別眨眼網

#！/user/bin/env python3# _*_ coding： utf-8 _*_# 程式設計： 王智勇（13370892288 729627596@qq。com）# 工作單位： 青島未來城（鄉）設計研究院有限公司# ————————————————————————————————————————————————————# 參考：https：//www。toutiao。com/a6843660611235086851import timeimport numpy as npimport cv2import matplotlib。pyplot as pltfrom timeit import timeitimport imageioprint（“”“ 目錄 1、NumPy庫是什麼？ 2、Python列表與NumPy陣列有什麼區別？ 3、建立NumPy陣列、 基本的ndarray全0陣列、全1陣列； ndarray中的隨機數 定製的陣列、NumPy的Imatrix（開源開發平臺） 等間距的ndarray 4、NumPy陣列的形狀與重塑 NumPy陣列的維數 NumPy陣列的形狀 NumPy陣列的大小 重塑NumPy陣列 展開NumPy陣列 NumPy陣列的轉置 5、擴充套件和壓縮一個NumPy陣列 展開NumPy陣列 壓縮NumPy陣列 6、NumPy陣列的索引與切片 一維陣列的切片 二維陣列切片 三維陣列切片 NumPy陣列的負切片 7、堆疊和級聯 Numpy陣列堆疊 ndarrays級聯ndarrays 8、Numpy陣列廣播 9、NumPy Ufuncs10、用NumPy陣列計算平均值、中位數和標準差最小最大值及其索引11、在NumPy陣列中排序12、NumPy陣列和影象”“”）# time。sleep（2）# ————————————————>> 1、Numpy庫是什麼？ <<——————————————-print（“”“ ————————————————>> 1、Numpy庫是什麼？ <<——————————————- NumPy是Python數值庫，是Python程式設計中最有用的科學庫之一。它支援大型多維陣列物件和各種工具。 各種其他的庫，如Pandas、Matplotlib和Scikit-learn，都建立在這個令人驚歎的庫之上。 陣列是元素/值的集合，可以有一個或多個維度。一維陣列稱為向量，二維陣列稱為矩陣。 NumPy陣列稱為ndarray或N維陣列，它們儲存相同型別和大小的元素。 它以其高效能而聞名，並在陣列規模不斷擴大時提供高效的儲存和資料操作。 下載Anaconda時，NumPy會預先安裝。但是如果你想在你的機器上單獨安裝NumPy，只需在你的終端上鍵入以下命令： pip install numpy # numpy庫安裝 import numpy as np # 匯入Numpy庫 np————->>是資料科學界使用Numpy庫是的習慣縮寫”“”）# time。sleep（2）# ————————————->> 2、Python列表與Numpy陣列有什麼區別 <<——————————-print（“”“ ————————————->> 2、Python列表與Numpy陣列有什麼區別 <<——————————- 既然在Python中列表可以用來儲存各種型別資料的陣列，為什麼還要使用Numpy陣列？？？ 主要原因是Python在記憶體中儲存物件的方式造成的： 1）Python物件：——->>實際上是一個指向記憶體位置的指標， 該記憶體位置儲存有關該物件的所有詳細資訊，如位元組和值。儘管這些額外的資訊使Python成為一種動態型別語言， 但它也付出了代價，這在儲存大量物件（如在陣列中）時變得顯而易見。 2）Python列表：————>>本質上是一個指標陣列， 每個指標指向一個包含與元素相關資訊的位置。 這在記憶體和計算方面增加了很多開銷。當列表中儲存的所有物件都是同一型別時，大多數資訊都是冗餘的！ Numpy陣列避免了這些缺點： 1）Numpy陣列只包含 同構元素， 即具有資料型別的元素。這使得它在儲存和運算元組封面更加高效。 2）使用NumPy陣列，你可以執行 元素操作， 這是使用Python列表不可能做到的！”“”）# time。sleep（2）# ————————————->> 3、建立Numpy陣列 <<————————————————-print（“”“ ——————————————>> 3、建立Numpy陣列 <<—————————————————— 3。1 基本的ndarray 基本方法： np。array（） 只需要將陣列的值作為列表傳遞”“”）# 例如：print（ np。array（［1， 2， 3， 4］）， # 最基本操作）# time。sleep（2） # 單位：秒print（“\n\t\t”， np。array（［1， 2， 3， 4］， dtype=np。float32） # 可以在dtype引數中制定資料型別 ）print（“\n\t\t”， np。array（［1， 2。0， 3， 4］） # 由於Numpy陣列只包含同構資料型別，如果不匹配則向上轉換值。 # 在這裡，NumPy將整數值上移到浮點值。 ）print（“\n”， np。array（［［1， 2。0， 3， 4］， ［5， 6， 7， 8］， ［1， 4， 3。2， 5。6］］） # Numpy陣列也可以是多維的。 ）na = np。array（［［1， 2。0， 3， 4］， ［5， 6， 7， 8］， ［1， 4， 3。2， 5。6］］） # 在這兒建立了一個三維陣列，3x4矩陣print（na）print（“\n\t\t\t多維陣列，也叫矩陣——->>注：矩陣只是一個NxM形狀的數字矩形陣列，其中N是行數，M是矩陣中的列數。”）print（“”“_______________________________________________________________________________________________ 3。2 全零陣列 NumPy允許你使用 np。zeros（） 方法。你只需傳遞所需陣列的形狀： ”“”）print（ np。zeros（5） # 這是一維陣列）print（“\n”， np。zeros（（2， 4）） # 這是二維陣列 ）print（“”“_______________________________________________________________________________________________ 3。3 全1陣列 NumPy允許你使用 np。ones（） 方法。你只需傳遞所需陣列的形狀：”“”）print（ np。ones（5）， “\n”， # 這是一維陣列 np。ones（5， dtype=np。int32） # 這是一維陣列，資料格式為dtype=np。ine32）print（np。ones（（4， 4）） # 這是二維陣列 ）np_array_1 = np。ones（（4， 4）， dtype=np。int32）print（np_array_1）print（“”“_______________________________________________________________________________________________ 3。4 ndarray中的隨機數 用於建立 給定形狀 的隨機值 介於［0，1］ 的隨機數陣列的方法： np。random。rand（）”“”）# time。sleep（1）print（ np。random。rand（2， 3） # 建立給定的2行三列的給定形狀的隨機數陣列）print（“”“_______________________________________________________________________________________________ 3。5 定製的陣列 只需傳入所需陣列的——->>形狀和值<<————方法： np。full（）”“”）# time。sleep（1）print（ np。full（（2， 3）， 5） # 建立2行三列值為5的陣列；）print（“”“_______________________________________________________________________________________________ 3。6 Numpy的單位矩陣（Identity matrix） 單位矩陣：在矩陣的乘法中，有一種矩陣起著特殊的作用，如同數的乘法中的1，這種矩陣被稱為單位矩陣。 它是個正方形矩陣（方陣），從左上角到右下角的對角線（稱為主對角線）上的元素均為1。除此以外全都為0。 特 性：AI=IA=I 特 點：主對角線上元素都是1 單位矩陣：Identity matrix ——->> np。eye（） <<————方法 正方形矩陣：N X N的形狀，具有相同數量的行和列”“”）# time。sleep（1）print（ np。eye（5） # 建立5行5列的單位矩陣；）print（ np。eye（5， k=1）， # 建立5行5列的單位矩陣 “\n\n”， # np。eye（5， k=2）， # Numpy允許靈活地修改對角線， 值必須是1 ，你可以將其平移到主對角線的上下方 “\n\n”， # np。eye（5， k=-3）， # 以實現不同的多項式乘法）print（“”“_______________________________________________________________________________________________ 3。7 等間距的ndarray生成器————>等步長的序列 方法 ——->> np。arange（開始，結束，步長） <<————方法 注意：透過分別傳遞三個數字作為這些值的引數，可以 顯式 定義值間隔的 開始、結束和步長。 要注意的一點是，間隔定義為［開始，結束］，其中最後一個數字將不包含在陣列中。 1） 一個引數時，引數值為終點，起點取預設值0，步長取預設值1。 2）兩個引數時，第一個引數為起點，第二個引數為終點，步長取預設值1。 3）三個引數時，第一個引數為起點，第二個引數為終點，第三個引數為步長。其中步長支援小數 但是：：：當浮點引數時，可能會導致精度損失，造成不可預測的結果…… ”“”）# time。sleep（1）print（“\n”， np。arange（5）， “\n”， # 一個引數，終點為5，起點為預設為0，步長預設為1 np。arange（2， 9）， “\n”， # 2個引數，起點=2，終點=9，步長=1 np。arange（3， 15， 3）， “\n”， # 三個引數，起點=3，終點=15，步長=3——>不包括終點=15 np。arange（1， 4， 0。25）， “\n”， # 三個引數，起點=1，終點=4，步長=0。25（小數）——>不包括終點=4 np。arange（1。2， 4。5， 0。25）， “\n”， # 三個引數，起點=1。2，終點=4。5，步長=0。25（小數）——>不包括終點=4 ）print（“”“_______________________________________________________________________________________________ 3。8 序列生成器——>線上性空間中以均勻步長生成數字序列 方法 ——->> np。linspace（開始，結束，元素個數） <<————方法 注意： Numpy通常可以使用numpy。arange（）生成序列，但是當我們使用浮點引數時，可能會導致精度損失， 這可能會導致不可預測的輸出。為了避免由於浮點精度而造成的任何精度損失， numpy在numpy。linspace（）為我們提供了一個單獨的序列生成器，如果您已經知道 所需的元素個數，則這是首選。 但是通常使用帶有適當引數的linspace（）和 arange（）可以得到相同的輸出，因此可以為同一任務選擇兩者。”“”）# time。sleep（1）# 以下程式碼使用numpy。linspace（）在0到10之間繪製2個線性序列，以顯示該序列生成的均勻性。# 參考：https：//www。w3cschool。cn/article/54960412。html# y = np。ones（5） # 生成1行5列的全1陣列## x1 = np。linspace（10， 20， 5） # 生成從10到20的5個步長# print（x1） # ［10。 12。5 15。 17。5 20。 ］## x2 = np。linspace（10， 20， 5）# print（x2） # ［10。 12。5 15。 17。5 20。 ］# plt。plot（x1， y， ‘o’）## plt。plot（x2， y + 0。5， ‘o’）## plt。ylim（［0。5， 2］） # 用於獲取和設定當前軸的y-limits## plt。title（“np。linspace（*args， **kwargs）”）## plt。show（）# plt。close（）# time。sleep（1）# time。sleep（2） ====================================================================# ————————————->> 4、Numpy陣列的形狀與重塑 <<————————————————-print（“”“ ——————————————>> 4、Numpy陣列的形狀與重塑 <<—————————————————— 4。1 Numpy的陣列的維數、形狀和大小_________屬性 維數：使用Numpy陣列的 ndim屬性 確定ndarray的維數。即某元素可以表示為a［i］［j］［k］ == 當用陣列下標表示的時候，需要用幾個數字來表示才能唯一確定這個元素，這個陣列就是幾維。 取得一個確切的元素， 即 行列頁 用b［i］［j］［k］的格式，陣列嵌套了3層，第一層有2個元素，第二層也是2個元素，第三層有三個元素 參考：https：//www。zhihu。com/question/64894713 形狀：使用Numpy陣列的 shape屬性 確定ndarray的形狀。 它顯示每個維度上有多少行元素 大小：使用Numpy陣列的 size屬性 確定ndarray有多少個值。size大小=行數*列數”“”）a = np。eye（5）print（“Numpy的ndarray陣列a的內容是：”， “\n”， a）print（“Numpy的ndarray陣列a的維數是：”， “\t\t”， a。ndim）b = np。array（［［1， 2， 3］， ［4， 5， 6］， ［7， 8， 9］］）c = np。array（［［［1， 2， 3］， ［4， 5， 6］］， ［［1， 2， 3］， ［7， 8， 9］］］）d = np。array（［1， 2， 3， 4， 5， 6］）print（）print（“array a：”， a）print（“array b：”， b）print（“array c：”， c）print（“array d：”， d）print（）print（“array_b dimensions：”， a。ndim）print（“array_b Dimensions：”， b。ndim）print（“array_c Dimensions：”， c。ndim）print（“array_d dimensions：”， d。ndim）print（）print（“Numpy陣列a的形狀是：”， a。shape）print（“Numpy陣列b的形狀是：”， b。shape）print（“Numpy陣列c的形狀是：”， c。shape）print（“Numpy陣列d的形狀是：”， d。shape）print（）print（“Numpy陣列a的大小是：”， a。size）print（“Numpy陣列b的大小是：”， b。size）print（“Numpy陣列c的大小是：”， c。size）print（“Numpy陣列d的大小是：”， d。size）print（“”“ ————————————————————————————————————————————- 4。2 Numpy陣列的重塑 Numpy陣列的重塑：在不改變ndarray中的資料的情況下改變ndarray的形狀 方法： ————>>np。reshape（）<<————-”“”）a = np。array（［2， 4， 6， 8， 10， 12］）print（a， “\n\n”， np。reshape（a， （2， 3）） # 將a從一維重塑為二維ndarray ）print（“重置為三行Numpy陣列：”， “\n\n”， np。reshape（a， （3， -1）） # 重塑時，如果不確定任何軸的形狀，只需輸入-1。它會自動計算形狀 ）print（“重置為三列的Numpy陣列：”）print（np。reshape（a， （-1， 3）））print（“”“ ————————————————————————————————————————————- 4。3 Numpy陣列的展開 Numpy陣列的展開：將多維陣列並希望將其摺疊為一維陣列 方法： ————>>flatten（）或ravel（）<<————-”“”）a = np。eye（3） # a = np。ones（（3，3））b = a。flatten（）c = a。ravel（）print（a。shape， “\n”， a # 生成一個3行3列的單位矩陣 ）print（ b。shape， “\n”， b， # 將a用 a。flatten（） 方法展開成一維陣列）print（ c。shape， “\n”， c # 將a用 a。ravel（） 方法展開成一維陣列）print（“”“————————————>> flatten（）和ravel（）的區別 <<————————————flatten（）方法返回的是原始陣列的 副本 ==深層副本ravel（）方法返回的是原始陣列的 引用 ==淺層副本*******對ravel（）返回的陣列所做的任何更改也將反映在原始陣列中，而flatten（）則不會這樣。****”“”）# 一下是顯示 flatten（）和ravel（）的區別影象# img1 = cv2。imread（‘E：\\BaiduNetdiskWorkspace\\python\\pycharm2021。2。3-Learn\\Numpy-lib\\img\\flatten-ravel。png’， -1）# cv2。imshow（‘image’， img1）# cv2。waitKey（0） # 等待時間毫秒 0——無限線等待# cv2。destroyAllWindows（）## time。sleep（0）## img2 = cv2。imread（“C：\\Users\\Administrator\\Pictures\\WYD-20211221。jpg”， 1）# cv2。imshow（‘image’， img2）# cv2。waitKey（0）# cv2。destroyAllWindows（）# flatten（）和ravel（）方法的區別影象展示結束print（“”“ ————————————————————————————————————————————- 4。4 Numpy陣列的轉置 Numpy陣列的轉置：將矩陣的行列互換得到的新矩陣稱為轉置矩陣，轉置矩陣的行列式不變。 A為m×n矩陣，則其轉置矩陣為n×m的矩陣記為AT 方法： ————>> np。transpose（）方法 <<————-”“”）a_1 = np。array（［［1， 2， 3］， ［4， 5， 6］， ［7， 8， 9］， ［10， 11， 12］］）print（“ndarray原始矩陣a_1：”， ‘\n\b’， a_1， “\n”， “原始矩陣a的形狀是：”， a_1。shape）b = np。transpose（a_1）print（b）# a = np。array（［［1， 2， 3］， ［4， 5， 6］］）# b = np。transpose（a）# print（‘Original’， ‘\n’， ‘Shape’， a。shape， ‘\n’， a）# print（‘Expand along columns：’， ‘\n’， ‘Shape’， b。shape， ‘\n’， b）# time。sleep（2） ====================================================================# ————————————->> 5、Numpy陣列的擴充套件和壓縮 <<————————————————-print（“”“ ——————————————>> 5、Numpy陣列的擴充套件和壓縮 <<—————————————————— 5。1 Numpy的陣列的擴充套件 透過提供要展開的陣列和軸，可以使用————>>np。expand_dims（）<<————-方法將新軸新增到陣列中： ”“”）a = np。array（［1， 2， 3］）b = np。expand_dims（a， axis=0）c = np。expand_dims（a， axis=1）print（‘Original：’， ‘\n’， ‘Shape’， a。shape， ‘\n’， a） # Shape （3，） ［1 2 3］print（‘Expand along columns：’， ‘\n’， ‘Shape’， b。shape， ‘\n’， b） # Shape （1， 3） ［［1 2 3］］print（‘Expand along rows：’， ‘\n’， ‘Shape’， c。shape， ‘\n’， c） # Shape （3， 1） ［［1］# ［2］# ［3］］print（“”“ ————————————————————————————————————————————- 5。2 Numpy陣列的壓縮 如果希望減小陣列的軸，請使用————->>np。squeeze（）方法<<——————刪除具有單個條目的軸 如果建立了一個2 x 2 x 1矩陣，則squeze（）將從矩陣中刪除第三個維度：”“”）# np。squeeze（）方法a = np。array（［［［10， 4， 3］， ［6， 15， 16］］］）b = np。squeeze（a， axis=0）print（‘Original’， ‘\n’， ‘Shape’， a。shape， ‘\n’， a）print（‘Squeeze array：’， ‘\n’， ‘Shape’， b。shape， ‘\n’， b）# 如果你已經有一個2×2的矩陣，在這種情況下使用squeeze（）會給你一個錯誤：# squeeze# a = np。array（［［1， 2， 3］，# ［4， 5， 6］］）# b = np。squeeze（a， axis=0）# print（‘Original’， “\n”， ‘Shape’， a。shape， ‘\n’， a）# print（‘Squeeze array：’， ‘\n’， ‘Shape’， b。shape， ‘\n’， b）# time。sleep（2） ====================================================================# ————————————->> 6、Numpy陣列的索引與切片 <<————————————————-print（“”“ ——————————————>> 6、Numpy陣列的索引與切片 <<—————————————————— 6。1 一維陣列的切片 從一個索引檢索元素到另一個索引 ［start：end：step-size］ 切片包括開始索引，但不包括結束索引。 如果不指定起始索引或結束索引，則預設值分別為0或陣列大小。預設情況下步長為1。”“”）a = np。array（［1， 2， 3， 4， 5， 6， 7， 8， 9］）print（a［0：-1：2］） # 不包含最後的元素——————————同樣是：前含後不含print（“”“ ————————————————————————————————————————————- 6。2 二維陣列的切片 要對二維陣列進行切片，需要同時提供行和列的切片：”“”）a = np。array（［［1， 2， 3］， ［4， 5， 6］］）# 列印第一行值print（‘First row values ：’， ‘\n’， a［0：1， ：］）# 具有列的步長print（‘Alternate values from first row：’， ‘\n’， a［0：1， ：：2］）#print（‘Second column values ：’， ‘\n’， a［：， 1：：2］）print（‘Arbitrary values ：’， ‘\n’， a［0：1， 1：3］）print（“”“ ————————————————————————————————————————————- 6。3 三維陣列的切片 三維陣列還有一個深度軸，在這個深度軸上，它將一個二維陣列放在另一個數組後面。 所以，當你在切片一個三維陣列時，你還需要提到你要切片哪個二維陣列。 這通常作為索引中的 第一個值 出現： 頁——-行——-列”“”）# 展示三維陣列的形狀# img3 = cv2。imread（“E：\\BaiduNetdiskWorkspace\\python\\pycharm2021。2。3-Learn\\Numpy-lib\\img\\3d-np-array。png”， 1）# cv2。imshow（‘image’， img3）# cv2。waitKey（0）# cv2。destroyAllWindows（）a = np。array（［［［1， 2］， ［3， 4］， ［5， 6］］， # 第一個軸陣列 ［［7， 8］， ［9， 10］， ［11， 12］］， # 第二個軸陣列 ［［13， 14］， ［15， 16］， ［17， 18］］］） # 第三個軸陣列# 3-D arrayprint（a）# 3d array 切片print（‘First array， first row， first column value ：’， ‘\n’， a［0， 0， 0］）print（‘First array last column ：’， ‘\n’， a［0， ：， 1］）print（‘First two rows for second and third arrays ：’， ‘\n’， a［1：， 0：2， 0：2］）# 果希望將值作為一維陣列，則可以始終使用flatten（）方法來完成此項工作！print（‘Printing as a single array ：’， ‘\n’， a［1：， 0：2， 0：2］。flatten（））print（“”“ ————————————————————————————————————————————- 6。4 Numpy陣列的負切片 負切片從末尾而不是開頭列印元素 https：//www。toutiao。com/a6843660611235086851#：~：text=14%2015%2016%5D-，NumPy%E6%95%B0%E7%BB%84%E7%9A%84%E8%B4%9F%E5%88%87%E7%89%87，-%E5%AF%B9%E6%95%B0%E7%BB%84 ”“”）a = np。array（［［［1， 2］， ［3， 4］， ［5， 6］］， # 第一個軸陣列 ［［7， 8］， ［9， 10］， ［11， 12］］， # 第二個軸陣列 ［［13， 14］， ［15， 16］， ［17， 18］］］） # 第三個軸陣列# 負切片b = np。array（［［1， 2， 3， 4， 5］， ［6， 7， 8， 9， 10］］）print（b［：， -1］） # 列印了每行的最後一個值# 如果我們想從末尾提取，我們必須顯式地提供負步長，否則結果將是空列表。print（a［：， -1：-3：-1］） # 顯式地提供負步長# ［［ 5 4］# ［10 9］］ ***不包括最後的索引位置的值——-否則會有3和8折兩個值# 切片的基本邏輯保持不變，即輸出中從不包含結束索引。# ————————————————————-print（“”“ 負切片的一個有趣的用途是反轉原始陣列。 反轉陣列也可以用 flip（）方法 反轉ndarray ”“”）a = np。array（［［1， 2， 3， 4， 5］， ［6， 7， 8， 9， 10］］）print（‘Original array ：’， ‘\n’， a）print（‘Reversed array ：’， ‘\n’， a［：：-1， ：：-1］）print（‘Original array ：’， ‘\n’， a）print（‘Reversed array vertically np。flip（）方法：’， ‘\n’， np。flip（a， axis=1）） # 豎向反轉print（‘Reversed array horizontally np。flip（）方法：’， ‘\n’， np。flip（a， axis=0）） # 水平反轉# time。sleep（2） ====================================================================# ————————————->> 7、Numpy陣列的堆疊和級聯 <<————————————————-print（“”“ ——————————————>> 6、Numpy陣列的堆疊和級聯 <<—————————————————— https：//www。toutiao。com/a6843660611235086851#：~：text=3%20%204%20%205%5D%5D-，%E5%A0%86%E5%8F%A0%E5%92%8C%E7%BA%A7%E8%81%94Numpy%E6%95%B0%E7%BB%84，-%E5%A0%86%E5%8F%A0ndarrays 7。1 堆疊ndarrays————————-利用舊陣列組合生成新陣列 陣列堆疊：透過組合現有陣列來建立新陣列。 通常：透過兩種方式來完成： 使用 vstack（）——-增加行 方法垂直組合陣列（即沿行），從而增加結果陣列中的行數 使用 hstack（）——-增加列 以水平方式（即沿列）組合陣列，從而增加結果陣列中的列數 按照 索引沿深度軸 堆疊： dstack（） 方法。它按索引組合陣列元素，並沿深度軸堆疊 ”“”）# img4 = cv2。imread（# ‘E：\\BaiduNetdiskWorkspace\\python\\pycharm2021。2。3-Learn\\Numpy-lib\\img\\np-dstack。png’， 1）# cv2。imshow（“image”， img4）# cv2。waitKey（0）# cv2。destroyAllWindows（）a = np。arange（0， 5）b = np。arange（5， 10）print（‘Array 1 ：’， ‘\n’， a）print（‘Array 2 ：’， ‘\n’， b）print（‘Vertical stacking ：’， ‘\n’， np。vstack（（a， b））） # 垂直方向組合陣列（沿行）——-增加行數print（‘Horizontal stacking ：’， ‘\n’， np。hstack（（a， b））） # 水平方向組合（沿列）——-增加列數# Array 1 ：# ［0 1 2 3 4］# Array 2 ：# ［5 6 7 8 9］# Vertical stacking ：# ［［0 1 2 3 4］# ［5 6 7 8 9］］# Horizontal stacking ：# ［0 1 2 3 4 5 6 7 8 9］# 按照索引堆疊陣列的np。dstack（）方法a = ［［1， 2］， ［3， 4］］b = ［［5， 6］， ［7， 8］］c = np。dstack（（a， b））print（‘Array 1 ：’， ‘\n’， a）print（‘Array 2 ：’， ‘\n’， b）print（‘Dstack ：’， ‘\n’， c）print（c。shape）# img5 = cv2。imread（“E：\\BaiduNetdiskWorkspace\\python\\pycharm2021。2。3-Learn\\Numpy-lib\img\\np-dstack。png”， 1）# cv2。imshow（“image”， img5）# cv2。waitKey（5）# cv2。destroyAllWindows（）print（“”“ ————————————————————————————————————————————- 7。2 Numpy陣列的級聯 使用 concatenate（）方法 ，其中傳遞的陣列沿現有軸連線： ”“”）a = np。arange（0， 5）。reshape（1， 5）b = np。arange（5， 10）。reshape（1， 5）print（‘Array 1 ：’， ‘\n’， a）print（‘Array 2 ：’， ‘\n’， b）print（‘Concatenate along rows ：’， ‘\n’， np。concatenate（（a， b）， axis=0））print（‘Concatenate along columns ：’， ‘\n’， np。concatenate（（a， b）， axis=1））# 始陣列必須具有要合併的軸# 函式是append方法，它將新元素新增到ndarray的末尾# 將值附加到ndarraya = np。array（［［1， 2］， ［3， 4］］）np。append（a， ［［5， 6］］， axis=0）# time。sleep（2） ====================================================================# ————————————->> 8、Numpy陣列的廣播 <<————————————————-print（“”“ ——————————————>> 8、Numpy陣列的廣播（算數運算） <<—————————————————— https：//www。toutiao。com/a6843660611235086851#：~：text=4%5D%2C%0A%20%20%20%20%20%20%20%5B5%2C%206%5D%5D）-，Numpy%E6%95%B0%E7%BB%84%E5%B9%BF%E6%92%AD，-%E5%B9%BF%E6%92%AD%E6%98%AFndarrays 廣播是ndarrays最好的功能之一。它允許你在不同大小的ndarray之間或ndarray與簡單數字之間執行算術運算！ 廣播基本上延伸較小的ndarray，使其與較大ndarray的形狀相匹配： ”“”）a = np。arange（10， 20， 2）b = np。array（［［2］， ［2］］）print（‘Adding two different size arrays ：’， ‘\n’， a + b）print（‘Multiplying an ndarray and a number ：’， a * 2）“”“它的工作可以看作是——>>拉伸或複製標量，即數字<<——［2，2，2］以匹配ndarray的形狀，然後按元素執行操作。但是實際上並沒有生成該陣列，這只是一種思考廣播如何運作的方式。這非常有用，因為用標量值乘一個數組比用另一個數組更有效！需要注意的是，只有當兩個ndarray相容時，它們才能一起廣播。 Ndarrays在以下情況下相容： 兩者都有相同的尺寸 其中一個ndarrays的維數是1。尺寸為1的廣播會滿足尺寸更大的ndarray的大小要求 如果陣列不相容，你將得到一個ValueError。”“”a = np。ones（（3， 3））b = np。array（［2］） # 設第二個ndarray被拉伸成3x3形狀，然後計算結果print（a + b）# ——————————————————————————————————————————-# time。sleep（2） ====================================================================# ————————————->> 9、Numpy Ufuncs <<————————————————-print（“”“ ——————————————>> 9、Numpy Ufuncs <<—————————————————— https：//www。toutiao。com/a6843660611235086851#：~：text=%E7%84%B6%E5%90%8E%E8%AE%A1%E7%AE%97%E7%BB%93%E6%9E%9C%E3%80%82-，NumPy%20Ufuncs，-Python%E6%98%AF%E4%B8%80%E7%A7%8D Python是一種動態型別語言。 這意味著在賦值時不需要知道變數的資料型別。Python將在執行時自動確定它。雖然這意味著編寫更乾淨、更容易的程式碼，但也會使Python變得遲緩。 當Python必須重複執行許多操作（比如新增兩個陣列）時，這個問題就會顯現出來。這是因為每次需要執行操作時，Python都必須檢查元素的資料型別。使用ufuncs函式的NumPy可以解決這個問題。 NumPy使這個工作更快的方法是使用向量化。向量化在編譯的程式碼中以逐元素的方式對ndarray執行相同的操作。 因此，不需要每次都確定元素的資料型別，從而執行更快的操作。 ufuncs 是NumPy中的通用函式，只是數學函式。它們執行快速的元素功能。 當對NumPy陣列執行簡單的算術操作時，它們會自動呼叫，因為它們充當NumPy ufuncs的包裝器。例如，當使用“+”新增兩個NumPy陣列時，NumPy ufunc add（）會在場景後面自動呼叫，並悄悄地發揮其魔力：”“”）# time。sleep（2） ====================================================================# ————————————->> 10、Numpy陣列的基本運算 <<————————————————-print（“”“ ——————————————>> 10、Numpy陣列的基本運算 <<—————————————————— https：//www。toutiao。com/a6843660611235086851#：~：text=%E6%89%A7%E8%A1%8C%E8%BF%99%E4%BA%9B%E6%93%8D%E4%BD%9C%E3%80%82-，NumPy%E6%95%B0%E7%BB%84%E7%9A%84%E5%9F%BA%E6%9C%AC%E8%BF%90%E7%AE%97，-%E5%9F%BA%E6%9C%AC%E7%9A%84%E7%AE%97%E6%9C%AF 基本的算術運算可以很容易地在NumPy陣列上執行。要記住的重要一點是，這些簡單的算術運算子號只是作為NumPy ufuncs的包裝器。 ”“”）print（“Original ：”， “\n”， a）print（‘Subtract ：’， ‘\n’， a - 5）print（‘Multiply ：’， ‘\n’， a * 5）print（‘Divide ：’， ‘\n’， a / 5）print（‘Power ：’， ‘\n’， a ** 2）print（‘Remainder ：’， ‘\n’， a % 5）# time。sleep（2） ====================================================================# ————————————->> 11、Numpy陣列的平均值、中位數和標準差 <<————————————————-print（“”“ ——————————————>> 11、Numpy陣列的平均值、中位數和標準差 <<—————————————————— https：//www。toutiao。com/a6843660611235086851#：~：text=3%204%200%5D-，%E5%B9%B3%E5%9D%87%E5%80%BC%E3%80%81%E4%B8%AD%E4%BD%8D%E6%95%B0%E5%92%8C%E6%A0%87%E5%87%86%E5%B7%AE，-%E8%A6%81%E6%9F%A5%E6%89%BENumPy 平均值方法： mean（） 中位數方法： median（） 標準差方法： std（） ”“”）a = np。arange（5， 15， 2）print（‘Mean ：’， np。mean（a））print（‘Standard deviation ：’， np。std（a））print（‘Median ：’， np。median（a））# time。sleep（2） ====================================================================# ————————————->> 12、Numpy陣列的最小值、最大值及其索引 <<————————————————-print（“”“ ——————————————>> 12、Numpy陣列的最小值、最大值及其索引 <<—————————————————— https：//www。toutiao。com/a6843660611235086851#：~：text=2。8284271247461903%0AMedian%20%3A%209。0-，%E6%9C%80%E5%B0%8F%E6%9C%80%E5%A4%A7%E5%80%BC%E5%8F%8A%E5%85%B6%E7%B4%A2%E5%BC%95，-%E4%BD%BF%E7%94%A8Min（）%E5%92%8C 使用 Min（）和Max（） 方法可以輕鬆找到ndarray中的Min和Max值： 使用 argmin（）和argmax（） 方法輕鬆確定ndarray中沿特定軸的最小值或最大值的索引： ”“”）a = np。array（［［1， 6， 5］， ［4， 3， 7］］）print（‘Min ：’， np。min（a， axis=0）） # 最小值 返回列表print（‘Max ：’， np。max（a， axis=1）） # 最大值 返回列表print（‘Min ：’， np。argmin（a， axis=0）） # 最小值索引print（‘Max ：’， np。argmax（a， axis=1）） # 最大值索引# time。sleep（2） ====================================================================# ————————————->> 13、Numpy陣列排序 <<————————————————-print（“”“ ——————————————>> 13、Numpy陣列排序 <<—————————————————— https：//www。toutiao。com/a6843660611235086851#：~：text=%E8%BE%93%E5%87%BA%E6%8C%87%E7%A4%BA%E4%BB%80%E4%B9%88%E3%80%82-，%E5%9C%A8NumPy%E6%95%B0%E7%BB%84%E4%B8%AD%E6%8E%92%E5%BA%8F，-%E5%AF%B9%E4%BA%8E%E4%BB%BB%E4%BD%95%E7%A8%8B%E5%BA%8F Numpy庫有一系列排序函式，可用於對陣列元素進行排序。 sort（） 方法實現快速排序、堆排序、合併排序和時間排序 ”“”）a = np。array（［1， 4， 2， 5， 3， 6， 8， 7， 9］）print（ np。sort（a， kind=‘quicksort’） # 快速排序）a = np。array（［［5， 6， 7， 4］， ［9， 2， 3， 7］］）print（ ‘Sort along column ：’， ‘\n’， np。sort（a， kind=‘mergresort’， axis=1） # 沿列排序）print（ ‘Sort along row ：’， ‘\n’， np。sort（a， kind=‘mergresort’， axis=0） # 沿行排序）# time。sleep（2） ====================================================================# ————————————->> 14、Numpy陣列和影象 <<————————————————-print（“”“ ——————————————>> 14、Numpy陣列和影象 <<—————————————————— https：//www。toutiao。com/a6843660611235086851#：~：text=6%207%207%5D%5D-，NumPy%E6%95%B0%E7%BB%84%E5%92%8C%E5%9B%BE%E5%83%8F，-NumPy%E6%95%B0%E7%BB%84 影象資料是什麼？ 黑白影象由以陣列形式儲存的畫素組成。每個畫素的值介於0到255之間–0表示黑色畫素，255表示白色畫素。 彩色影象由三個二維陣列組成，每個彩色通道一個：紅色、綠色和藍色，背靠背放置，從而形成三維陣列。 陣列中的每個值構成一個畫素值。因此，陣列的大小取決於每個維度上的畫素數。 ”“”）# Python可以使用imageio。imread（）方法。當我們輸出它時，它只是一個包含畫素值的三維陣列：img6 = imageio。imread（‘E：\\BaiduNetdiskWorkspace\\python\\pycharm2021。2。3-Learn\\Numpy-lib\\img\\car。jpg’）print（img6）print（img6。shape）print（type（img6））cv2。imshow（“image”， img6）cv2。waitKey（0）cv2。destroyAllWindows（）# 由於影象只是一個數組，我們可以使用本文中介紹的陣列函式輕鬆地對其進行操作。# 比如，我們可以使用np。flip（）方法：cv2。imshow（“image”， （np。flip（img6， axis=1））） # 影象翻轉cv2。waitKey（0）cv2。destroyAllWindows（）print（img6/255）# NumPy函式 官方文件：文件連結：https：//numpy。org/doc/# 參考：NumPy簡潔教程 https：//www。toutiao。com/a6843660611235086851