Justin-刘清政的博客

python/常用模块/9-numpy模块

2020-12-21

一、numpy简介

numpy官方文档:https://docs.scipy.org/doc/numpy/reference/?v=20190307135750

numpy是Python的一种开源的数值计算扩展库。这种库可用来存储和处理大型numpy数组,比Python自身的嵌套列表结构要高效的多(该结构也可以用来表示numpy数组)。

numpy库有两个作用:

  1. 区别于list列表,提供了数组操作、数组运算、以及统计分布和简单的数学模型
  2. 计算速度快,甚至要由于python内置的简单运算,使得其成为pandas、sklearn等模块的依赖包。高级的框架如TensorFlow、PyTorch等,其数组操作也和numpy非常相似。

二、为什么用numpy

1
2
lis1 = [1, 2, 3]
lis2 = [4, 5, 6]
1
lis1
1
[1, 2, 3]
1
lis2
1
[4, 5, 6]

如果我们想让lis1 * lis2得到一个结果为lis_res = [4, 10, 18],非常复杂。

三、创建numpy数组

numpy数组即numpy的ndarray对象,创建numpy数组就是把一个列表传入np.array()方法。

1
import numpy as np
1
# np.array? 相当于pycharm的ctrl+鼠标左键
1
2
3
# 创建一维的ndarray对象
arr = np.array([1, 2, 3])
print(arr, type(arr))
1
[1 2 3] <class 'numpy.ndarray'>
1
2
# 创建二维的ndarray对象
print(np.array([[1, 2, 3], [4, 5, 6]]))
1
2
[[1 2 3]
[4 5 6]]
1
2
# 创建三维的ndarray对象
print(np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]))
1
2
3
[[1 2 3]
[4 5 6]
[7 8 9]]

四、numpy数组的常用属性

属性 解释
T 数组的转置(对高维数组而言)
dtype 数组元素的数据类型
size 数组元素的个数
ndim 数组的维数
shape 数组的维度大小(以元组形式)
astype 类型转换

dtype种类:bool_, int(8,16,32,64), float(16,32,64)

1
2
arr = np.array([[1, 2, 3], [4, 5, 6]], dtype=np.float32)
print(arr)
1
2
[[1. 2. 3.]
[4. 5. 6.]]
1
print(arr.T)
1
2
3
[[1. 4.]
[2. 5.]
[3. 6.]]
1
print(arr.dtype)
1
float32
1
2
3
arr = arr.astype(np.int32)
print(arr.dtype)
print(arr)
1
2
3
int32
[[1 2 3]
[4 5 6]]
1
print(arr.size)
1
6
1
print(arr.ndim)
1
2
1
print(arr.shape)
1
(2, 3)

五、获取numpy数组的行列数

由于numpy数组是多维的,对于二维的数组而言,numpy数组就是既有行又有列。

注意:对于numpy我们一般多讨论二维的数组。

1
2
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr)
1
2
[[1 2 3]
[4 5 6]]
1
2
# 获取numpy数组的行和列构成的数组
print(arr.shape)
1
(2, 3)
1
2
# 获取numpy数组的行
print(arr.shape[0])
1
2
1
2
# 获取numpy数组的列
print(arr.shape[1])
1
3

六、切割numpy数组

切分numpy数组类似于列表的切割,但是与列表的切割不同的是,numpy数组的切割涉及到行和列的切割,但是两者切割的方式都是从索引0开始,并且取头不取尾。

1
2
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
print(arr)
1
2
3
[[ 1  2  3  4]
[ 5 6 7 8]
[ 9 10 11 12]]
1
2
# 取所有元素
print(arr[:, :])
1
2
3
[[ 1  2  3  4]
[ 5 6 7 8]
[ 9 10 11 12]]
1
2
# 取第一行的所有元素
print(arr[:1, :])
1
[[1 2 3 4]]
1
2
# 取第一行的所有元素
print(arr[0, [0, 1, 2, 3]])
1
[1 2 3 4]
1
2
# 取第一列的所有元素
print(arr[:, :1])
1
2
3
[[1]
[5]
[9]]
1
2
# 取第一列的所有元素
print(arr[(0, 1, 2), 0])
1
[1 5 9]
1
2
# 取第一行第一列的元素
print(arr[(0, 1, 2), 0])
1
[1 5 9]
1
2
# 取第一行第一列的元素
print(arr[0, 0])
1
1
1
2
# 取大于5的元素,返回一个数组
print(arr[arr > 5])
1
[ 6  7  8  9 10 11 12]
1
2
# numpy数组按运算符取元素的原理,即通过arr > 5生成一个布尔numpy数组
print(arr > 5)
1
2
3
[[False False False False]
[False True True True]
[ True True True True]]

七、numpy数组元素替换

numpy数组元素的替换,类似于列表元素的替换,并且numpy数组也是一个可变类型的数据,即如果对numpy数组进行替换操作,会修改原numpy数组的元素,所以下面我们用.copy()方法举例numpy数组元素的替换。

1
2
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
print(arr)
1
2
3
[[ 1  2  3  4]
[ 5 6 7 8]
[ 9 10 11 12]]
1
2
3
4
# 取第一行的所有元素,并且让第一行的元素都为0
arr1 = arr.copy()
arr1[:1, :] = 0
print(arr1)
1
2
3
[[ 0  0  0  0]
[ 5 6 7 8]
[ 9 10 11 12]]
1
2
3
4
# 取所有大于5的元素,并且让大于5的元素为0
arr2 = arr.copy()
arr2[arr > 5] = 0
print(arr2)
1
2
3
[[1 2 3 4]
[5 0 0 0]
[0 0 0 0]]
1
2
3
4
# 对numpy数组清零
arr3 = arr.copy()
arr3[:, :] = 0
print(arr3)
1
2
3
[[0 0 0 0]
[0 0 0 0]
[0 0 0 0]]

八、numpy数组的合并

1
2
arr1 = np.array([[1, 2], [3, 4], [5, 6]])
print(arr1)
1
2
3
[[1 2]
[3 4]
[5 6]]
1
2
arr2 = np.array([[7, 8], [9, 10], [11, 12]])
print(arr2)
1
2
3
[[ 7  8]
[ 9 10]
[11 12]]
1
2
# 合并两个numpy数组的行,注意使用hstack()方法合并numpy数组,numpy数组应该有相同的行,其中hstack的h表示horizontal水平的
print(np.hstack((arr1, arr2)))
1
2
3
[[ 1  2  7  8]
[ 3 4 9 10]
[ 5 6 11 12]]
1
2
# 合并两个numpy数组,其中axis=1表示合并两个numpy数组的行
print(np.concatenate((arr1, arr2), axis=1))
1
2
3
[[ 1  2  7  8]
[ 3 4 9 10]
[ 5 6 11 12]]
1
2
# 合并两个numpy数组的列,注意使用vstack()方法合并numpy数组,numpy数组应该有相同的列,其中vstack的v表示vertical垂直的
print(np.vstack((arr1, arr2)))
1
2
3
4
5
6
[[ 1  2]
[ 3 4]
[ 5 6]
[ 7 8]
[ 9 10]
[11 12]]
1
2
# 合并两个numpy数组,其中axis=0表示合并两个numpy数组的列
print(np.concatenate((arr1, arr2), axis=0))
1
2
3
4
5
6
[[ 1  2]
[ 3 4]
[ 5 6]
[ 7 8]
[ 9 10]
[11 12]]

九、通过函数创建numpy数组

方法 详解
array() 将列表转换为数组,可选择显式指定dtype
arange() range的numpy版,支持浮点数
linspace() 类似arange(),第三个参数为数组长度
zeros() 根据指定形状和dtype创建全0数组
ones() 根据指定形状和dtype创建全1数组
eye() 创建单位矩阵
empty() 创建一个元素全随机的数组
reshape() 重塑形状

9.1 array

1
2
arr = np.array([1, 2, 3])
print(arr)
1
[1 2 3]

9.2 arange

1
2
# 构造0-9的ndarray数组
print(np.arange(10))
1
[0 1 2 3 4 5 6 7 8 9]
1
2
# 构造1-4的ndarray数组
print(np.arange(1, 5))
1
[1 2 3 4]
1
2
# 构造1-19且步长为2的ndarray数组
print(np.arange(1, 20, 2))
1
[ 1  3  5  7  9 11 13 15 17 19]

9.3 linspace/logspace

1
2
# 构造一个等差数列,取头也取尾,从0取到20,取5个数
print(np.linspace(0, 20, 5))
1
[ 0.  5. 10. 15. 20.]
1
2
# 构造一个等比数列,从10**0取到10**20,取5个数
print(np.logspace(0, 20, 5))
1
[1.e+00 1.e+05 1.e+10 1.e+15 1.e+20]

9.4 zeros/ones/eye/empty

1
2
# 构造3*4的全0numpy数组
print(np.zeros((3, 4)))
1
2
3
[[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]
1
2
# 构造3*4的全1numpy数组
print(np.ones((3, 4)))
1
2
3
[[1. 1. 1. 1.]
[1. 1. 1. 1.]
[1. 1. 1. 1.]]
1
2
# 构造3个主元的单位numpy数组
print(np.eye(3))
1
2
3
[[1. 0. 0.]
[0. 1. 0.]
[0. 0. 1.]]
1
2
# 构造一个4*4的随机numpy数组,里面的元素是随机生成的
print(np.empty((4, 4)))
1
2
3
4
[[ 2.31584178e+077 -1.49457545e-154  3.95252517e-323  0.00000000e+000]
[ 0.00000000e+000 0.00000000e+000 0.00000000e+000 0.00000000e+000]
[ 0.00000000e+000 0.00000000e+000 0.00000000e+000 0.00000000e+000]
[ 0.00000000e+000 0.00000000e+000 1.29074055e-231 1.11687366e-308]]

9.5 reshape

1
2
arr = np.ones([2, 2], dtype=int)
print(arr.reshape(4, 1))
1
2
3
4
[[1]
[1]
[1]
[1]]

9.6 fromstring/fromfunction(了解)

1
2
3
4
# fromstring通过对字符串的字符编码所对应ASCII编码的位置,生成一个ndarray对象
s = 'abcdef'
# np.int8表示一个字符的字节数为8
print(np.fromstring(s, dtype=np.int8))
1
2
3
4
5
[ 97  98  99 100 101 102]


/Applications/anaconda3/lib/python3.6/site-packages/ipykernel_launcher.py:4: DeprecationWarning: The binary mode of fromstring is deprecated, as it behaves surprisingly on unicode inputs. Use frombuffer instead
after removing the cwd from sys.path.
1
2
3
4
5
6
7
def func(i, j):
"""其中i为numpy数组的行,j为numpy数组的列"""
return i * j


# 使用函数对numpy数组元素的行和列的索引做处理,得到当前元素的值,索引从0开始,并构造一个3*4的numpy数组
print(np.fromfunction(func, (3, 4)))
1
2
3
[[0. 0. 0. 0.]
[0. 1. 2. 3.]
[0. 2. 4. 6.]]

十、numpy数组运算

运算符 说明
+ 两个numpy数组对应元素相加
- 两个numpy数组对应元素相减
* 两个numpy数组对应元素相乘
/ 两个numpy数组对应元素相除,如果都是整数则取商
% 两个numpy数组对应元素相除后取余数
**n 单个numpy数组每个元素都取n次方,如**2:每个元素都取平方
1
2
arrarr1 = np.array([[1, 2], [3, 4], [5, 6]])
print(arr1)
1
2
3
[[1 2]
[3 4]
[5 6]]
1
2
arr2 = np.array([[7, 8], [9, 10], [11, 12]])
print(arr2)
1
2
3
[[ 7  8]
[ 9 10]
[11 12]]
1
print(arr1 + arr2)
1
2
3
[[ 8 10]
[12 14]
[16 18]]
1
print(arr1**2)
1
2
3
[[ 1  4]
[ 9 16]
[25 36]]

十一、numpy数组运算函数

numpy数组函数 详解
np.sin(arr) 对numpy数组arr中每个元素取正弦,𝑠𝑖𝑛(𝑥)sin(x)
np.cos(arr) 对numpy数组arr中每个元素取余弦,𝑐𝑜𝑠(𝑥)cos(x)
np.tan(arr) 对numpy数组arr中每个元素取正切,𝑡𝑎𝑛(𝑥)tan(x)
np.arcsin(arr) 对numpy数组arr中每个元素取反正弦,𝑎𝑟𝑐𝑠𝑖𝑛(𝑥)arcsin(x)
np.arccos(arr) 对numpy数组arr中每个元素取反余弦,𝑎𝑟𝑐𝑐𝑜𝑠(𝑥)arccos(x)
np.arctan(arr) 对numpy数组arr中每个元素取反正切,𝑎𝑟𝑐𝑡𝑎𝑛(𝑥)arctan(x)
np.exp(arr) 对numpy数组arr中每个元素取指数函数,𝑒𝑥ex
np.sqrt(arr) 对numpy数组arr中每个元素开根号𝑥‾‾√x

一元函数:abs, sqrt, exp, log, ceil, floor, rint, trunc, modf, isnan, isinf, cos, sin, tan

二元函数:add, substract, multiply, divide, power, mod, maximum, mininum

1
2
arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
print(arr)
1
2
3
[[ 1  2  3  4]
[ 5 6 7 8]
[ 9 10 11 12]]
1
2
# 对numpy数组的所有元素取正弦
print(np.sin(arr))
1
2
3
[[ 0.84147098  0.90929743  0.14112001 -0.7568025 ]
[-0.95892427 -0.2794155 0.6569866 0.98935825]
[ 0.41211849 -0.54402111 -0.99999021 -0.53657292]]
1
2
# 对numpy数组的所有元素开根号
print(np.sqrt(arr))
1
2
3
[[1.         1.41421356 1.73205081 2.        ]
[2.23606798 2.44948974 2.64575131 2.82842712]
[3. 3.16227766 3.31662479 3.46410162]]
1
2
# 对numpy数组的所有元素取反正弦,如果元素不在定义域内,则会取nan值
print(np.arcsin(arr * 0.1))
1
2
3
4
5
6
[[0.10016742 0.20135792 0.30469265 0.41151685]
[0.52359878 0.64350111 0.7753975 0.92729522]
[1.11976951 1.57079633 nan nan]]


/Applications/anaconda3/lib/python3.6/site-packages/ipykernel_launcher.py:2: RuntimeWarning: invalid value encountered in arcsin
1
2
# 判断矩阵元素中是否含有np.nan值
print(np.isnan(arr))
1
2
[[False False False]
[False False False]]

十二、numpy数组矩阵化

12.1 numpy数组的点乘

numpy数组的点乘必须满足第一个numpy数组的列数等于第二个numpy数组的行数,即𝑚∗𝑛·𝑛∗𝑚=𝑚∗𝑚m∗n·n∗m=m∗m。

1
2
arr1 = np.array([[1, 2, 3], [4, 5, 6]])
print(arr1.shape)
1
(2, 3)
1
2
arr2 = np.array([[7, 8], [9, 10], [11, 12]])
print(arr2.shape)
1
(3, 2)
1
2
3
assert arr1.shape[0] == arr2.shape[1]
# 2*3·3*2 = 2*2
print(arr2.shape)
1
(3, 2)

12.2 numpy数组的转置

numpy数组的转置,相当于numpy数组的行和列互换。

1
2
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr)
1
2
[[1 2 3]
[4 5 6]]
1
print(arr.transpose())
1
2
3
[[1 4]
[2 5]
[3 6]]
1
print(arr.T)
1
2
3
[[1 4]
[2 5]
[3 6]]

12.3 numpy数组的逆

numpy数组行和列相同时,numpy数组才可逆。

1
2
arr = np.array([[1, 2, 3], [4, 5, 6], [9, 8, 9]])
print(arr)
1
2
3
[[1 2 3]
[4 5 6]
[9 8 9]]
1
print(np.linalg.inv(arr))
1
2
3
[[ 0.5        -1.          0.5       ]
[-3. 3. -1. ]
[ 2.16666667 -1.66666667 0.5 ]]
1
2
3
# 单位numpy数组的逆是单位numpy数组本身
arr = np.eye(3)
print(arr)
1
2
3
[[1. 0. 0.]
[0. 1. 0.]
[0. 0. 1.]]
1
print(np.linalg.inv(arr))
1
2
3
[[1. 0. 0.]
[0. 1. 0.]
[0. 0. 1.]]

十三、numpy数组数学和统计方法

方法 详解
sum 求和
cumsum 累加求和
mean 求平均数
std 求标准差
var 求方差
min 求最小值
max 求最大值
argmin 求最小值索引
argmax 求最大值索引
sort 排序

13.1 最大最小值

1
2
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr)
1
2
3
[[1 2 3]
[4 5 6]
[7 8 9]]
1
2
# 获取numpy数组所有元素中的最大值
print(arr.max())
1
9
1
2
# 获取numpy数组所有元素中的最小值
print(arr.min())
1
1
1
2
# 获取举着每一行的最大值
print(arr.max(axis=0))
1
[7 8 9]
1
2
# 获取numpy数组每一列的最大值
print(arr.max(axis=1))
1
[3 6 9]
1
2
# 获取numpy数组最大元素的索引位置
print(arr.argmax(axis=1))
1
[2 2 2]

13.2 平均值

1
2
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr)
1
2
3
[[1 2 3]
[4 5 6]
[7 8 9]]
1
2
# 获取numpy数组所有元素的平均值
print(arr.mean())
1
5.0
1
2
# 获取numpy数组每一列的平均值
print(arr.mean(axis=0))
1
[4. 5. 6.]
1
2
# 获取numpy数组每一行的平均值
print(arr.mean(axis=1))
1
[2. 5. 8.]

13.3 方差

方差公式为

𝑚𝑒𝑎𝑛(|𝑥−𝑥.𝑚𝑒𝑎𝑛()|2)mean(|x−x.mean()|2)

其中x为numpy数组。

1
2
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr)
1
2
3
[[1 2 3]
[4 5 6]
[7 8 9]]
1
2
# 获取numpy数组所有元素的方差
print(arr.var())
1
6.666666666666667
1
2
# 获取numpy数组每一列的元素的方差
print(arr.var(axis=0))
1
[6. 6. 6.]
1
2
# 获取numpy数组每一行的元素的方差
print(arr.var(axis=1))
1
[0.66666667 0.66666667 0.66666667]

13.4 标准差

标准差公式为

𝑚𝑒𝑎𝑛|𝑥−𝑥.𝑚𝑒𝑎𝑛()|2‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾‾√=𝑥.𝑣𝑎𝑟()‾‾‾‾‾‾‾√mean|x−x.mean()|2=x.var()

1
2
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr)
1
2
3
[[1 2 3]
[4 5 6]
[7 8 9]]
1
2
# 获取numpy数组所有元素的标准差
print(arr.std())
1
2.581988897471611
1
2
# 获取numpy数组每一列的标准差
print(arr.std(axis=0))
1
[2.44948974 2.44948974 2.44948974]
1
2
# 获取numpy数组每一行的标准差
print(arr.std(axis=1))
1
[0.81649658 0.81649658 0.81649658]

13.5 中位数

1
2
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr)
1
2
3
[[1 2 3]
[4 5 6]
[7 8 9]]
1
2
# 获取numpy数组所有元素的中位数
print(np.median(arr))
1
5.0
1
2
# 获取numpy数组每一列的中位数
print(np.median(arr, axis=0))
1
[4. 5. 6.]
1
2
# 获取numpy数组每一行的中位数
print(np.median(arr, axis=1))
1
[2. 5. 8.]

13.6 numpy数组求和

1
2
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr)
1
2
3
[[1 2 3]
[4 5 6]
[7 8 9]]
1
2
# 对numpy数组的每一个元素求和
print(arr.sum())
1
45
1
2
# 对numpy数组的每一列求和
print(arr.sum(axis=0))
1
[12 15 18]
1
2
# 对numpy数组的每一行求和
print(arr.sum(axis=1))
1
[ 6 15 24]

13.7 累加和

1
2
arr = np.array([1, 2, 3, 4, 5])
print(arr)
1
[1 2 3 4 5]
1
2
# 第n个元素为前n-1个元素累加和
print(arr.cumsum())
1
[ 1  3  6 10 15]

十四、numpy.random生成随机数

函数名称 函数功能 参数说明
rand(𝑑0,𝑑1,⋯,𝑑𝑛d0,d1,⋯,dn) 产生均匀分布的随机数 𝑑𝑛dn为第n维数据的维度
randn(𝑑0,𝑑1,⋯,𝑑𝑛d0,d1,⋯,dn) 产生标准正态分布随机数 𝑑𝑛dn为第n维数据的维度
randint(low[, high, size, dtype]) 产生随机整数 low:最小值;high:最大值;size:数据个数
random_sample([size]) 在[0,1)[0,1)内产生随机数 size为随机数的shape,可以为元祖或者列表
choice(a[, size]) 从arr中随机选择指定数据 arr为1维数组;size为数组形状
uniform(low,high [,size]) 给定形状产生随机数组 low为最小值;high为最大值,size为数组形状
shuffle(a) 与random.shuffle相同 a为指定数组
1
2
3
# RandomState()方法会让数据值随机一次,之后都是相同的数据
rs = np.random.RandomState(1)
print(rs.rand(10))
1
2
3
[4.17022005e-01 7.20324493e-01 1.14374817e-04 3.02332573e-01
1.46755891e-01 9.23385948e-02 1.86260211e-01 3.45560727e-01
3.96767474e-01 5.38816734e-01]
1
2
3
4
# 构造3*4的均匀分布的numpy数组
# seed()方法会让数据值随机一次,之后都是相同的数据
np.random.seed(1)
print(np.random.rand(3, 4))
1
2
3
[[4.17022005e-01 7.20324493e-01 1.14374817e-04 3.02332573e-01]
[1.46755891e-01 9.23385948e-02 1.86260211e-01 3.45560727e-01]
[3.96767474e-01 5.38816734e-01 4.19194514e-01 6.85219500e-01]]
1
2
# 构造3*4*5的均匀分布的numpy数组
print(np.random.rand(3, 4, 5))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
[[[0.20445225 0.87811744 0.02738759 0.67046751 0.4173048 ]
[0.55868983 0.14038694 0.19810149 0.80074457 0.96826158]
[0.31342418 0.69232262 0.87638915 0.89460666 0.08504421]
[0.03905478 0.16983042 0.8781425 0.09834683 0.42110763]]

[[0.95788953 0.53316528 0.69187711 0.31551563 0.68650093]
[0.83462567 0.01828828 0.75014431 0.98886109 0.74816565]
[0.28044399 0.78927933 0.10322601 0.44789353 0.9085955 ]
[0.29361415 0.28777534 0.13002857 0.01936696 0.67883553]]

[[0.21162812 0.26554666 0.49157316 0.05336255 0.57411761]
[0.14672857 0.58930554 0.69975836 0.10233443 0.41405599]
[0.69440016 0.41417927 0.04995346 0.53589641 0.66379465]
[0.51488911 0.94459476 0.58655504 0.90340192 0.1374747 ]]]
1
2
# 构造3*4的正态分布的numpy数组
print(np.random.randn(3, 4))
1
2
3
[[ 0.30017032 -0.35224985 -1.1425182  -0.34934272]
[-0.20889423 0.58662319 0.83898341 0.93110208]
[ 0.28558733 0.88514116 -0.75439794 1.25286816]]
1
2
# 构造取值为1-5内的10个元素的ndarray数组
print(np.random.randint(1, 5, 10))
1
[1 1 1 2 3 1 2 1 3 4]
1
2
# 构造取值为0-1内的3*4的numpy数组
print(np.random.random_sample((3, 4)))
1
2
3
[[0.62169572 0.11474597 0.94948926 0.44991213]
[0.57838961 0.4081368 0.23702698 0.90337952]
[0.57367949 0.00287033 0.61714491 0.3266449 ]]
1
2
3
arr = np.array([1, 2, 3])
# 随机选取arr中的两个元素
print(np.random.choice(arr, size=2))
1
[1 3]
1
2
arr = np.random.uniform(1, 5, (2, 3))
print(arr)
1
2
[[4.72405173 3.30633687 4.35858086]
[3.49316845 2.29806999 3.91204657]]
1
2
np.random.shuffle(arr)
print(arr)
1
2
[[3.49316845 2.29806999 3.91204657]
[4.72405173 3.30633687 4.35858086]]
使用支付宝打赏
使用微信打赏

点击上方按钮,请我喝杯咖啡!

扫描二维码,分享此文章