numpy知识点笔记

• 沿指定轴求和

>>> np.sum([[3.,4], [5.,6], [6.,7]], axis=0)
array([ 14.,  17.])
>>> np.sum([[3.,4], [5.,6], [6.,7]], axis=1)
array([  7.,  11.,  13.])
>>> x = np.array([[3.,4], [5.,6], [6.,7]])
>>> np.sum(x, axis=0)
array([ 14.,  17.])
>>> np.sum(x, axis=1)
array([  7.,  11.,  13.])

numpy索引，`:`的位置处如同普通列表一样索引

• 索引维数超过 3 的多维数组

arr = np.arange(24).reshape((2, 3, 4))
print arr[1, ...]               # 等价于 arr[1, :, :]
print arr[..., 1]               # 等价于 arr[:, :, 1]

• 随机生成正态分布数据x，y是x的一次线性函数+噪音，然后画出

import numpy as np

num_points = 1000
vectors_set = []
for i in range(num_points):
         x1= np.random.normal(0.0, 0.55)
         y1= x1 * 0.1 + 0.3 + np.random.normal(0.0, 0.03)
         vectors_set.append([x1, y1])
 
x_data = [v[0] for v in vectors_set]
y_data = [v[1] for v in vectors_set]

import matplotlib.pyplot as plt

plt.plot(x_data, y_data, 'ro', label='Original data')
plt.legend('hello')
plt.show()

plt.show

• 计算数组某一维度上的平均值 numpy.mean
  numpy.mean和tensorflow.reduce_mean效果是一样的。

c = np.array([[3.,4], [5.,6], [6.,7]])
print(np.mean(c,1))
# [ 3.5 5.5 6.5]
Mean = tf.reduce_mean(c,1)
with tf.Session() as sess:
    result = sess.run(Mean)
    print(result)
# [ 3.5 5.5 6.5]

参考：stackoverflow

• np.reshape()重新排列数组形状。
  np.concatenate((a, b), axis=1)按指定轴方向组合数组a和b。

• 在第三维上组合矩阵

>>> a = np.arange(9).reshape(3,3)
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
>>> b = 2 * a
array([[ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])
>>> np.dstack((a, b))
array([[[ 0,  0],
        [ 1,  2],
        [ 2,  4]],

       [[ 3,  6],
        [ 4,  8],
        [ 5, 10]],

       [[ 6, 12],
        [ 7, 14],
        [ 8, 16]]])

• 其它总结链接
  http://blog.csdn.net/mokeding/article/details/17476979
  http://blog.csdn.net/sunny2038/article/details/8907736