Numpy模块被广泛用于科学和数值计算,自然有它的强大之处,之前对于特征处理中需要进行数据列表或者矩阵拼接的时候都是自己写的函数来完成的,今天发现一个好玩的函数,不仅好玩,关键性能强大,那就是Numpy模块自带的矩阵、列表连接函数,实践一下。
#!usr/bin/env python #encoding:utf-8 from __future__ import division ''' __Author__:沂水寒城 使用numpy模块实现矩阵的连接操作 ''' import numpy as np def simple_test(): ''' 简单的小实验 ''' sim_one,sim_two=[1,5,8,0,3,6],[11,5,8,0,3] one_list=[[1,2,3],[1,2,1],[3,4,5],[4,5,6]] two_list=[[5,6,7],[6,7,8],[6,7,9],[0,4,7],[4,6,0],[2,9,1],[5,8,7],[9,7,8],[3,7,9]] three_list=[[0,4,3,7],[4,6,1,0],[2,5,9,1]] three_list=np.array(three_list) four_list=[[2,9,1],[5,8,7],[9,7,8],[3,7,9]] print '对一维列表连接结果为:' pring np.concatenate([sim_one,sim_two],axis=0) print '对两个矩阵按行连接结果为:' print np.concatenate([one_list,two_list],axis=0) print '对两个矩阵按列连接结果为:' print np.concatenate([one_list,three_list.T],axis=1) print np.concatenate([one_list,four_list],axis=1) if __name__ == '__main__': simple_test()
结果如下:
[Decode error - output not utf-8] [Decode error - output not utf-8] [ 1 5 8 0 3 6 11 5 8 0 3] 对两个矩阵按行连接结果为: [[1 2 3] [1 2 1] [3 4 5] [4 5 6] [5 6 7] [6 7 8] [6 7 9] [0 4 7] [4 6 0] [2 9 1] [5 8 7] [9 7 8] [3 7 9]] 对两个矩阵按列连接结果为: [[1 2 3 0 4 2] [1 2 1 4 6 5] [3 4 5 3 1 9] [4 5 6 7 0 1]] [[1 2 3 2 9 1] [1 2 1 5 8 7] [3 4 5 9 7 8] [4 5 6 3 7 9]] [Finished in 0.5s]
np.concatenate()函数中,第一个参数为待合并的矩阵、列表,第二个参数为0则表示是按照行连接数据,为1则表示是按照列连接数据。
从上面结果可以看到对于一维列表,axis参数可以省略,对于二维列表当axis为0时也可以省略
当axis为1时,需要注意被连接的数据矩阵行数列数需要相同才行,否则会报错:
AttributeError: 'list' object has no attribute 'T'
即,当axis为1时,本质上就是将矩阵以行为基准对应行的数据直接连接即可
当axis为1时,本质上就是将矩阵以列为基准将数据以此向下堆放在一起即可
以上这篇Python使用numpy模块实现矩阵和列表的连接操作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,也希望大家多多支持小牛知识库。
本文向大家介绍Python中的Numpy矩阵操作,包括了Python中的Numpy矩阵操作的使用技巧和注意事项,需要的朋友参考一下 Numpy 通过观察Python的自有数据类型,我们可以发现Python原生并不提供多维数组的操作,那么为了处理矩阵,就需要使用第三方提供的相关的包。 NumPy 是一个非常优秀的提供矩阵操作的包。NumPy的主要目标,就是提供多维数组,从而实现矩阵操作。 NumPy
问题内容: 使用SciPy / Numpy在Python中连接稀疏矩阵的最有效方法是什么? 在这里,我使用以下内容: 我想在回归中使用两个预测变量,但是当前格式显然不是我想要的格式。是否有可能获得以下信息: 它太大,无法转换为深格式。 问题答案: 您可以使用来连接行数相同的稀疏矩阵(水平串联): 同样,您可以用于将具有相同列数的稀疏矩阵进行串联(垂直串联)。 使用或将创建带有两个稀疏矩阵对象的数组
问题内容: 假设我有一个由列表列表组成的矩阵,如下所示: 同样,假设我有一个具有相同结构的numpy矩阵,称为: 使用numpy,我可以得到这个矩阵的子矩阵,如下所示: 我可以像这样在纯Python中复制numpy矩阵切片: 这不是世界上最容易阅读的东西,也不是最有效的:-) 问题:是否有更简单的方法(在纯Python中)将任意矩阵切片为子矩阵? 问题答案: 您还可以通过定义以下子类来模仿NumP
问题内容: NumPy是一个非常有用的库,通过使用它,我发现它能够轻松处理非常大的矩阵(10000 x 10000),但是开始处理任何更大的矩阵(尝试创建50000 x 50000的矩阵)失败)。显然,这是因为需要大量内存。 是否有一种方法可以以某种方式(没有几个terrabytes的RAM)在NumPy中本地创建大型矩阵(比如说一百万乘一百万)? 问题答案: PyTables和NumPy是必经之
问题内容: 我有以下内容: 如何在XYZ_2上执行与在XYZ_2上相同的操作?我会以某种方式首先重塑数组吗? 问题答案: 您似乎正在尝试的最后一个轴 与最后一个 。因此,您可以像这样使用- 相关帖子了解。 为了完整起见,在交换的最后两个轴后,我们当然也可以使用,例如- 这将不如一个高效。 运行时测试- 一般而言,涉及张量时,效率要高得多。由于的轴只有一个,因此我们可以通过重整,使用,获取结果并将其
本文向大家介绍python实现矩阵乘法的方法,包括了python实现矩阵乘法的方法的使用技巧和注意事项,需要的朋友参考一下 本文实例讲述了python实现矩阵乘法的方法。分享给大家供大家参考。具体实现方法如下: 希望本文所述对大家的Python程序设计有所帮助。