python 日期 random fromiter flags.writeable np.ndenumerate, np.ndindex put函数,take函数 flat flaten python

python 日期 random fromiter flags.writeablenp.ndenumerate, np.ndindex put函数,take函数 flat flaten nditer
获得昨天，今天，明天的日期

>>> yesterday = np.datetime64('today','D') - np.timedelta64(1,'D') >>> print ("Yesterday is " + str(yesterday)) Yesterday is 2020-04-07 >>> today = np.datetime64('today', 'D') >>> print ("Today is " + str(today)) Today is 2020-04-08 >>> tomorrow = np.datetime64('today', 'D') + np.timedelta64(1, 'D') >>> print ("Tomorrow is "+ str(tomorrow)) Tomorrow is 2020-04-09

得到所有与2016年7月对应的日期

>>> Z = np.arange('2016-07', '2016-08', dtype='datetime64[D]') >>> print(Z) ['2016-07-01' '2016-07-02' '2016-07-03' '2016-07-04' '2016-07-05' '2016-07-06' '2016-07-07' '2016-07-08' '2016-07-09' '2016-07-10' '2016-07-11' '2016-07-12' '2016-07-13' '2016-07-14' '2016-07-15' '2016-07-16' '2016-07-17' '2016-07-18' '2016-07-19' '2016-07-20' '2016-07-21' '2016-07-22' '2016-07-23' '2016-07-24' '2016-07-25' '2016-07-26' '2016-07-27' '2016-07-28' '2016-07-29' '2016-07-30' '2016-07-31']

函数名功能
numpy.ceil(x,)向正无穷取整
numpy.floor(x,)向负无穷取整
numpy.trunc/fix(x,)截取整数部分
numpy.rint(x,)四舍五入到最近整数
numpy.around(x,)四舍五入到给定的小数位

>>> Z = np.random.uniform(0,10,10) >>> print (Z) [9.04622028.14654078 7.70186988 0.17435766 4.38675584.07389774 9.93885826 6.11428093 1.23498679 4.53191938] >>> print (Z - Z%1) [9. 8. 7. 0. 4. 4. 9. 6. 1. 4.] >>> print(np.floor(Z)) [9. 8. 7. 0. 4. 4. 9. 6. 1. 4.] >>> print (np.ceil(Z)) [10.9.8.1.5.5. 10.7.2.5.] >>> print (np.ceil(Z)-1) [9. 8. 7. 0. 4. 4. 9. 6. 1. 4.] >>> print (Z.astype(int)) [9 8 7 0 4 4 9 6 1 4] >>> print (np.trunc(Z)) [9. 8. 7. 0. 4. 4. 9. 6. 1. 4.]

fromiter
fromiter（iterable，dtype，count = -1）
从可迭代对象创建新的1维数组。

>>> def generate(): ...for x in range(10): ...yield x ... >>> Z = np.fromiter(generate(),dtype=float,count=-1) >>> print(Z) [0. 1. 2. 3. 4. 5. 6. 7. 8. 9.] >>> print(range(10)) range(0, 10) >>> print(np.arange(10)) [0 1 2 3 4 5 6 7 8 9]

flags.writeable
创建一个只读数组(read-only)

>>> Z=np.zeros(10) >>> Z.flags.writeable=False >>> Z[0] =1 Traceback (most recent call last): File "", line 1, in ValueError: assignment destination is read-only

打印每个numpy标量类型的最小值和最大值

>>> for dtype in [np.int8, np.int32, np.int64]: ...print(np.iinfo(dtype).min) ...print(np.iinfo(dtype).max) ... -128 127 -2147483648 2147483647 -9223372036854775808 9223372036854775807>>> for dtype in [np.float32, np.float64]: ...print(np.finfo(dtype).min) ...print(np.finfo(dtype).max) ...print(np.finfo(dtype).eps) ... -3.4028235e+38 3.4028235e+38 1.1920929e-07 -1.7976931348623157e+308 1.7976931348623157e+308 2.220446049250313e-16

np.ndenumerate, np.ndindex

>>> Z = np.arange(9).reshape(3,3) >>> for index, value in np.ndenumerate(Z): ...print (index, value) ... (0, 0) 0 (0, 1) 1 (0, 2) 2 (1, 0) 3 (1, 1) 4 (1, 2) 5 (2, 0) 6 (2, 1) 7 (2, 2) 8 >>> for index in np.ndindex(Z.shape): ...print (index, Z[index]) ... (0, 0) 0 (0, 1) 1 (0, 2) 2 (1, 0) 3 (1, 1) 4 (1, 2) 5 (2, 0) 6 (2, 1) 7 (2, 2) 8

numpy put函数,take函数

numpy中take函数和put函数有着与神奇索引类似的作用，take函数可以用于获取数组子集，而put函数可以设置数组子集。
话不多说，直接上例子：
#take函数
arr = np.arange(6)*100 #arr初始化为array( [0,100,200,300,400,500])
inds = [4,3,2]
arr.take(inds)
#相当于从arr序列中依次获取索引为4,3,2位置上的元素，因此输出为array([400,300,200])
#put函数
arr = np.arange(6)*100 #arr初始化为array( [0,100,200,300,400,500])
inds = [4,3,2]
arr.put(inds, 11)
#相当于将arr序列中索引为4,3,2位置上的元素用11来替换，因此输出为array([0,100,11,11,11,500])

np.random.choice()

#numpy.random.choice(a, size=None, replace=True, p=None)
#从a(只要是ndarray都可以，但必须是一维的)中随机抽取数字，并组成指定大小(size)的数组
#replace:True表示可以取相同数字，False表示不可以取相同数字
#数组p：与数组a相对应，表示取数组a中每个元素的概率，默认为选取每个元素的概率相同。

np.random
https://www.jianshu.com/p/85ec63259c4e

numpy.ndarray.flat/flatten
https://blog.csdn.net/bubble_story/article/details/79531495
ndarray.flat

A 1-D iterator over the array. /将数组转换为1-D的迭代器 /
flat返回的是一个迭代器，可以用for访问数组每一个元素

import numpy as np a = np.arange(4).reshape(2,2) print(a) for i in a.flat: print(i) #迭代器可以用list进行输出 print(list(a.flat)) print(type(a.flat))#返回类型为 numpy.flatiter #可以用索引对迭代器进行引号 a.flat[3]

[[0 1] [2 3]] 0 1 2 3 [0, 1, 2, 3] 3

ndarray.flatten(order=’C’)

Return a copy of the array collapsed into one dimension.
将数组的副本转换为一个维度，并返回

可选参数，order：{‘C’,‘F’,‘A’,‘K’}

‘C’：C-style，行序优先
‘F’：Fortran-style，列序优先
‘A’：if a is Fortran contiguous in memory ,flatten in column_major order
‘K’：按照元素在内存出现的顺序进行排序
默认为’C’

举例如下:

a = np.array([[4,5],[4,9]]) #默认按行转换 b= a.flatten() print(b) #换成列来划分 c = a.flatten('F') print(c)

[4 5 4 9] [4 4 5 9]

NumPy 迭代数组 nditer https://www.runoob.com/numpy/numpy-terating-over-array.html

numpy.bincount详解 https://blog.csdn.net/xlinsist/article/details/51346523

python 日期 random fromiter flags.writeable np.ndenumerate, np.ndindex put函数,take函数 flat flaten

文章图片

大致说bin的数量比x中的最大值大1，每个bin给出了它的索引值在x中出现的次数。

# 我们可以看到x中最大的数为7，因此bin的数量为8，那么它的索引值为0->7 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])# 我们可以看到x中最大的数为7，因此bin的数量为8，那么它的索引值为0->7 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])

weights这个参数。文档说，如果weights参数被指定，那么x会被它加权，也就是说，如果值n发现在位置i，那么out[n] += weight[i]而不是out[n] += 1.**因此，我们weights的大小必须与x相同，否则报错。

w = np.array([0.3, 0.5, 0.2, 0.7, 1., -0.6]) # 我们可以看到x中最大的数为4，因此bin的数量为5，那么它的索引值为0->4 x = np.array([2, 1, 3, 4, 4, 3]) # 索引0 -> 0 # 索引1 -> w[1] = 0.5 # 索引2 -> w[0] = 0.3 # 索引3 -> w[2] + w[5] = 0.2 - 0.6 = -0.4 # 索引4 -> w[3] + w[4] = 0.7 + 1 = 1.7 np.bincount(x,weights=w) # 因此，输出结果为：array([ 0. ,0.5,0.3, -0.4,1.7])

最后，我们来看一下minlength这个参数。文档说，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）

# 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])

【python 日期 random fromiter flags.writeable np.ndenumerate, np.ndindex put函数,take函数 flat flaten】