python|numpy刷题——02 人工智能|数据挖掘

numpy错题整理02
文章目录

numpy错题整理02
- 自我介绍
- 资料来源
刷题
- Q2 摊平数组
- Q4 维数位置交换
- Q6. 去除多余的维数
- Q7 合成数组
- Q8 两个数组元素一一配对
- Q10 切割向量
- Q11 切割高维数组
- Q14 数组重复
- Q15 数组中的元素重复
- Q16 去除数组中前面和后面的0
- Q17 得到数组元素的直方图
总结

干货在最后总结哦
自我介绍我是深圳大学大三的一名大学生，未来想要从事数据分析的工作
从今天开始学习python相关库
第一步是学习numpy！！！
每天一节，加油！
这篇文章是我的第一篇博文，错题整理为个人复习用
资料来源资料来源：https://github.com/fengdu78/Data-Science-Notes
刷题 Q2 摊平数组 Let x be array [[1, 2, 3], [4, 5, 6]]. Convert it to [1 4 2 5 3 6].

x = np.arange(1,7).reshape(2,3) print(x) # x.flatten(order='K') x.flatten('F') ''' order : {'C', 'F', 'A', 'K'}, optional 'C' means to flatten in row-major (C-style) order. 'F' means to flatten in column-major (Fortran- style) order. 'A' means to flatten in column-major order if `a` is Fortran *contiguous* in memory, row-major order otherwise. 'K' means to flatten `a` in the order the elements occur in memory. The default is 'C'. '''

flatten方法的参数order中，’C’代表行为主，‘F’代表列为主
Q4 维数位置交换 Let x be an arbitrary 3-D array of shape (3, 4, 5). Permute the dimensions of x such that the new shape will be (4,3,5).

x = np.arange(3*4*5).reshape([3,4,5]) print(x) out1 =np.reshape(x,[4,3,5]) out2 = np.swapaxes(x,1,0) np.allclose(out1,out2) print('out1:',out1) print('out2:',out2)

可以看到reshape和swapaxes两个函数得到的是不一样的
reshape保留原来的顺序
swapaxes则是交换两个坐标轴
Q6. 去除多余的维数 Let x be an arbitrary 3-D array of shape (3, 4, 1). Remove a single-dimensional entries such that the new shape will be (3, 4).

# help(np.squeeze) 利用squeeze函数 x=np.zeros([3,4,1]) # 不指定axis的话就会去除所有长度为1的轴如果指定不是1的轴就会报错 # np.squeeze(x) # np.squeeze(x,axis=2)

Q7 合成数组 Lex x be an array
[[ 1 2 3]
[ 4 5 6].
and y be an array
[[ 7 8 9]
[10 11 12]].
Concatenate x and y so that a new array looks like
[[1, 2, 3, 7, 8, 9],
[4, 5, 6, 10, 11, 12]].

x = np.arange(1,7).reshape(2,3) y = np.arange(7,13).reshape(2,3) np.hstack((x,y)) #如果竖直合成则使用hstack

Q8 两个数组元素一一配对 Let x be an array [1 2 3] and y be [4 5 6]. Convert it to [[1, 4], [2, 5], [3, 6]].

# help(np.dstack) x = np.array([1,2,3]) y = np.array([4,5,6]) np.dstack((x,y))

Q10 切割向量 Let x be an array [1, 2, 3, …, 9]. Split x into 3 arrays, each of which has 4, 2, and 3 elements in the original order.

x = np.arange(1,10) # l = [x[:4],x[4:6],x[6:]] # l np.split(x,[4,6])

Q11 切割高维数组 Let x be an array
[[[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.]],
[[ 8., 9., 10., 11.],
[ 12., 13., 14., 15.]]].
Split it into two such that the first array looks like
[[[ 0., 1., 2.],
[ 4., 5., 6.]],
[[ 8., 9., 10.],
[ 12., 13., 14.]]].
and the second one look like:
[[[ 3.],
[ 7.]],
[[ 11.],
[ 15.]]].