# 卧谈会之numpy

```{ 上一段
} 下一段
```

## 1.访问数组

```import numpy as np
a = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]])
print(a)
# 获取第3列所有数据
print(a[:,2])
```

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

```print(a[[0, 1, 2], [0, 1, 0]])
```

```[1 6 9]
```

np.array生成一维度数组，一维数组的元素通过上述的普通法访问得到。

```print(np.array([a[0, 0], a[1, 1], a[2, 0]]))
```

```b = np.array([0, 2, 1])
print(a[np.arange(3),b])
```

```[ 1  7 10]
```

`np.arrange(3)`得到0，1，2个数，每次取出其中一个元素进行访问，上述便转换为a[0，0]，a[1，2]，a[2，1] 分别为1 7 9 10，也就是上述输出的结果!

```bool_index = (a > 3)
print(bool_index)
print(a[bool_index])
print(a[a>3])
```

```[[False False False  True]
[ True  True  True  True]
[ True  True  True  True]]
[ 4  5  6  7  8  9 10 11 12]
[ 4  5  6  7  8  9 10 11 12]
```

numpy数组间的基础运算是一对一，也就是a.shape==b.shape，但是当两者不一样的时候，就会自动触发广播机制，如下例子：

```from numpy import array
a = array([[ 0, 0, 0],
[10,10,10],
[20,20,20],
[30,30,30]])
b = array([0,1,2])
print(a+b)
```

```[[ 0  1  2]
[10 11 12]
[20 21 22]
[30 31 32]]
```

```# 对[0,1,2]行重复3次，列重复1次
b = np.tile([0,1,2],(4,1))
print(a+b)
```

```[[ 0  1  2]
[10 11 12]
[20 21 22]
[30 31 32]]
```

```             axis:   0     1   2
a      (3d array): 256 x 256 x 3
b      (2d array):       256 x 3
a + b  (2d array): 256 x 256 x 3
```

they are equal, or one of them is 1

```             axis:   0     1   2
a      (3d array): 256 x 256 x 3
b      (2d array):       256 x 3
a + b  (2d array): 256 x 256 x 3
```

```             axis:   0     1   2
a      (3d array): 256 x 256 x 1
b      (2d array):        1  x 3
a + b  (2d array): 256 x 256 x 3
```

```             axis:   0     1   2
a1      (3d array): 256 x 256 x 1
b      (2d array):       220 x 3
a1 + b  ValueError
```

```             axis:   0     1   2   3
a2      (4d array): 256 x 256 x 1 x 1
b      (2d array):           220 x 3
a2 + b  (4d array): 256 x 256 x 220 x 3
```

`a2 = a1[:,:,np.newaxis,:]`即可！

## 3.np.bincount()

```x = np.array([1, 2, 3, 3, 0, 1, 4])
```

```np.bincount(x)
# [1 2 1 2 1]
```

```w = np.array([0.3,0.5,0.7,0.6,0.1,-0.9,1])
```

```np.bincount(x,weights=w)
```

```[ 0.1 -0.6  0.5  1.3  1. ]
```

```x --->  [1, 2, 3, 3, 0, 1, 4]
w --->  [0.3,0.5,0.7,0.6,0.1,-0.9,1]
```

bincount的另外一个参数为minlength，这个参数简单，可以这么理解，当所给的bin数量多于实际从x中得到的bin数量后，后面没有访问到的设置为0即可。

```[1 2 1 2 1 0 0]
```

## 4.np.argmax()

```x = [[1,3,3],
[7,5,2]]
print(np.argmax(x))
# 3
```

axis属性

axis=0表示按列操作，也就是对比当前列，找出最大值的索引！

```x = [[1,3,3],
[7,5,2]]
print(np.argmax(x,axis=0))
# [1 1 0]
```

axis=1表示按行操作，也就是对比当前行，找出最大值的索引！

```x = [[1,3,3],
[7,5,2]]
print(np.argmax(x,axis=0))
# [1 0]
```

```x = np.array([1, 3, 2, 3, 0, 1, 0])
print(x.argmax())
# 1
```

## 5.联合求解

```x = np.array([1, 2, 3, 3, 0, 1, 4])
print(np.argmax(np.bincount(x)))
```

0 条评论

• ### Numpy实战全集

0.导语1.Numpy基本操作1.1 列表转为矩阵1.2 维度1.3 行数和列数()1.4 元素个数2.Numpy创建array2.1 一维array创建2.1...

• ### Python基础长文

最近发的一些都是python的一些实际应用篇，今天落地，从基础出发，将我的python自学之路：本年4月开始学python的基础笔记，分享给各位，本文字数跟阅读...

• ### 【玩转腾讯云】深度学习之《深度学习入门》学习笔记（一）Python入门

最近学习吴恩达《Machine Learning》课程以及《深度学习入门：基于Python的理论与实现》书，一些东西总结了下。现就后者学习进行笔记总结。本文是本...

• ### 技术角 | 深度学习之《深度学习入门》学习笔记（一）Python入门

最近学习吴恩达《Machine Learning》课程以及《深度学习入门：基于Python的理论与实现》书，一些东西总结了下。现就后者学习进行笔记总结。本文是本...

• ### 说声谢谢!给你需要的NumPy知识

Python虽然是一门比较好入门的语言，相较于其他语言来说是一门比较简单的语言。不过有一个很重要的问题就是，即使Python 语言的很多方法不用手打都已经被封装...

• ### [机器学习实战札记] NumPy基础

<<机器学习实战>>一书非常注重实践，对每个算法的实现和使用示例都提供了python实现。在阅读代码的过程中，发现对NumPy有一定的了解有助于理解代码。特别是...

• ### 搭建模型第一步：你需要预习的NumPy基础都在这了

NumPy 主要的运算对象为同质的多维数组，即由同一类型元素（一般是数字）组成的表格，且所有元素通过正整数元组进行索引。在 NumPy 中，维度 (dimens...