numpy 数组及运算
扩展库 numpy 是 Python 支持科学计算的重要扩展库，是数据分析和科学计算领域如 scipy、pandas、sklearn 等众多扩展库中必备的扩展库之一，提供了强大的 N 维数组及其相关的运算、复杂的广播函数、C/C++和Fortran代码集成工具以及线性代数、傅里叶变换和随机数生成等功能。
创建数组
数组是用来存储若干数据的连续内存空间，其中的元素一般是相同类型的，例如都是浮点数。数组运算是学习数据分析和机器学习相关算法的重要基础。在我们处理实际数据的时候，总会用到大量的数组运算或者矩阵的运算，这些数据有的是通过文件直接读取的，有的则是根据实际需要生成的，当然还有些数据是实时采集的。
import numpy as npnp.array([1, 2, 3, 4, 5])# -> array([1, 2, 3, 4, 5])np.array(range(5))# -> array([0, 1, 2, 3, 4])np.array([1, 2, 3],[4, 5, 6])# -> array([[1, 2, 3],#[4, 5, 6]])np.arange(5)#-> array([0, 1, 2, 3, 4])np.arange(1, 10, 2)#-> array([1, 3, 5, 7, 9])np.linspace(0, 10, 11)#-> array([ 0., 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.])np.linspace(0, 10, 11, endpoint=False)#-> array([0. , 0.90909091, 1.81818182, 2.72727273, 3.63636364,# 4.54545455, 5.45454545, 6.36363636, 7.27272727, 8.18181818,# 9.09090909])np.logspace(0, 100, 10)#-> array([1.00000000e+000, 1.29154967e+011, 1.66810054e+022, 2.15443469e+033,# 2.78255940e+044, 3.59381366e+055, 4.64158883e+066, 5.99484250e+077,# 7.74263683e+088, 1.00000000e+100])np.logspace(1, 6, 5, base=2)#-> array([ 2. , 4.75682846, 11.3137085 , 26.90868529, 64. ])np.zeros(3)#-> array([0., 0., 0.])np.ones(3)#-> array([1., 1., 1.])np.zeros((3, 3))#-> array([[0., 0., 0.],# [0., 0., 0.],# [0., 0., 0.]])np.ones((3, 3))#-> array([[1., 1., 1.],# [1., 1., 1.],# [1., 1., 1.]])np.identity(3)#-> array([[1., 0., 0.],# [0., 1., 0.],# [0., 0., 1.]])np.empty((3, 3))#-> array([[1., 0., 0.],# [0., 1., 0.],# [0., 0., 1.]])np.hamming(20)#-> array([0.08 , 0.10492407, 0.17699537, 0.28840385, 0.42707668,# 0.5779865 , 0.7247799 , 0.85154952, 0.94455793, 0.9937262 ,# 0.9937262 , 0.94455793, 0.85154952, 0.7247799 , 0.5779865 ,# 0.42707668, 0.28840385, 0.17699537, 0.10492407, 0.08 ])np.blackman(20)#-> array([-1.38777878e-17, 1.02226199e-02, 4.50685843e-02, 1.14390287e-01,# 2.26899356e-01, 3.82380768e-01, 5.66665187e-01, 7.52034438e-01,# 9.03492728e-01, 9.88846031e-01, 9.88846031e-01, 9.03492728e-01,# 7.52034438e-01, 5.66665187e-01, 3.82380768e-01, 2.26899356e-01,# 1.14390287e-01, 4.50685843e-02, 1.02226199e-02, -1.38777878e-17])np.kaiser(12, 5)#-> array([0.03671089, 0.16199525, 0.36683806, 0.61609304, 0.84458838,# 0.98167828, 0.98167828, 0.84458838, 0.61609304, 0.36683806,# 0.16199525, 0.03671089])np.random.randint(0, 50, 5)#-> array([ 6, 43, 33, 11, 5])np.random.randint(0, 50, (3,5))#-> array([[45, 30, 17, 31, 25],# [11, 32, 47, 48, 5],# [22, 29, 3, 9, 28]])np.random.rand(10)#-> array([0.53459796, 0.59163821, 0.11611952, 0.68199147, 0.03725451,# 0.57498382, 0.15140171, 0.33914725, 0.90706282, 0.68518446])np.random.standard_normal(5)#-> array([-0.62939386, -0.16023864, 1.67463293, -0.44869975, 0.97008488])np.random.standard_normal(size=(3, 4, 2))#-> array([[[-0.7924237 , -2.02222271],# [-0.7360387 , -1.88832641],# [-0.43188511, -0.40672139],# [ 2.03058394, 1.007505 ]],## [[ 0.35664297, 1.9308035 ],# [ 0.56456596, -1.02357394],# [ 1.45042549, -0.59816538],# [-0.00659242, 0.15439743]],## [[-1.31088702, -0.167339 ],# [ 0.44439704, 0.00819551],# [-2.39637084, -0.07890167],# [ 0.53474018, 1.18425122]]])np.diag([1, 2, 3, 4])#-> array([[1, 0, 0, 0],# [0, 2, 0, 0],# [0, 0, 3, 0],# [0, 0, 0, 4]])NumPy函数allclose()用于匹配两个数组，输出为布尔值，默认在1e-05的误差范围内。如果两个数组中的项在容忍范围内不相等，则返回False。这是一种检查两个数组是否每个元素都相似的好方法。
allclose()
numpy.allclose(a, b, rtol=1.e-5, atol=1.e-8, equal_nan=False)
其中参数：
- a是numpy数组
- b是numpy数组
- rtol是容许的相对最大误差系数，默认值是1.0e-5，则容许误差为rtol * abs(b)
- atol是a和b数组分别求和比较绝对值的差别
- equal_nan是是否将缺失值视为相同，默认是False
下面举个具体的例子：
输入：
array1 = np.array([0.12,0.17,0.24,0.29])
array2 = np.array([0.13,0.19,0.26,0.31])
输入：
np.allclose(array1,array2,0.1)
输出：
False
原因是rtol=0.1，那么(0.19 - 0.17) > (0.19 * 0.1)
把array1中的0.17改成0.18
输入：
array3 = np.array([0.12,0.18,0.24,0.29])
输入：
np.allclose(array3,array2,0.1)
输出：
True
总结
到此这篇关于Python NumPy实用函数笔记之allclose的文章就介绍到这了,更多相关NumPy实用函数allclose内容请搜索编程网以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程网！
