香港六合彩百家乐博彩平台游戏奖励_

皇冠百家乐

这篇著述扣问了装配 NumPy，然后创建、读取和排序 NumPy 数组。

NumPy（即 皇冠百家乐Numerical Python）是一个库，它使得在 Python 中对线性数列和矩阵进行统计和聚拢操作变得容易。我在 Python 数据类型的条记中先容过，它比 Python 的列表快几个数目级。NumPy 在数据分析和科学计较中使用得颠倒频频。

我将先容装配 NumPy，然后创建、读取和排序 NumPy 数组。NumPy 数组也被称为 ndarray，即 N 维数组的缩写。

装配 NumPy

使用 pip 装配 NumPy 包相当疏漏，不错像装配其他软件包一样进行装配：

pip install numpy

装配了 NumPy 包后，只需将其导入你的 Python 文献中：

import numpy as np

将 numpy 以 np 之名导入是一个尺度的旧例，但你不错不使用 np，而是使用你念念要的任何其他笔名。

球衣文化 为什么使用 NumPy? 因为它比 Python 列表要快好几个数目级

当波及到经管深切的数值时，NumPy 比庸俗的 Python 列表快几个数目级。为了望望它到底有多快，我最初测量在庸俗 Python 列表上进行 min() 和 max() 操作的时间。

我将最初创建一个具有 999,999,999 项的 Python 列表：

>>> my_list = range(1, 1000000000)>>> len(my_list)999999999

目下我将测量在这个列表中找到最小值的时间：

>>> start = time.time()>>> min(my_list)1>>> print('Time elapsed in milliseconds: ' + str((time.time() - start) * 1000))Time elapsed in milliseconds: 27007.00879096985

这花了约莫 27,007 毫秒，也便是约莫 27 秒。这是个很长的时间。目下我试着找出寻找最大值的时间：

>>> start = time.time()>>> max(my_list)999999999>>> print('Time elapsed in milliseconds: ' + str((time.time() - start) * 1000))Time elapsed in milliseconds: 28111.071348190308

这花了约莫 28,111 毫秒，也便是约莫 28 秒。

目下我试试用 NumPy 找到最小值和最大值的时间：

6月23日，成都商报-红星新闻从成都市应急管理局获悉，即日起至8月中旬，成都将全面排查整治城镇燃气领域安全隐患问题。

白鹭湾科技生态园一期部分建筑主体竣工，智能网联大厦即将进入运营阶段；成都国际陆港彭州片区CAZ中心项目加速推进，将引领1.48平方公里片区整体推进……

开云体育入口

>>> my_list = np.arange(1, 1000000000)>>> len(my_list)999999999>>> start = time.time()>>> my_list.min()1>>> print('Time elapsed in milliseconds: ' + str((time.time() - start) * 1000))Time elapsed in milliseconds: 1151.1778831481934>>>>>> start = time.time()>>> my_list.max()999999999>>> print('Time elapsed in milliseconds: ' + str((time.time() - start) * 1000))Time elapsed in milliseconds: 1114.8970127105713

找到最小值花了约莫 1151 毫秒，找到最大值 1114 毫秒。这约莫是 1 秒。

正如你所看到的，使用 NumPy 不错将寻找一个约莫有 10 亿个值的列表的最小值和最大值的时间 从约莫 28 秒减少到 1 秒。这便是 NumPy 的宏大之处。

使用 Python 列表创建 ndarray

有几种形态不错在 NumPy 中创建 ndarray。

你不错通过使用元素列表来创建一个 ndarray：

>>> my_ndarray = np.array([1, 2, 3, 4, 5])>>> print(my_ndarray)[1 2 3 4 5]

有了上头的 ndarray 界说，我将检查几件事。最初，上头界说的变量的类型是 numpy.ndarray。这是通盘 NumPy ndarray 的类型：

>>> type(my_ndarray)<class 'numpy.ndarray'>

这里要庄重的另一件事是 “形态shape”。ndarray 的形态是 ndarray 的每个维度的长度。你不错看到，my_ndarray 的形态是 (5,)。这意味着 my_ndarray 包含一个有 5 个元素的维度（轴）。

>>> np.shape(my_ndarray)(5,)

数组中的维数被称为它的 “秩rank”。是以上头的 ndarray 的秩是 1。

我将界说另一个 ndarray my_ndarray2 当作一个多维 ndarray。那么它的形态会是什么呢？请看底下：

>>> my_ndarray2 = np.array([(1, 2, 3), (4, 5, 6)])>>> np.shape(my_ndarray2)(2, 3)

这是一个秩为 2 的 ndarray。另一个要检查的属性是 dtype，也便是数据类型。检查咱们的 ndarray 的 dtype 不错得到以下松手：

皇冠官网

>>> my_ndarray.dtypedtype('int64')

int64 意味着咱们的 ndarray 是由 64 位整数构成的。NumPy 不成创建羼杂类型的 ndarray，必须只包含一种类型的元素。要是你界说了一个包含羼杂元素类型的 ndarray，NumPy 会自动将通盘的元素类型调遣为不错包含通盘元素的最高元素类型。

举例，创建一个 int 和 float 的羼杂序列将创建一个 float64 的 ndarray：

>>> my_ndarray2 = np.array([1, 2.0, 3])>>> print(my_ndarray2)[1. 2. 3.]>>> my_ndarray2.dtypedtype('float64')

另外，将其中一个元素建树为 string 将创建 dtype 等于 <U21 的字符串 ndarray，意味着咱们的 ndarray 包含 unicode 字符串：

>>> my_ndarray2 = np.array([1, '2', 3])>>> print(my_ndarray2)['1' '2' '3']>>> my_ndarray2.dtypedtype('<U21')

size 属性将涌现咱们的 ndarray 中存在的元素总和：

皇冠hg86a

>>> my_ndarray = np.array([1, 2, 3, 4, 5])>>> my_ndarray.size5

使用 NumPy 形态创建 ndarray

要是你不念念径直使用列表来创建 ndarray，还有几种不错用来创建它的 NumPy 形态。

你不错使用 np.zeros() 来创建一个填满 0 的 ndarray。它需要一个“形态”当作参数，这是一个包含行数和列数的列表。它还不错给与一个可选的 dtype 参数，这是 ndarray 的数据类型：

>>> my_ndarray = np.zeros([2,3], dtype=int)>>> print(my_ndarray)[[0 0 0] [0 0 0]]

你不错使用 np. ones() 来创建一个填满 1 的 ndarray：

>>> my_ndarray = np.ones([2,3], dtype=int)>>> print(my_ndarray)[[1 1 1] [1 1 1]]

你不错使用 np.full() 来给 ndarray 填充一个特定的值：

>>> my_ndarray = np.full([2,3], 10, dtype=int)>>> print(my_ndarray)[[10 10 10] [10 10 10]]

你不错使用 np.eye() 来创建一个单元矩阵 / ndarray，这是一个沿主对角线齐是 1 的正方形矩阵。正方形矩阵是一个行数和列数磋商的矩阵：

>>> my_ndarray = np.eye(3, dtype=int)>>> print(my_ndarray)[[1 0 0] [0 1 0] [0 0 1]]

你不错使用 np.diag() 来创建一个沿对角线有指定数值的矩阵，而在矩阵的其他部分为 0：

>>> my_ndarray = np.diag([10, 20, 30, 40, 50])>>> print(my_ndarray)[[10  0  0  0  0] [ 0 20  0  0  0] [ 0  0 30  0  0] [ 0  0  0 40  0] [ 0  0  0  0 50]]

你不错使用 np.range() 来创建一个具有特定数值范围的 ndarray。它是通过指定一个整数的初始和达成（不包括）范围以及一个步长来创建的：

>>> my_ndarray = np.arange(1, 20, 3)>>> print(my_ndarray)[ 1  4  7 10 13 16 19]

读取 ndarray

ndarray 的值不错使用索引、分片或布尔索引来读取。

皇冠体育会员 使用索引读取 ndarray 的值

在索引中，你不错使用 ndarray 的元素的整数索引来读取数值，就像你读取 Python 列表一样。就像 Python 列表一样，索引从 0 初始。

举例，在界说如下的 ndarray 中：

>>> my_ndarray = np.arange(1, 20, 3)

第四个值将是 my_ndarray[3]，即 10。终末一个值是 my_ndarray[-1]，欧博官网网址即 19：

>>> my_ndarray = np.arange(1, 20, 3)>>> print(my_ndarray[0])1>>> print(my_ndarray[3])10>>> print(my_ndarray[-1])19>>> print(my_ndarray[5])16>>> print(my_ndarray[6])19

使用分片读取 ndarray

你也不错使用分片来读取 ndarray 的块。分片的职责形势是用冒号（:）操作符指定一个初始索引和一个达成索引。然后，Python 将获取该初始和达成索引之间的 ndarray 片段：

>>> print(my_ndarray[:])[ 1  4  7 10 13 16 19]>>> print(my_ndarray[2:4])[ 7 10]>>> print(my_ndarray[5:6])[16]>>> print(my_ndarray[6:7])[19]>>> print(my_ndarray[:-1])[ 1  4  7 10 13 16]>>> print(my_ndarray[-1:])[19]

分片创建了一个 ndarray 的援用（或视图）。这意味着，修改分片中的值也会编削原始 ndarray 的值。

比如说：

>>> my_ndarray[-1:] = 100>>> print(my_ndarray)[  1   4   7  10  13  16 100]

对于秩向上 1 的 ndarray 的分片，不错使用 [行初始索引:行达成索引, 列初始索引:列达成索引] 语法：

>>> my_ndarray2 = np.array([(1, 2, 3), (4, 5, 6)])>>> print(my_ndarray2)[[1 2 3] [4 5 6]]>>> print(my_ndarray2[0:2,1:3])[[2 3] [5 6]]

使用布尔索引读取 ndarray 的形态

读取 ndarray 的另一种形态是使用布尔索引。在这种形态中，你在方括号内指定一个过滤要求，然后复返相宜该要求的 ndarray 的一个部分。

举例，为了取得一个 ndarray 中通盘大于 5 的值，你不错指定布尔索引操作 my_ndarray[my_ndarray > 5]。这个操作将复返一个包含通盘大于 5 的值的 ndarray：

>>> my_ndarray = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])>>> my_ndarray2 = my_ndarray[my_ndarray > 5]>>> print(my_ndarray2)[ 6  7  8  9 10]

举例，为了取得一个 ndarray 中的通盘偶数值，你不错使用如下的布尔索引操作：

皇冠客服飞机：@seo3687

>>> my_ndarray2 = my_ndarray[my_ndarray % 2 == 0]>>> print(my_ndarray2)[ 2  4  6  8 10]

而要得到通盘的奇数值，你不错用这个形态：

>>> my_ndarray2 = my_ndarray[my_ndarray % 2 == 1]>>> print(my_ndarray2)[1 3 5 7 9]

ndarray 的矢量和标量算术

NumPy 的 ndarray 允许进行矢量和标量算术操作。在矢量算术中，在两个 ndarray 之间进行一个元素的算术操作。在标量算术中，算术运算是在一个 ndarray 和一个常数标量值之间进行的。

如下的两个 ndarray：

最近，各种新型运动不断涌现，比如极限运动、马拉松、攀岩等等，受到越来越多的年轻人的热爱和追捧。想要了解更多关于新型运动的热门话题和新闻，加入皇冠体育博彩平台，与全球运动爱好者一起分享和探讨。

>>> my_ndarray = np.array([1, 2, 3, 4, 5])>>> my_ndarray2 = np.array([6, 7, 8, 9, 10])

要是你将上述两个 ndarray 相加，就会产生一个两个 ndarray 的元素相加的新的 ndarray。举例，产生的 ndarray 的第一个元素将是原始 ndarray 的第一个元素相加的松手，依此类推：

香港六合彩百家乐

>>> print(my_ndarray2 + my_ndarray)[ 7  9 11 13 15]

这里，7 是 1 和 6 的和，这是我相加的 ndarray 中的前两个元素。相似，15 是 5 和10 之和，是终末一个元素。

请看以下算术运算：

>>> print(my_ndarray2 - my_ndarray)[5 5 5 5 5]>>>>>> print(my_ndarray2 * my_ndarray)[ 6 14 24 36 50]>>>>>> print(my_ndarray2 / my_ndarray)[6.         3.5        2.66666667 2.25       2.        ]

在 ndarray 中加一个标量值也有肖似的后果，标量值被添加到 ndarray 的通盘元素中。这被称为“播送broadcasting”：

>>> print(my_ndarray + 10)[11 12 13 14 15]>>>>>> print(my_ndarray - 10)[-9 -8 -7 -6 -5]>>>>>> print(my_ndarray * 10)[10 20 30 40 50]>>>>>> print(my_ndarray / 10)[0.1 0.2 0.3 0.4 0.5]

ndarray 的排序

有两种形态不错对 ndarray 进行原地或非原地排序。原地排序会对原始 ndarray 进行排序和修改，而非原地排序会复返排序后的 ndarray，但不会修改原始 ndarray。我将尝试这两个例子：

金卡官网

>>> my_ndarray = np.array([3, 1, 2, 5, 4])>>> my_ndarray.sort()>>> print(my_ndarray)[1 2 3 4 5]

正如你所看到的，sort() 形态对 ndarray 进行原地排序，并修改了原数组。

还有一个形态叫 np.sort()，它对数组进行非原地排序：

>>> my_ndarray = np.array([3, 1, 2, 5, 4])>>> print(np.sort(my_ndarray))[1 2 3 4 5]>>> print(my_ndarray)[3 1 2 5 4]

正如你所看到的，np.sort() 形态复返一个已排序的 ndarray，但莫得修改它。

博彩平台游戏奖励 追忆

我也曾先容了好多对于 NumPy 和 ndarray 的本色。我说念到了创建 ndarray，读取它们的不同形态，基本的向量和标量算术，以及排序。NumPy 还有好多东西不错探索，包括像 union() 和 intersection()这么的聚拢操作，像 min() 和 max() 这么的统计操作，等等。

我但愿我上头演示的例子是有效的。祝你在探索 NumPy 时兴奋。