100道numpy练习
来源：程序员人生 发布时间：2015-03-02 08:20:56 阅读次数：3913次
100道numpy练习
@author：wepon
@blog：http://blog.csdn.net/u012162613/article/details/42784403
今天在deeplearning.net上看theano tutorial，发现1个numpy⑴00-exercise，介绍numpy1些基本用法的，不过不是很具体，我利用闲暇时间照着敲了1些，权且当作翻译吧，增加函数的原型和详细介绍。延续更新。
1、初学者10道
1、在python环境中导入numpy包，并命名为np
>>> import numpy as np
2、查看numpy版本和配置信息
>>> print np.__version__
>>> np.__config__.show()
3、创建零向量，zeros函数
>>> z=np.zeros((2,3))
>>> print z
[[ 0. 0. 0.]
[ 0. 0. 0.]]
4、将上面的零向量的第2行第3列元素置为1。注意python中行列下班是从0开始。
>>>z[1,2]=1
>>> print z
[[ 0. 0. 0.]
[ 0. 0. 1.]]
5、arange函数，创建1个在给定范围的向量。
>>> z=np.arange(1,101) %1～100范围，注意不包括101
>>> print z
6、reshape函数，将array变形为矩阵
>>> Z = np.arange(9).reshape(3,3)
>>> print Z
[[0 1 2]
[3 4 5]
[6 7 8]]
7、nonzero函数，寻觅非0元素的下标
>>> nz=np.nonzero([1,2,3,0,0,4,0])
>>> nz
(array([0, 1, 2, 5]),)
8、eye函数，生成单位向量
>>> z=np.eye(3)
>>> print z
[[ 1. 0. 0.]
[ 0. 1. 0.]
[ 0. 0. 1.]]
9、diag函数，diagonal对角线。
>>> z=np.diag([1,2,3,4],k=0) %k=0，以[1,2,3,4]为对角线
>>> print z
[[1 0 0 0]
[0 2 0 0]
[0 0 3 0]
[0 0 0 4]]
>>> z=np.diag([1,2,3,4],k=1) %k=1，[1,2,3,4]在对角线上1行
>>> print z
[[0 1 0 0 0]
[0 0 2 0 0]
[0 0 0 3 0]
[0 0 0 0 4]
[0 0 0 0 0]]
>>> z=np.diag([1,2,3,4],k=⑴) %k=⑴，[1,2,3,4]在对角线下1行
>>> print z
[[0 0 0 0 0]
[1 0 0 0 0]
[0 2 0 0 0]
[0 0 3 0 0]
[0 0 0 4 0]]
10、random模块的random函数，生成随机数
>>> Z = np.random.random((3,3))
>>> print Z
[[ 0.95171484 0.61394126 0.38864802]
[ 0.41943918 0.9398714 0.31608202]
[ 0.9993507 0.91717093 0.73002723]]
2、入门级10道
1、创建1个8*8的“棋盘”矩阵。
>>> z=np.zeros((8,8),dtype=int)
>>> z[1::2,::2]=1 %1、3、5、7行&&0、2、4、6列的元素置为1
>>> print z
[[0 0 0 0 0 0 0 0]
[1 0 1 0 1 0 1 0]
[0 0 0 0 0 0 0 0]
[1 0 1 0 1 0 1 0]
[0 0 0 0 0 0 0 0]
[1 0 1 0 1 0 1 0]
[0 0 0 0 0 0 0 0]
[1 0 1 0 1 0 1 0]]
>>> z[::2,1::2]=1
>>> print z
[[0 1 0 1 0 1 0 1]
[1 0 1 0 1 0 1 0]
[0 1 0 1 0 1 0 1]
[1 0 1 0 1 0 1 0]
[0 1 0 1 0 1 0 1]
[1 0 1 0 1 0 1 0]
[0 1 0 1 0 1 0 1]
[1 0 1 0 1 0 1 0]]
2、min()、max()函数
>>> z=np.random.random((10,10))
>>> zmin,zmax=z.min(),z.max()
>>> print zmin,zmax
0.014230501632 0.99548760299
3、函数tile(A,reps),reps即重复的次数，不但可以是数字，还可以是array。比如构造棋盘矩阵：
>>> z=np.tile(np.array([[0,1],[0,1]]),(4,4))
>>> print z
[[0 1 0 1 0 1 0 1]
[0 1 0 1 0 1 0 1]
[0 1 0 1 0 1 0 1]
[0 1 0 1 0 1 0 1]
[0 1 0 1 0 1 0 1]
[0 1 0 1 0 1 0 1]
[0 1 0 1 0 1 0 1]
[0 1 0 1 0 1 0 1]]
4、归1化，将矩阵规格化到0～1，即最小的变成0，最大的变成1，最小与最大之间的等比缩放。
>>> Z = np.random.random((5,5))
>>> Zmax,Zmin = Z.max(), Z.min()
>>> Z = (Z - Zmin)/(Zmax - Zmin)
>>> print Z
[[ 0. 0.32173291 0.17607851 0.6270374
0.95000808]
[ 0.49153473 0.70465605 0.61930085 0.00303294 1.
]
[ 0.4680561 0.88742782 0.29899683 0.80704789
0.12300414]
[ 0.05094248 0.23065875 0.82776775 0.07873239
0.50644422]
[ 0.27417053 0.78679222 0.517819 0.5649124 0.4716856
]]
5、矩阵点乘
>>> z=np.dot(np.ones((5,3)),np.ones((3,2)))
>>> print z
[[ 3. 3.]
[ 3. 3.]
[ 3. 3.]
[ 3. 3.]
[ 3. 3.]]
6、矩阵相加，5*5矩阵+1*5的向量，相当于每行都加上1*5矩阵
>>> Z = np.zeros((5,5))
>>> Z += np.arange(5)
>>> print Z
[[ 0. 1. 2. 3. 4.]
[ 0. 1. 2. 3. 4.]
[ 0. 1. 2. 3. 4.]
[ 0. 1. 2. 3. 4.]
[ 0. 1. 2. 3. 4.]]
7、linspace函数，在给定区间中生成均匀散布的给定个数。
函数原型 linspace(start, stop, num=50, endpoint=True, retstep=False)
>>> Z = np.linspace(0,10,11,endpoint=True, retstep=False)
>>> print Z
[ 0. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.]
生成0~10之间均匀散布的11个数，包括0和1。
若endpoint=False,则10不包括在里面。
若retstep=False，会同时返回均匀区间中每两个数的间隔。
8、sort函数。调用random模块中的random函数生成10个随机数，然后sort排序。
>>> Z = np.random.random(10)
>>> Z.sort()
>>> print Z
[ 0.15978787 0.28050494 0.35865916 0.40047826 0.45141311
0.4828367
0.66133575 0.66775779 0.69278544 0.98095989]
9、allclose函数，判断两个array在误差范围内是不是相等
函数原型allclose(a, b, rtol=1e-05, atol=1e-08)，若absolute(a - b) <= (atol + rtol * absolute(b))则相等。
A = np.random.randint(0,2,5)
B = np.random.randint(0,2,5)
equal = np.allclose(A,B)
print equal
10、mean函数，求平均值
>>> Z = np.random.random(30)
>>> m = Z.mean()
>>> print m
0.362299527973
>>> A = np.random.randint(0,2,5)
>>> B = np.random.randint(0,2,5)
>>> equal = np.allclose(A,B)
>>> print equal
False
注：randint(min,max,num)生成大小为num的array，数值范围min～max
---------------------------⑵015/1/15-------------------------------
生活不易，码农辛苦
如果您觉得本网站对您的学习有所帮助,可以手机扫描二维码进行捐赠
