二级域名做网站注意,往网站上传照片怎么做,义务加工网,做影视网站 片源从哪里来一、逻辑运算
当我们要操作符合某一条件的数据时#xff0c;需要用到逻辑运算
1、运算符 满足条件返回true#xff0c;不满足条件返回false
# 重新生成8只股票10个交易日的涨跌幅数据
stock_change np.random.normal(loc0, scale1, size(8, 10))# 获取前5行前5列的数据
s…一、逻辑运算
当我们要操作符合某一条件的数据时需要用到逻辑运算
1、运算符 满足条件返回true不满足条件返回false
# 重新生成8只股票10个交易日的涨跌幅数据
stock_change np.random.normal(loc0, scale1, size(8, 10))# 获取前5行前5列的数据
stock_change stock_change[0:5, 0:5]# 逻辑判断如果涨跌幅大于0.5就标记为true否则标记为false
stock_change 0.5 2、布尔索引 想要对布尔数据进行一个统一的操作相当于是取出数组中为true的所以值或为false的所有值
# 布尔索引
stock_change[stock_change 0.5] 二、通用判断函数
1、np.all() 传入一组布尔值只要有一个false就返回false全都是true才返回true
2、np.any() 传入一组布尔值只要有一个true就返回true全都是false才返回false
3、例子
# 判断stock_change是否全是上涨的
np.all(stock_change 0)stock_change# 判断stock_change是否有上涨的
np.any(stock_change 0) 三、np.where三元运算符
1、通过使用np.where能够进行更加复杂的运算 np.where(布尔值, true的位置要设置的值, false的位置要设置的值)
2、例子
# 判断前四个股票前四天的涨跌幅大于0的置为1否则为0
temp stock_change[:4, :4]tempnp.where(temp 0, 1, 0) 3、np.logical_and 逻辑与
4、np.logical_or 逻辑或
5、例子
# 判断前四个股票前四天的涨跌幅大于0.5并且小于1的置为1否则置为0
np.where(np.logical_and(temp 0.5, temp 1), 1, 0)# 判断前四个股票前四天的涨跌幅大于0.5或者小于-0.5的置为1否则置为0
np.where(np.logical_or(temp 0.5, temp -0.5), 1, 0) 四、统计运算
1、如果想要知道涨幅或者跌幅最大的数据应该怎么做
2、统计指标函数 np.min(a, axisNone, outNone, keepdimsFalse)最小值 np.max(a, axisNone, outNone, keepdimsFalse)最大值 np.mean(a, axisNone, outNone, keepdimsFalse)平均值 np.median(a, axisNone, outNone, keepdimsFalse)中位数 np.var(a, axisNone, outNone, keepdimsFalse)方差 np.std(a, axisNone, outNone, keepdimsFalse)标准差
3、可以用两种方式调用 np.函数名 ndarray.方法名
4、axis默认为axis0即列向如果axis1即横向
5、例子
# 对于前四个股票前四天数据进行一些统计运算
print(前四只股票前四天的最大涨幅{}.format(np.max(temp, axis1)))
print(前四只股票前四天的最大跌幅{}.format(np.min(temp, axis1)))
print(前四只股票前四天的波动程度{}.format(np.std(temp, axis1)))
print(前四只骨片前四天的平均涨跌幅{}.format(np.mean(temp, axis1))) 6、获得最大值最小值的位置索引 np.argmax(a, axis) np.argmin(a, axis)
7、例子
# 获取股票指定哪一天的涨幅最大
print(前四只股票前四天内涨幅最大{}.format(np.argmax(temp, axis1)))
print(前四天一天内涨幅最大的股票{}.format(np.argmax(temp, axis0))) 五、数组运算
1、场景 平时成绩占30%期末成绩占70%算出最终成绩
2、数组与数的运算 运算符作用到数组中的每一个元素
# 数组与数的运算
arr np.array([[1,2,3,2,1,4], [5,6,1,2,3,1]])arr 10 3、数组与数组的运算
# 数组与数组的运算
arr1 np.array([[1,2,3,2,1,4], [5,6,1,2,3,1]])
arr2 np.array([[1,2,3,4], [3,4,5,6]])
arr1 arr2 提示不满足广播机制
4、广播机制
1执行broadcast的前提在于两个nadarray执行的是element-wise的运算Broadcast机制的功能是为了方便不同形状的ndarraynumpy库的核心数据结构进行数学运算
2当操作两个数组时numpy会逐个比较它们的shape构成的元组tuple只有在下述情况下两个数组才能够进行数组与数组的运算 维度相等单看这一列 shape其中相对应的一个地方为1
3可以这样理解首先把数组形状展开从右到左按列来看两个情况中只要满足一个就可以
以下情况不匹配
4运算的结果每一个维度取最大的
5例子
arr1 np.array([[1,2,3,2,1,4], [5,6,1,2,3,1]])
arr2 np.array([[1], [3]])arr1 # (2, 6)arr2 # (2, 1)arr1 arr2 arr1是2行6列arr2是2行1列
相加的结果维度相同的对应的每一行分别运算维度为1的对所有行运算
六、矩阵运算
1、如何才能进行学生成绩计算呢
2、什么是矩阵 矩阵英文matrix和array的区别矩阵必须是2维的但是array可以是多维的
3、两种方法存储矩阵 1ndarray 二维数组
# 矩阵运算
# ndarray存储矩阵
data np.array([[80,86], [82,80], [85,78], [90,90], [86,82], [82,90], [78,80], [92,94]])datatype(data) 2matrix 数据结构 np.mat() 将数组转换成矩阵类型
# matrix存储矩阵
data_mat np.mat([[80,86], [82,80], [85,78], [90,90], [86,82], [82,90], [78,80], [92,94]])data_mattype(data_mat) 4、矩阵乘法运算 矩阵乘法的两个关键形状改变和运算规则
1形状改变
必须符合上面的式子否则运算出错。第一个矩阵的列数和第二个矩阵的行数要一致
2运算规则
5、ndarray矩阵乘法api np.matmul矩阵相乘 np.dot点乘
6、计算成绩 ndarray存储方式
# 计算成绩
dataweights np.array([[0.3], [0.7]])weightsnp.matmul(data, weights)np.dot(data, weights) matrix存储方式
weights_mat np.mat(weights)weights_matdata_mat * weights_mat
