企业官网建设流程全解析

15年做那些网站致富,网上推广手段包括,seo计费系统,wordpress 设置角色Day 47#xff1a;【99天精通Python】NumPy 进阶 - 维度变换与布尔索引 前言 欢迎来到第47天#xff01; 在昨天#xff0c;我们已经掌握了 NumPy 数组的创建和基础运算。今天我们将继续深入#xff0c;学习两个非常强大的功能#xff1a; 维度变换#xff1a;把一维的 1…Day 47【99天精通Python】NumPy 进阶 - 维度变换与布尔索引前言欢迎来到第47天在昨天我们已经掌握了 NumPy 数组的创建和基础运算。今天我们将继续深入学习两个非常强大的功能维度变换把一维的 12 个数字变成 3x4 的矩阵或者反过来。这在图像处理比如把图片拉平送入神经网络中非常常见。布尔索引 (Boolean Indexing)不通过下标而是通过条件来取值。比如找出所有不及格的分数、“把所有负数变成0”。这些技巧是数据清洗和预处理的核心技能。本节内容reshape改变形状flattenvsravel扁平化转置 (Transpose)数组拼接与分割布尔索引与花式索引实战练习图像蒙版处理一、维度变换1.1 reshape变身术reshape可以改变数组的形状但元素总数必须保持一致。importnumpyasnp# 创建一个 0-11 的一维数组arrnp.arange(12)print(arr)# 变成 3行4列matrixarr.reshape(3,4)print(matrix)# 变成 2行6列print(arr.reshape(2,6))# 使用 -1 自动计算维度# 我只指定要 4 行列数你帮我算print(arr.reshape(4,-1))# 结果是 4x31.2 Flatten拍扁将多维数组变回一维数组。matrixnp.array([[1,2,3],[4,5,6]])# flatten: 返回一份拷贝 (修改不影响原数组)flatmatrix.flatten()flat[0]999print(matrix[0,0])# 依然是 1# ravel: 返回视图 (View, 修改会影响原数组)viewmatrix.ravel()view[0]999print(matrix[0,0])# 变成了 9991.3 转置 (Transpose)矩阵的行变列列变行。matrixnp.arange(12).reshape(3,4)print(matrix)# [[ 0 1 2 3]# [ 4 5 6 7]# [ 8 9 10 11]]print(matrix.T)# [[ 0 4 8]# [ 1 5 9]# [ 2 6 10]# [ 3 7 11]]二、数组拼接在数据预处理时我们经常需要把多个数据集拼在一起。vstack(Vertical Stack): 垂直拼接 (增加行)hstack(Horizontal Stack): 水平拼接 (增加列)anp.array([1,2,3])bnp.array([4,5,6])# 垂直拼接 (变成 2x3)print(np.vstack((a,b)))# [[1 2 3]# [4 5 6]]# 水平拼接 (变成 1x6)print(np.hstack((a,b)))# [1 2 3 4 5 6]三、神奇的索引3.1 布尔索引 (Boolean Indexing)这是 NumPy 最性感的特性之一。我们可以传入一个布尔数组来筛选数据。场景找出所有大于 5 的数。datanp.array([1,8,3,9,2,7])# 1. 生成布尔数组maskdata5print(mask)# [False True False True False True]# 2. 利用 mask 筛选print(data[mask])# [8 9 7]# 3. 一步到位 (常用)print(data[data5])场景把所有偶数替换为 0。data[data%20]0print(data)# [1 0 3 9 0 7]3.2 花式索引 (Fancy Indexing)使用整数数组作为索引一次性取出多个不连续的值。arrnp.arange(10)*10# [0, 10, 20, ..., 90]# 取出第 1, 3, 5 个元素indices[1,3,5]print(arr[indices])# [10 30 50]四、where 函数np.where是 Excel 中IF函数的加强版。语法np.where(条件, 真值, 假值)arrnp.array([10,20,30,40,50])# 如果大于 30改为 1否则为 0resnp.where(arr30,1,0)print(res)# [0 0 0 1 1]# 如果大于 30保持原值否则改为 -1res2np.where(arr30,arr,-1)print(res2)# [-1 -1 -1 40 50]五、实战练习练习1成绩清洗有一个学生成绩数组scores包含一些无效值-1 表示缺考。请计算有效成绩0的平均分。scoresnp.array([85,90,-1,78,-1,60,92])# 筛选有效成绩valid_scoresscores[scores0]print(f有效成绩:{valid_scores})print(f平均分:{np.mean(valid_scores):.2f})练习2图像蒙版 (Mask) 模拟假设一张图片是一个 5x5 的矩阵数值 0-255。请将所有亮度低于 100 的像素点太暗的全部提亮为 100。# 生成随机图片数据imgnp.random.randint(0,256,(5,5))print(原图:\n,img)# 处理小于100的变成100img[img100]100print(处理后:\n,img)六、小结NumPy 进阶变形 Shape合并 Stack索引 Indexreshape(m, n)flatten() / ravel()T (转置)vstack (垂直)hstack (水平)布尔索引 arr[arr5]花式索引 arr[[1,3]]where(cond, x, y)关键要点reshape是改变数组形状的神器记得用-1偷懒。布尔索引是数据清洗的核心一定要熟练掌握arr[condition]这种写法。np.where能轻松实现批量条件替换。七、课后作业矩阵标准化创建一个 10x5 的随机矩阵。将每一列的数据减去该列的平均值中心化处理。提示利用广播机制。双重条件筛选生成 1 到 100 的数组。筛选出所有能被 3 整除且能被 5 整除的数。提示使用运算符注意括号(cond1) (cond2)。One-hot 编码有一个标签数组labels [1, 0, 2, 1]类别总数为3。请创建一个对应的 One-hot 矩阵4x3对应位置为 1其余为 0。下节预告Day 48数据分析 Pandas 入门- 终于到了重头戏NumPy 虽然快但看表格还是不直观。明天我们学习 Pandas 的 DataFrame像操作 Excel 一样操作 Python 数据系列导航上一篇Day 46 - 数据分析NumPy基础下一篇Day 48 - 数据分析Pandas入门待更新