Numpy技巧

np.argsort(list)

argsort函数返回的是数组值从小到大的索引值

np.log()和np.exp()

1 2 3 4 5

a = np.log(10) 2.30258509299 b = np.exp(a) 10.0

np.bincount()

在非负整数数组中计算每个值的次数。

1 2 3 4 5 6 7 8 9 10 11

x = np.array([0, 1, 1, 3, 2, 1, 7]) # 索引0出现了1次，索引1出现了3次......索引5出现了0次...... np.bincount(x) #因此，输出结果为：array([1, 3, 1, 1, 0, 0, 0, 1]) x = np.array([7, 6, 2, 1, 4]) # 索引0出现了0次，索引1出现了1次......索引5出现了0次...... np.bincount(x) #输出结果为：array([0, 1, 1, 0, 1, 0, 1, 1])

如果minlength被指定，那么输出数组中bin的数量至少为它指定的数（如果必要的话，bin的数量会更大，这取决于x）

1 2 3 4 5 6 7 8 9 10 11

# 我们可以看到x中最大的数为3，因此bin的数量为4，那么它的索引值为0->3 x = np.array([3, 2, 1, 3, 1]) # 本来bin的数量为4，现在我们指定了参数为7，因此现在bin的数量为7，所以现在它的索引值为0->6 np.bincount(x, minlength=7) # 因此，输出结果为：array([0, 2, 1, 2, 0, 0, 0]) # 我们可以看到x中最大的数为3，因此bin的数量为4，那么它的索引值为0->3 x = np.array([3, 2, 1, 3, 1]) # 本来bin的数量为4，现在我们指定了参数为1，那么它指定的数量小于原本的数量，因此这个参数失去了作用，索引值还是0->3 np.bincount(x, minlength=1) # 因此，输出结果为：array([0, 2, 1, 2])

np.ones_like()

返回与给定数组一样形状的各个位置均为1的矩阵

1 2 3 大专栏  Numpy技巧 class="line">4 5 6 7 8

x = np.arange(6) x = x.reshape((2, 3)) x array([[0, 1, 2], [3, 4, 5]]) np.ones_like(x) array([[1, 1, 1], [1, 1, 1]])

np.eye()

生成单位矩阵

1 2 3 4 5 6

np.eye(5, dtype=float) [[ 1. 0. 0. 0. 0.] [ 0. 1. 0. 0. 0.] [ 0. 0. 1. 0. 0.] [ 0. 0. 0. 1. 0.] [ 0. 0. 0. 0. 1.]]

numpy.random.RandomState.uniform

从均匀分布中抽取样本。

样品均匀分布在半开区间[low，high)(包括低，但不包括高)。换句话说，给定区间内的任何值都同样可能被均匀抽取。

1 2 3 4 5 6 7

matrix = np.random.uniform(low=-0.1, high=0.1,size=(5,5)) [[-0.00600973 -0.00504933 0.02940658 0.08732409 -0.06275549] [ 0.03665056 -0.05661787 -0.04970316 0.04048853 0.03820367] [ 0.00304319 0.03092026 0.09509651 0.07155621 0.06756137] [ 0.01997299 -0.08168592 0.09852984 0.03795403 0.00385968] [-0.0735317 0.01449163 -0.04123698 0.03660972 0.03571927]]

numpy.random.RandomState.binomial(n, p, size=None)

表示对一个二项分布进行采样（size表示采样的次数，draw samples from a binomial distribution.），参数中的n, p分别对应于公式中的n,p，函数的返回值表示n中成功（success）的次数（也即N）。