'>
它比較兩個(gè)數(shù)組的每個(gè)元素，如果元素匹配就返回True。
np.equal(arr1,arr2)
-------------
array([?True,?True,?True,?False,?True,?True])
重復(fù)的數(shù)組元素
41、repeat
它用于重復(fù)數(shù)組中的元素n次。
numpy.repeat(a,?repeats,?axis=None)
A:重復(fù)的元素
Repeats:重復(fù)的次數(shù)。
np.repeat('2017',3)
---------------------
array(['2017',?'2017',?'2017'],?dtype=')
我們來(lái)看一個(gè)更實(shí)際的示例，我們有一個(gè)包含按年數(shù)量銷售的數(shù)據(jù)集。
fruits?=?pd.DataFrame([
??['Mango',40],
??['Apple',90],
??['Banana',130]
],columns=['Product','ContainerSales'])
fruits
在數(shù)據(jù)集中，缺少年份列。我們嘗試使用numpy添加它。
fruits['year']?=?np.repeat(2020,fruits.shape[0])
fruits
42、tile
通過(guò)重復(fù)A，rep次來(lái)構(gòu)造一個(gè)數(shù)組。
numpy.title(A,?reps)
np.tile("Ram",5)
-------
array(['Ram',?'Ram',?'Ram',?'Ram',?'Ram'],?dtype=')
np.tile(3,(2,3))
-------
array([[3,?3,?3],
??????[3,?3,?3]])
愛因斯坦求和
43、einsum
umpy.einsum(subscripts,?*operands,?out=None,?
????????????dtype=None,?order='K',?
????????????casting='safe',?optimize=False)
此函數(shù)用于計(jì)算數(shù)組上的多維和線性代數(shù)運(yùn)算。
a?=?np.arange(1,10).reshape(3,3)
b?=?np.arange(21,30).reshape(3,3)
np.einsum('ii->i',a)
------------
array([1,?5,?9])
np.einsum('ji',a)
------------
array([[1,?4,?7],
??????[2,?5,?8],
??????[3,?6,?9]])
?????
np.einsum('ij,jk',a,b)
------------
array([[150,?156,?162],
??????[366,?381,?396],
??????[582,?606,?630]])
?????
p.einsum('ii',a)
----------
15
統(tǒng)計(jì)分析
44、直方圖
numpy.histogram(a,?bins=10,?range=None,?
????????????????normed=None,?weights=None,?density=None)
這是Numpy的重要統(tǒng)計(jì)分析函數(shù)，可計(jì)算一組數(shù)據(jù)的直方圖值。
A?=?np.array([[3,?4,?5,?2],
????????????[6,?7,?2,?6]])
np.histogram(A)
-------------------
(array([2,?0,?1,?0,?1,?0,?1,?0,?2,?1],?dtype=int64),
array([2.?,?2.5,?3.?,?3.5,?4.?,?4.5,?5.?,?5.5,?6.?,?6.5,?7.?]))
45、百分位數(shù)
沿指定軸計(jì)算數(shù)據(jù)的Q-T-T百分位數(shù)。
numpy.percentile(a,?q,?axis=None,?out=None,?
?????????????????overwrite_input=False,?method='linear',?
?????????????????keepdims=False,?*,?
?????????????????interpolation=None)[source]
a:輸入。
q:要計(jì)算的百分位。
overwrite_input:如果為true，則允許輸入數(shù)組修改中間計(jì)算以節(jié)省內(nèi)存。
a?=?np.array([[2,?4,?6],?[4,?8,?12]])
np.percentile(a,?50)
-----------
5.0
np.percentile(a,?10)
------------
3.0
arr?=?np.array([2,3,4,1,6,7])
np.percentile(a,5)
------------
2.5
46、標(biāo)準(zhǔn)偏差
numpy.std(a,?axis=None,?dtype=None,?out=None,?
??????????ddof=0,?keepdims=,?*,?
??????????where=)
std用于計(jì)算沿軸的標(biāo)準(zhǔn)偏差。
a?=?np.array([[2,?4,?6],?[4,?8,?12]])
np.std(a,axis=1)
--------
array([1.63299316,?3.26598632])
np.std(a,axis=0)???##?Column?Wise
--------
array([1.,?2.,?3.])
47、方差
numpy.var(a,?axis=None,?dtype=None,?out=None,?
??????????ddof=0,?keepdims=,?*,?
??????????where=)
var用于計(jì)算沿軸的方差。
a?=?np.array([[2,?4,?6],?[4,?8,?12]])
np.var(a,axis=1)
-------------------
array([?2.66666667,?10.66666667])
np.var(a,axis=0)
-------------------
array([1.,?4.,?9.])
數(shù)組打印
48、顯示帶有兩個(gè)十進(jìn)制值的浮點(diǎn)數(shù)
numpy.set_printoptions(precision=None,?threshold=None,?edgeitems=None,?
???????????????????????linewidth=None,?suppress=None,?nanstr=None,?infstr=None,?
???????????????????????formatter=None,?sign=None,?floatmode=None,?*,
???????????????????????legacy=None)
np.set_printoptions(precision=2)
a?=?np.array([12.23456,?32.34535])
print(a)
------------
array([12.23,32.34])
設(shè)置打印數(shù)組最大值
np.set_printoptions(threshold=np.inf)
增加一行中元素的數(shù)量
np.set_printoptions(linewidth=100)?##?默認(rèn)是?75
保存和加載數(shù)據(jù)
49、保存
numpy.savetxt(fname,?X,?fmt='%.18e',?delimiter='?',?
??????????????newline='\n',?header='',?footer='',?
??????????????comments='#?',?encoding=None)
savetxt用于在文本文件中保存數(shù)組的內(nèi)容。
arr?=?np.linspace(10,100,500).reshape(25,20)
np.savetxt('array.txt',arr)
50、加載
numpy.loadtxt(fname,?dtype=<class?'float'>,?comments='#',?delimiter=None,
??????????????converters=None,?skiprows=0,?usecols=None,?unpack=False,?
??????????????ndmin=0,?encoding='bytes',?max_rows=None,?*,?
??????????????quotechar=None,?like=None)
用于從文本文件加載數(shù)組，它以文件名作為參數(shù)。
np.loadtxt('array.txt')
以上就是50個(gè)numpy常用的函數(shù)，希望對(duì)你有所幫助。
數(shù)據(jù)分析入門：統(tǒng)計(jì)學(xué)基礎(chǔ)知識(shí)總結(jié)
可能是全網(wǎng)最全的速查表：Python Numpy Pandas Matplotlib 機(jī)器學(xué)習(xí) ChatGPT
評(píng)論
圖片
表情