-
2022-03-13 14:12:10
描述
请补全JavaScript代码,要求返回一个长度为参数值并且每一项值都为参数值的数组。
注意:
1. 请勿直接使用for/while<!DOCTYPE html> <html> <head> <meta charset=utf-8> </head> <body> <script type="text/javascript"> const _createArray = (number) => { //1、通过new Array函数构造实例的时候带入参数,可以生成该参数长度的空数组 //2、通过Array.fill函数可以将数组的每一项都改编为参数值 //3、或Array.from函数接收两个参数即可,第一个参数为数组或对象,都表示返回数组的长度 //当参数为数组时它确定了返回的新数组长度,当参数为对象时,需要添加“length”属性表明数组长度 //4、第二个参数为一个函数,即第一个数组参数中的每一项都调用该函数 return Array(number).fill(number); } //第二种方法 const _createArray = (number) =>{ return Array(number).from({length:number},()=>number) } </script> </body> </html>
更多相关内容 -
numpy创建array的方法汇总
2020-12-01 14:37:34创建numpy.array,是使用numpy这个核武器的基础,本文尽量汇总常用创建numpy.array的方法。array函数>>> import numpy as np>>> a = np.array([1,2,3,4,5])>>> aarray([1, 2, 3, 4, 5])&...创建numpy.array,是使用numpy这个核武器的基础,本文尽量汇总常用创建numpy.array的方法。
array函数
>>> import numpy as np
>>> a = np.array([1,2,3,4,5])
>>> a
array([1, 2, 3, 4, 5])
>>> a.shape
(5,)
>>> a.ndim
1
>>> a.dtype
dtype('int32')
>>>
>>> b = np.array((1,2,3,4,5.0))
>>> b
array([1., 2., 3., 4., 5.])
>>> b.shape
(5,)
>>> b.ndim
1
>>> b.dtype
dtype('float64')
a用list创建,b用tuple创建,都一样。注意创建b时,tuple中有一个float,这时numpy将所有数据都转换成了它自己的float64类型。numpy.array中不允许有不同类型的数据同时存在。
我们还可以通过array函数创建多维数组:
>>> c = np.array(([1,2,3],[4,5,6],[7,8,9]))
>>> c
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
>>> c.shape
(3, 3)
>>> c.ndim
2
>>>
>>> d = np.array([[1,2,3],[4,5,6],[7,8,9.0]])
>>> d.dtype
dtype('float64')
>>> d
array([[1., 2., 3.],
[4., 5., 6.],
[7., 8., 9.]])
创建array时,可以指定dtype:
>>> e = np.array((1,2,3), dtype=np.int64)
>>> e
array([1, 2, 3], dtype=int64)
>>>
>>> f = np.array((1,2,3), dtype=np.float16)
>>> f
array([1., 2., 3.], dtype=float16)
zeros函数
用zeros函数创建全0的array:
>>> a = np.zeros((2,3))
>>> a
array([[0., 0., 0.],
[0., 0., 0.]])
>>>
>>> b = np.zeros((3,5), dtype=np.int8)
>>> b
array([[0, 0, 0, 0, 0],
[0, 0, 0, 0, 0],
[0, 0, 0, 0, 0]], dtype=int8)
zeros_like函数
创建一个全0的,跟输入的array的shape一样的:
>>> a = np.array([[1,2,3],[4,5,6]])
>>> a
array([[1, 2, 3],
[4, 5, 6]])
>>> b = np.zeros_like(a)
>>> b
array([[0, 0, 0],
[0, 0, 0]])
>>> a.shape
(2, 3)
>>> b.shape
(2, 3)
>>> c = np.zeros_like(a, dtype=np.uint8)
>>> c
array([[0, 0, 0],
[0, 0, 0]], dtype=uint8)
>>> c.shape
(2, 3)
ones函数
跟zeros函数一样,创建全1的numpy.array,代码略。
ones_like函数
跟zeros_like函数一样,全1而已,注意这些函数都可以指定dtype。
empty函数
跟zeros和ones一样,不一样的地方在于,empty函数不对数据做初始化,即所有的内部数据都是随机的,看内存什么样子。有的时候使用empty函数,不做初始化,还可以进一步提高计算速度。
>>> a = np.empty((5,5))
>>> a
array([[0.00000000e+000, 2.30226697e-307, 2.30240278e-307,
2.30259291e-307, 2.30275588e-307],
[2.13425923e-307, 2.13439504e-307, 2.13453085e-307,
2.13473456e-307, 2.13493827e-307],
[2.13504692e-307, 2.13527779e-307, 2.13554940e-307,
2.13572595e-307, 2.13591609e-307],
[2.51437149e-307, 2.51456162e-307, 2.51476533e-307,
2.51500978e-307, 2.51517275e-307],
[2.51537647e-307, 2.51562092e-307, 2.51582463e-307,
2.51598760e-307, 2.28647257e-317]])
empty_like函数
跟其它*_like函数一样,也跟自己的empty一样,不做初始化。代码略。
arange函数
a range,一个范围,就像python内置的range一样:
>>> a = np.arange(10)
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> b = np.arange(0,100,5)
>>> b
array([ 0, 5, 10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 60, 65, 70, 75, 80,
85, 90, 95])
>>> c = np.arange(20).reshape(5,4)
>>> c
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15],
[16, 17, 18, 19]])
>>> c.shape
(5, 4)
>>>
>>> d = np.arange(0,1,0.01).reshape(10,10)
>>> d
array([[0. , 0.01, 0.02, 0.03, 0.04, 0.05, 0.06, 0.07, 0.08, 0.09],
[0.1 , 0.11, 0.12, 0.13, 0.14, 0.15, 0.16, 0.17, 0.18, 0.19],
[0.2 , 0.21, 0.22, 0.23, 0.24, 0.25, 0.26, 0.27, 0.28, 0.29],
[0.3 , 0.31, 0.32, 0.33, 0.34, 0.35, 0.36, 0.37, 0.38, 0.39],
[0.4 , 0.41, 0.42, 0.43, 0.44, 0.45, 0.46, 0.47, 0.48, 0.49],
[0.5 , 0.51, 0.52, 0.53, 0.54, 0.55, 0.56, 0.57, 0.58, 0.59],
[0.6 , 0.61, 0.62, 0.63, 0.64, 0.65, 0.66, 0.67, 0.68, 0.69],
[0.7 , 0.71, 0.72, 0.73, 0.74, 0.75, 0.76, 0.77, 0.78, 0.79],
[0.8 , 0.81, 0.82, 0.83, 0.84, 0.85, 0.86, 0.87, 0.88, 0.89],
[0.9 , 0.91, 0.92, 0.93, 0.94, 0.95, 0.96, 0.97, 0.98, 0.99]])
跟python内置的range不一样的地方是,step可以是小数,不过一般不建议这样用,要产生均匀间隔的数据,建议使用下面这个函数:linspace
linspace函数
设置起点和终点,设置一共取多少个数:
>>> a = np.linspace(0,1,100).reshape(10,10)
>>> a
array([[0. , 0.01010101, 0.02020202, 0.03030303, 0.04040404,
0.05050505, 0.06060606, 0.07070707, 0.08080808, 0.09090909],
[0.1010101 , 0.11111111, 0.12121212, 0.13131313, 0.14141414,
0.15151515, 0.16161616, 0.17171717, 0.18181818, 0.19191919],
[0.2020202 , 0.21212121, 0.22222222, 0.23232323, 0.24242424,
0.25252525, 0.26262626, 0.27272727, 0.28282828, 0.29292929],
[0.3030303 , 0.31313131, 0.32323232, 0.33333333, 0.34343434,
0.35353535, 0.36363636, 0.37373737, 0.38383838, 0.39393939],
[0.4040404 , 0.41414141, 0.42424242, 0.43434343, 0.44444444,
0.45454545, 0.46464646, 0.47474747, 0.48484848, 0.49494949],
[0.50505051, 0.51515152, 0.52525253, 0.53535354, 0.54545455,
0.55555556, 0.56565657, 0.57575758, 0.58585859, 0.5959596 ],
[0.60606061, 0.61616162, 0.62626263, 0.63636364, 0.64646465,
0.65656566, 0.66666667, 0.67676768, 0.68686869, 0.6969697 ],
[0.70707071, 0.71717172, 0.72727273, 0.73737374, 0.74747475,
0.75757576, 0.76767677, 0.77777778, 0.78787879, 0.7979798 ],
[0.80808081, 0.81818182, 0.82828283, 0.83838384, 0.84848485,
0.85858586, 0.86868687, 0.87878788, 0.88888889, 0.8989899 ],
[0.90909091, 0.91919192, 0.92929293, 0.93939394, 0.94949495,
0.95959596, 0.96969697, 0.97979798, 0.98989899, 1. ]])
从0到1,100个数。
reshape函数
顾名思义吧,就是一个数组重新变换一下形状,变成多维的。上面的代码已经有很多地方在直接使用reshape函数了,请参考。
再给一个用reshape将一维转四维的示例:
>>> a = np.linspace(0,1,100).reshape(2,5,2,5)
>>> a
array([[[[0. , 0.01010101, 0.02020202, 0.03030303, 0.04040404],
[0.05050505, 0.06060606, 0.07070707, 0.08080808, 0.09090909]],
[[0.1010101 , 0.11111111, 0.12121212, 0.13131313, 0.14141414],
[0.15151515, 0.16161616, 0.17171717, 0.18181818, 0.19191919]],
[[0.2020202 , 0.21212121, 0.22222222, 0.23232323, 0.24242424],
[0.25252525, 0.26262626, 0.27272727, 0.28282828, 0.29292929]],
[[0.3030303 , 0.31313131, 0.32323232, 0.33333333, 0.34343434],
[0.35353535, 0.36363636, 0.37373737, 0.38383838, 0.39393939]],
[[0.4040404 , 0.41414141, 0.42424242, 0.43434343, 0.44444444],
[0.45454545, 0.46464646, 0.47474747, 0.48484848, 0.49494949]]],
[[[0.50505051, 0.51515152, 0.52525253, 0.53535354, 0.54545455],
[0.55555556, 0.56565657, 0.57575758, 0.58585859, 0.5959596 ]],
[[0.60606061, 0.61616162, 0.62626263, 0.63636364, 0.64646465],
[0.65656566, 0.66666667, 0.67676768, 0.68686869, 0.6969697 ]],
[[0.70707071, 0.71717172, 0.72727273, 0.73737374, 0.74747475],
[0.75757576, 0.76767677, 0.77777778, 0.78787879, 0.7979798 ]],
[[0.80808081, 0.81818182, 0.82828283, 0.83838384, 0.84848485],
[0.85858586, 0.86868687, 0.87878788, 0.88888889, 0.8989899 ]],
[[0.90909091, 0.91919192, 0.92929293, 0.93939394, 0.94949495],
[0.95959596, 0.96969697, 0.97979798, 0.98989899, 1. ]]]])
eye函数
eye函数应该是取I的谐音,用于创建单位矩阵(Identity matrix):
>>> a = np.eye(5)
>>> a
array([[1., 0., 0., 0., 0.],
[0., 1., 0., 0., 0.],
[0., 0., 1., 0., 0.],
[0., 0., 0., 1., 0.],
[0., 0., 0., 0., 1.]])
>>>
>>> a = np.eye(7)
>>> a
array([[1., 0., 0., 0., 0., 0., 0.],
[0., 1., 0., 0., 0., 0., 0.],
[0., 0., 1., 0., 0., 0., 0.],
[0., 0., 0., 1., 0., 0., 0.],
[0., 0., 0., 0., 1., 0., 0.],
[0., 0., 0., 0., 0., 1., 0.],
[0., 0., 0., 0., 0., 0., 1.]])
>>>
>>> a = np.eye(7, dtype=np.uint8)
>>> a
array([[1, 0, 0, 0, 0, 0, 0],
[0, 1, 0, 0, 0, 0, 0],
[0, 0, 1, 0, 0, 0, 0],
[0, 0, 0, 1, 0, 0, 0],
[0, 0, 0, 0, 1, 0, 0],
[0, 0, 0, 0, 0, 1, 0],
[0, 0, 0, 0, 0, 0, 1]], dtype=uint8)
full函数
用同一个固定的数字来填满array中所有的空隙,zeros是用0填,ones是用1填,empty是不填,随机。
>>> a = np.full((3,4), 8)
>>> a
array([[8, 8, 8, 8],
[8, 8, 8, 8],
[8, 8, 8, 8]])
>>> a
array([[8, 8, 8, 8],
[8, 8, 8, 8],
[8, 8, 8, 8]])
>>>
>>> a = np.full((3,4), 8, dtype=np.float64)
>>> a
array([[8., 8., 8., 8.],
[8., 8., 8., 8.],
[8., 8., 8., 8.]])
>>> a = np.full((3,4,5), 8, dtype=np.float64)
>>> a
array([[[8., 8., 8., 8., 8.],
[8., 8., 8., 8., 8.],
[8., 8., 8., 8., 8.],
[8., 8., 8., 8., 8.]],
[[8., 8., 8., 8., 8.],
[8., 8., 8., 8., 8.],
[8., 8., 8., 8., 8.],
[8., 8., 8., 8., 8.]],
[[8., 8., 8., 8., 8.],
[8., 8., 8., 8., 8.],
[8., 8., 8., 8., 8.],
[8., 8., 8., 8., 8.]]])
-- EOF --
-
Numpy系列(一)array对象以及创建array的方法总结
2020-08-16 15:22:46文章目录 创建数据 array本身的属性 创建array的方法 生成随机数的np.random模块构建 array本身支持的大量操作和函数 Numerical Python(Numpy)是一个开源的Python科学计算库,使用Numpy可以方便的使用数组、矩阵...Numerical Python
(Numpy)是一个开源的Python
科学计算库,使用Numpy
可以方便的使用数组、矩阵进行计算,包含线性代数、傅里叶变换、随机数生成等大量函数。与原生的
Python
实现相比,使用Numpy
是直接以数组、矩阵为粒度计算,并且支持大量的数学函数,而Python
需要用for
循环从底层实现。并且Numpy
的数组存储效率和输入输出计算性能,比Python
使用List
或者嵌套List
好很多。Numpy
的数据存储和Python
原生的List
是不一样的,Numpy
的大部分代码都是C
语言实现的,这也是Numpy
代码更高效的原因。Numpy
的array
和Python
的List
的一个区别,Numpy
的array
的元素必须都是同一种数据类型,比如都是数字int
类型,这也是Numpy
高性能的一个原因。创建数据
import numpy as np x = np.array([1,2,3,4,5]) # 创建一个一维数组
import numpy as np x = np.array([[1,2,3,4,5], [2,3,4,5,6]]) # 创建一个二维数组
array本身的属性
- shape:返回一个元组,表示array的维度
- ndim:一个数字,表示array的维度的数目
- size:一个数字,表示array中所有数据元素的数目
- dtype:array中元素的数据类型
import numpy as np x = np.array([[1,2,3,4,5], [2,3,4,5,6]]) print(x.shape) # 输出:(2, 5)
import numpy as np x = np.array([[1,2,3,4,5], [2,3,4,5,6]]) print(x.ndim) # 输出 2
import numpy as np x = np.array([[1,2,3,4,5], [2,3,4,5,6]]) print(x.size) # 输出 10
import numpy as np x = np.array([[1,2,3,4,5], [2,3,4,5,6]]) print(x.dtype) # 输出 int64
创建array的方法
从
Python
的列表List
和嵌套列表创建array
。使用预定函数arange
、ones/ones_like
、zeros/zeros_like
、empty/empty_lik
、full/full_like
、eye
等函数创建- 使用
arange
创建数字序列
语法:
arange(start, stop, step, dtype=None)
。import numpy as np x = np.arange(2, 10, 2) print(x) # 输出 [2 4 6 8]
- 使用ones创建全是1的数组
语法:
np.ones(shape, dtype=None, order='C')
;shape : int or tuple of ints Shape of the new array, e.g., (2, 3) or 2。import numpy as np x = np.ones([2, 3]) # 输出: [[1. 1. 1.] # [1. 1. 1.]]
- 使用ones_like创建形状相同的数组
语法:
ones_like(a, dtype=float, order='C')
。import numpy as np x = np.arange(2, 10, 2) y = np.ones_like(x) # 输出:[1 1 1 1]
- 使用zeros创建全是0的数组
语法:
np.zeros(shape, dtype=None, order='C')
。import numpy as np x = np.zeros(5) # [0. 0. 0. 0. 0.]
import numpy as np x = np.zeros([2,3]) # 输出: [[0. 0. 0.] # [0. 0. 0.]]
- 使用zeros_like创建形状相同的数组
语法:
np.zeros_like(a, dtype=None)
。import numpy as np x = np.arange(2, 10, 2) y = np.zeros_like(x) # 输出:[0 0 0 0]
- 使用empty创建全是0的数组
语法:
empty(shape, dtype=float, order='C')
;注意:数据是未初始化的,里面的值可能是随机值不要用:import numpy as np x = np.empty(2) # 输出:[-5.73021895e-300 6.94067723e-310]
import numpy as np x = np.empty((1,2)) # 输出 [[-5.73021895e-300 6.90355282e-310]]
- 使用empty_like创建形状相同的数组
语法:
empty_like(prototype, dtype=None)
。import numpy as np x = np.empty((1,2)) y = np.empty_like(x) # 输出 [[-5.73021895e-300 6.90023394e-310]]
- 使用full创建指定值的数组
语法:
np.full(shape, fill_value, dtype=None, order='C')
。import numpy as np x = np.full(2, 10) # 输出:[10 10]
- 使用full_like创建形状相同的数组
语法:
np.full_like(a, fill_value, dtype=None)
import numpy as np x = np.full(2, 10) y = np.full_like(x, 20) # 输出:[20 20]
生成随机数的np.random模块构建
- 使用random模块生成随机数的数组:
import numpy as np x = np.random.randn(2) # 输出:[-0.83420278 -0.74489849]
import numpy as np x = np.random.randn(2,2,2)
输出:
[[[ 1.57009273 2.7144515 ] [-0.63920122 -0.69983059]] [[ 0.54429723 -0.02818363] [ 0.36522726 1.71868176]]]
array本身支持的大量操作和函数
- 直接逐元素的加减乘除等算数操作
- 更好用的面向多维的数组索引
- 求
sum/mean
等聚合函数 - 线性代数函数,比如求解逆矩阵、求解方程组
import numpy as np x = np.arange(10).reshape(2,5)
输出:
[[0 1 2 3 4] [5 6 7 8 9]]
通过广播机制实现数组中每个元素加1:
import numpy as np x = np.arange(10).reshape(2,5) print(x+1)
输出:
[[ 1 2 3 4 5] [ 6 7 8 9 10]]
对数组中每个元素做个运算:
import numpy as np x = np.arange(10).reshape(2,5) print(np.sin(x))
输出:
[[ 0. 0.84147098 0.90929743 0.14112001 -0.7568025 ] [-0.95892427 -0.2794155 0.6569866 0.98935825 0.41211849]]
import numpy as np x = np.arange(10).reshape(2,5) x1 = np.arange(10).reshape(2,5) print(x*x1)
输出:
[[ 0 1 4 9 16] [25 36 49 64 81]]
-
Python-Numpy学习笔记之array的创建方法和函数使用
2021-11-27 12:12:18创建array的方法3.array本身支持的大量操作和函数三、array的基本操作1.使用python的list和嵌套list创建一维的array和二维的array2.数组array的属性3.创建array的便捷函数<1>.使用arange创建数字序列<2>...文章目录
提示:以下是本篇文章正文内容,下面案例可供参考
一.Numpy的认知
1.Numpy是什么
1.一个开源的Python科学计算库 2.使用Numpy可以方便的使用数组,矩阵进行计算 3.包含线性代数,傅里叶变换,随机数生成等大量函数
2.Numpy的优点
代码更简洁:Numpy直接以数组,矩阵为粒度(一个单元)计算并且支持大量的数学函数,而python需要用for循环从底层实现 性能更高效:Numpy的数组存储效率和输入输出计算性能,比python使用list或者嵌套list好很多 注:(Numpy的数据存储和python原生的list是不一样的) 注:Numpy的大部分代码都是c语言实现的,这是Numpy比纯python代码高效的原因
Numpy是Python各种数据科学类库的基础库
比如SciPy,SCikit-Learn,Tensorflow,PaddlePaddle
如果不会Numpy,那么这些库的深入理解都会遇到障碍二、array的基本知识
1.array本身的属性
shape:返回一个元组,表示array的维度 ndim:一个数字,表示array的维度的数目 size:一个数字,表示array元素的个数 dtpye:array中元素的数据类型
2.创建array的方法
1.从python的列表list和嵌套列表创建array 2.使用预定函数arrange,ones/ones_like,zeros/zeros_like,full/full_like,eye等函数创建 3.生成随机数的np.random模块构建
3.array本身支持的大量操作和函数
1.直接逐元素的加减乘除等算术操作 2.更好用的面向多维的数组索引 3.求sum/mean的等聚合函数 4.线性代数函数,比如求解逆矩阵,求解方程组
三、array的基本操作
导入模块:
import numpy as np
1.使用python的list和嵌套list创建一维的array和二维的array
# 创建一个一维的数组,也就是python的单元素list x=np.array([1,2,3,4,5,6,7,8]) # 创建一个二维的数组,也就是python的嵌套list X=np.array([[1,2,3,4],[5,6,7,8]]) print("x=",x) print("X=",X)
运行结果:
2.数组array的属性
print(x.shape)#返回一个元组,表示维度和元素个数 print(X.shape) print(x.ndim)#返回一个值,表示维度 print(X.ndim) print(x.size)#返回一个值,表示数组中所有元素的个数 print(X.size) print(x.dtype)#返回一个值,表示数组内元素的数据类型 print(X.dtype)
运行结果:
3.创建array的便捷函数
<1>.使用arange创建数字序列
arange([起始值(取得到)],[终止值(取不到)],[步长],dtype=None)
print(np.arange(10))#创建一个0-10的一维数组(取不到10) print(np.arange(2,10,2))#创建一个2-10,步长为2的一维数组(取不到10)
运行结果:
<2>使用ones创建单位数组
np.ones(shape,dtype=None,order=‘C’)
shape:int or tuple of ints Shape of the new array . eg:(2,3) or 2
dtype:数据类型,默认的是自己从输入的数据自动获得
order:有"C"和"F"两个选项,分别代表,行优先和列优先,在计算机内存中的存储元素的顺序print(np.ones(10))#创建一个一行十列的单位数组 print(np.ones((2,3)))#创建一个二行三列的单位数组
运行结果:
<3>使用ones_like创建与某个数组形状相同的单位数组
ones_like(a(数组),dtype=float,order=‘C’)
print(np.ones_like(x))#创建一个和x相同形状的单位数组 print(np.ones_like(X))#创建一个和X相同形状的单位数组 print(np.ones_like([2,3]))#创建一个和[2,3]数组形状相同的单位数组 print(np.ones_like([[1,2,3],[4,5,6]]))#创建一个和[[1,2,3],[4,5,6]]数组形状相同的单位数组
运行结果:
<4>使用zeros创建全是0的数组
np.zeros(shape,dtype=None,order=‘C’)
print(np.zeros(3))#创建一个一行三列的零数组 print(np.zeros((2,4)))#创建一个二行四列的零数组
运行结果:
<5>使用zeros_like创建与某个数组形状相同的零数组
np.zeros_like(a(数组),dtype=None,order=‘C’)
print(np.zeros_like(x))#创建一个和x数组形状相同的零数组 print(np.zeros_like(X))#创建一个和X数组形状相同的零数组 print(np.zeros_like([2,3]))#创建一个和[2,3]数组形状相同的零数组 print(np.zeros_like([[1,2,3],[4,5,6]]))#创建一个和[[1,2,3],[4,5,6]]数组形状相同的零数组
运行结果:
<6>使用empty创建全是0的数组
np.empty(shape,dtype=Nome,order=‘C’)
注意:数据是未初始化的,里面的值可能是随机值,不要用print(np.empty(5)) print(np.empty((2,3)))
运行结果:
<7>使用empty_like创建形状相同的零数组
np.empty_like(prototype,dtype=None)(也有可能是未初始化数据,为随机值)
print(np.empty_like(x)) print(np.empty_like(X)) print(np.empty_like([2,3])) print(np.empty_like([[1,2,3],[4,5,6]]))
运行结果:
<8>使用full创建指定值的数组
np.full(shape,fill_value,dtype=None,order=‘C’)
print(np.full(4,9))#创建一个一行四列,元素为9的数组 print(np.full((2,3),9))#创建一个二行三列,元素为9的数组
运行结果:
<9>使用full_like创建形状相同的数组
np.full_like(a(数组),fill_value,dtype=None)
print(np.full_like(x,9))#创建一个与x形状相同,元素为9的数组 print(np.full_like(X,9))#创建一个与X形状相同,元素为9的元素 print(np.full_like([2,3,4],9))#创建一个与[2,3,4]形状相同,元素为9的数组 print(np.full_like([[1,2,3],[4,5,6]],9))#创建一个与[[1,2,3],[4,5,6]]形状相同,元素为9的数组
运行结果:
<10>使用random模块生成随机数的数组
np.random.randn(d0,d1,…,dn)
print(np.random.randn())#生成一个随机数 print(np.random.randn(3))#随机生成一个一行三列的数组 print(np.random.randn(2,3))#随机生成一个二行三列的数组 print(np.random.randn(2,3,4))#随机生成一个三维的数组,有两块三行四列的数组组成
运行结果:
4.array本身支持的大量操作和函数
A=np.arange(10).reshape(2,5)#创建一个0-10的二行五列的数组 print(A) print(A.shape)#数组的形状 print(A+1)#对A数组每个元素加一 print(A*2)#对A数组每个元素都乘2 print(np.sin(A))#对A数组每个元素求sin值,还可求其他三角函数值 print(np.exp(A))#对A数组每个元素求ln值 print(np.exp2(A))#对A数组每个元素求log2值
运行结果:
B=np.random.randn(2,5)#随机生成一个二行五列的数组 print(A+B)#将数组A和数组B对应元素相加 print(A-B)#将数组A和数组B对应元素相减
运行结果:
-
Numpy 的创建 array
2020-12-24 09:07:00关键字array:创建数组dtype:指定数据类型zeros:创建数据全为0ones:创建数据全为1empty:创建数据接近0arrange:按指定范围创建数据linspace:创建线段创建数组a = np.array([2,23,4]) # list 1dprint(a)# [2 23 ... -
【Python】Numpy之各种创建array的方法及Numpy中的函数使用
2019-07-03 09:24:22学习Python的童鞋,对numpy都不陌生...如何创建array?可以用tuple也可用list. 其中,dtype用来指定数据类型,int32指,存放int类型最高32位,不过也可以去掉32,直接写int。数据类型float都可以定义数据的长度,也... -
Numpy中数组的创建:np.array()方法详细介绍
2020-12-26 13:23:40之前,我们有提到如何下载Numpy并且添加到Pycharm的解释器中,这次,我们来看看numpy中最基础的数组创建。 首先,我们来看看数组的如何创建的 import numpy as np a = np.array([1, 2, 3, 4]) 简简单单,一个数组就... -
Java反射04 : 通过Array动态创建和访问Java数组
2018-03-03 23:41:12java.lang.reflect.Array类提供了通过静态方法来动态创建和访问Java数组的操作。 1.主要的静态方法 java.lang.reflect.Array提供以下几类静态方法操作: Array.newInstance() :创建引用类型的数组 Array.set... -
JS中常见的Array方法
2020-04-07 21:01:36对于JS中的数组(Array)我们经常使用,今天总结了一下常见的Array方法。 1. length 数组长度 let arr = ['a', 'b', 'c', 'd']; console.log(arr.length); 2. join() 以指定的字符将数组连接起来,变成字符串 ... -
JS Es6 Array方法
2019-02-21 10:49:32JS array es6方法 定义数组 const array = [1, 2, 3]; 或者 const array = new Array(); array[0] = ‘1’; 建议尽量使用第一种形式定义数组,采用new的形式在大量的数组定义时,会比较耗时。 new关键字的使用,除了... -
Array对象常用的方法
2018-04-01 09:35:10Array对象常用的方法 不改变原数组的方法 1、concat() 语法:arrayObject.concat(arrayX,arrayX,......,arrayX) 输入值: 输入值可以是单个元素(多个元素),也可以是单个数组(多个数组) 功能:连接两个或... -
pyhton中用numpy创建数组(array)的几种方法
2019-09-07 22:06:47有5种方法可以创建数组: 从python的其他数据类型 转换 过来,比如 列表list , 元组tuple 等 numpy 数组创建的 内置函数 ,比如 arange,linspace,ones 等 从磁盘里,或者从其他标准和自定义的格式里 读入... -
java创建数组的两种方法
2022-02-10 15:47:25java创建数组的两种方法 1,静态初始化 int[] array={1,2,3,4,5}; 2,动态初始化 1)先分配空间再给数组元素赋值 int[] array=new int[10]; //需指定数组中的元素个数 for (int i = 0; i < array.length; i++) {... -
Typescript:遍历Array的方法,以及Array的常用方法
2018-07-20 18:04:32方法1:for循环 for循环其实是标准的C风格语法。 let someArray = [1, "string", false]; for (var i = 0; i < someArray.length; i ++) { console.log(someArray[i]); // 1, "... -
python中如何使用numpy.array函数创建数组?
2021-02-06 13:23:32numpy可以快速的实现多维度的矩阵计算,本文介绍python中使用numpy.array函数创建数组的有关内容。1、numpy.array函数是由N个非负整数组成的tuple(元组),用于指定每个维度的大小。数组中项目的类型由单独的data-... -
js Array 原生方法
2016-09-18 22:14:00比较有用的原生js数组方法 -
python中使用np.array(list)方法来创建ndarray数组
2020-02-09 11:25:14它的计算速度非常快所以经常被用来做底层的数据运算,numpy运算的所用的数据结构叫做ndarray,也叫做数组(array),那么我们怎么创建一个数组,也就是对数组进行初始化呢,这里就要用到np.array()这个方法,... -
C++ array使用方法详细介绍
2019-11-04 11:20:36由于array在创建的时候必须明确指定大小,而且array为固定容器,因此max_size()与size()的返回值相同。 通常使用 size() 函数。 返回值类型为size_t 即无符号整数 使用size()可以有效避免使用for遍历数组时... -
创建全0数组(Zero filled array creation)
2020-12-10 13:34:24问题乍看之下,创建全0数组应该是一件不能再简单的事情了:var arr = [0,0,0,0,0,0];...所以今天创建全0数组的时候,我用了以下方法:var arr = new Array(10);//这里等同于//var arr = [];arr.length = 10;arr ... -
JavaScript程序设计课件:Array对象.pptx
2022-06-15 20:25:511、创建Array对象 Array用于创建数组对象及对数组进行处理操作。 创建Array对象的方式有三种: var arr1 = new Array(); //创建空数组 var arr2 = new Array(4); //创建4个长度的数组 var arr3 = new Array(1,2,3,5)... -
JavaScript数组Array常用方法汇总
2021-10-31 15:24:19一.JavaScript中创建数组的方式 (1)使用 Array 构造函数: var arr1 = new Array(); //创建一个空数组 var arr2 = new Array(20); // 创建一个包含20项的数组 var arr3 = new Array("lily","lucy","Tom"); // ... -
TIA博途中数组Array的基本使用方法详解
2021-10-08 09:35:40TIA博途中数组Array的基本使用方法详解 ARRAY类型是由数目固定且数据类型相同的元素组成的数据结构。 ARRAY类型的定义和使用需要注意以下几点: • ARRAY类型可以在DB、OB/FC/FB接口区、PLC数据类型处定义;无法在... -
Generic Array Creation,泛型数组创建时提示出错
2021-03-14 17:05:23前两天在刷leetcode时,遇到一个设计题,需要设计一个哈希集合,当时的想法就是创建一个链表数组,用链表来解决哈希冲突问题。 然而在编写时,编译器报错,如下图所示。 分析 为什么会出现编译错误呢?这里就是泛型... -
Kotlin - 数组 Array
2021-12-10 23:40:46创建方式 Array arrayOfXXX () arrayOf () val array1:Array<String> = arrayOf("你", "我", "他") val array2:Array<Person> = arrayOf(person1, person2) ... -
利用 Array.from 动态创建数组
2019-01-28 15:23:04需求 1、参数是一个数组的个数,比如 7 2、希望得到的结果如下 [{ label: ‘1’, value: 1 }, { label: ‘2’, ...Array.from({ length: 7}, ( k, v ) => ({ label: v+1, value: v+1 })) -
python3:numpy的基本属性以及创建array
2018-08-06 11:02:31各种版本的操作系统安装方法不一。 官网:https://pypi.org/project/numpy/#files 我使用的是pycharm+Anaconda,anaconda是python中管理包的工具,在我们安装好anaconda的时候,会自带很多python的包。当我们在... -
Scala之Array的方法
2018-08-05 11:06:14Scala:Array(集合、序列) Scala开篇(目录) 数组是一种可变的、可索引的数据集合。在Scala中用Array[T]的形式来表示Java中的数组形式 T[]。 val numbers = Array(1, 2, 3, 4) //声明一个数组对象 val first =... -
Array方法之Array.from(),附带对浅拷贝和深拷贝的理解
2019-07-31 17:06:34Array.from() 作用:从一个类似数组或可迭代对象中创建一个新的,浅拷贝的数组实例。 (1):这里讲一下深拷贝和浅拷贝的区别 浅拷贝:只复制指向某个对象的指针,而不复制对象本身,新旧对象还是共享同一块内存。 ... -
【Scala】Scala 之 Array方法详解
2019-12-24 19:21:17Scala:Array(集合、序列) Scala开篇(目录) 数组是一种可变的、可索引的数据集合。在Scala中用Array[T]的形式来表示Java中的数组形式 T[]。 val numbers = Array(1, 2, 3, 4) //声明一个数组对象 val first = ... -
Pandas中把dataframe转成array的方法
2020-12-06 13:45:38Pandas中把dataframe转成array的方法使用df=df.values,可以把Pandas中的dataframe转成numpy中的array以上这篇Pandas中把dataframe转成array的方法就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望...