python-向量处理

发表于 | Edited on | 分类于
Symbols count in article： 1.5k | Reading time ≈ 3 mins.

  • 1.向量堆叠。

    {.line-numbers}
    1
    2
    3
    4
    5
    6
    x = [1,2,3,1]
    m_v = np.vstack([x,x])
    #array([[1, 2, 3, 1],
    #       [1, 2, 3, 1]])
    m_h = np.hstack([x,x])
    #array([1, 2, 3, 1, 1, 2, 3, 1])

  • 2.获取numpy array 数组的最值及其索引。

    {.line-numbers}
    1
    2
    3
    4
    5
    6
    7
    8
    ret = np.where(m_v == np.min(m_v))
    print(ret)
    #(array([0, 1], dtype=int64), array([0, 0], dtype=int64))  
    # tuple 类型数据
    ret[0]
    #array([0, 1], dtype=int64)
    ret[0][1]
    #1

  • 3.numpy 的axis机制
    以np.sum()为例:234的输入 指定在维度axis上进行求和 得到的输出会不会再有该axis。
    如np.sum(b,axis = 0)后的shape为3*4

    {.line-numbers}
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    >>> a = np.linspace(1,24,num=24)
    >>> a.reshape((2,3,4))
    array([[[ 1.,  2.,  3.,  4.],
            [ 5.,  6.,  7.,  8.],
            [ 9., 10., 11., 12.]],

           [[13., 14., 15., 16.],
            [17., 18., 19., 20.],
            [21., 22., 23., 24.]]])
    >>> a
    array([ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10., 11., 12., 13.,
           14., 15., 16., 17., 18., 19., 20., 21., 22., 23., 24.])
    >>> b = a.reshape((2,3,4))
    >>> b
    array([[[ 1.,  2.,  3.,  4.],
            [ 5.,  6.,  7.,  8.],
            [ 9., 10., 11., 12.]],

           [[13., 14., 15., 16.],
            [17., 18., 19., 20.],
            [21., 22., 23., 24.]]])
    >>> np.sum(b,axis = 0)
    array([[14., 16., 18., 20.],
           [22., 24., 26., 28.],
           [30., 32., 34., 36.]])
    >>> np.sum(b,axis = 1)
    array([[15., 18., 21., 24.],
           [51., 54., 57., 60.]])
    >>> np.sum(b,axis = 2)
    array([[10., 26., 42.],
           [58., 74., 90.]])

  • 4 numpy.reshape
    np.reshape(x,(H,W,-1))
    其中-1表示自动推断