Questions tagged «numpy»

我正在使用PythonsNumPy模块进行编码。如果将3D空间中的点的坐标描述为[1, 2, 1]，那不是三个维度，三个轴，三个等级吗？或者，如果那是一个维度，那它不应该是点（复数），而不是点吗？ 这里是文档： 在Numpy中，尺寸称为轴。轴数为等级。例如，3D空间[1、2、1]中的点的坐标是等级1的数组，因为它具有一个轴。该轴的长度为3。 资料来源：http : //wiki.scipy.org/Tentative_NumPy_Tutorial

82 python  numpy 

我有两个2d numpy数组：x_array包含x方向的位置信息，y_array包含y方向的位置。 然后，我有一长串x，y点。 对于列表中的每个点，我需要找到最接近该点的位置（在数组中指定）的数组索引。 基于这个问题，我天真地产生了一些有效的代码： 在numpy数组中查找最近的值 即 import time import numpy def find_index_of_nearest_xy(y_array, x_array, y_point, x_point): distance = (y_array-y_point)**2 + (x_array-x_point)**2 idy,idx = numpy.where(distance==distance.min()) return idy[0],idx[0] def do_all(y_array, x_array, points): store = [] for i in xrange(points.shape[1]): store.append(find_index_of_nearest_xy(y_array,x_array,points[0,i],points[1,i])) return store # Create some dummy data y_array = numpy.random.random(10000).reshape(100,100) x_array = …

82 python  algorithm  numpy 

我有一个形状为（X，Y）的Pandas数据框对象，如下所示： [[1, 2, 3], [4, 5, 6], [7, 8, 9]] 还有一个形状为（X，Z）的numpy稀疏矩阵（CSC），看起来像这样 [[0, 1, 0], [0, 0, 1], [1, 0, 0]] 如何将矩阵中的内容添加到新命名列中的数据框中，以使数据框最终像这样： [[1, 2, 3, [0, 1, 0]], [4, 5, 6, [0, 0, 1]], [7, 8, 9, [1, 0, 0]]] 请注意，数据框现在具有形状（X，Y + 1），并且矩阵中的行是数据框中的元素。

82 python  numpy  pandas 

我需要过滤一个数组以删除低于某个阈值的元素。我当前的代码是这样的： threshold = 5 a = numpy.array(range(10)) # testing data b = numpy.array(filter(lambda x: x >= threshold, a)) 问题在于，这会使用带有lambda函数（慢速）的过滤器来创建一个临时列表。 由于这是一个非常简单的操作，因此也许有一个numpy函数可以高效地完成此操作，但是我一直找不到它。 我以为实现此目的的另一种方法可能是对数组进行排序，找到阈值的索引，然后从该索引开始返回一个切片，但是即使对于较小的输入这会更快（而且无论如何也不会引起注意） ），随着输入大小的增加，它的渐近渐近效率降低。 有任何想法吗？谢谢！ 更新：我也进行了一些测量，当输入为100.000.000条目时，sorting + slicing仍比纯python过滤器快两倍。 In [321]: r = numpy.random.uniform(0, 1, 100000000) In [322]: %timeit test1(r) # filter 1 loops, best of 3: 21.3 s per loop In [323]: …

81 python  filter  numpy  threshold 

对我来说，np.corrcoef返回一个矩阵似乎很奇怪。 correlation1 = corrcoef(Strategy1Returns,Strategy2Returns) [[ 1. -0.99598935] [-0.99598935 1. ]] 有谁知道为什么会这样，以及是否有可能仅返回经典意义上的一个值？

81 python  math  numpy 

如何获得多维NumPy数组中最大值的位置（索引）？

81 python  arrays  indexing  numpy 

我不知道如何在Scipy中进行两样本KS测试。 阅读文档scipy kstest之后 我可以看到如何测试分布与标准正态分布相同的地方 from scipy.stats import kstest import numpy as np x = np.random.normal(0,1,1000) test_stat = kstest(x, 'norm') #>>> test_stat #(0.021080234718821145, 0.76584491300591395) 这意味着在0.76的p值下，我们不能拒绝两个分布相同的零假设。 但是，我想比较两个分布，看看是否可以拒绝它们相同的零假设，例如： from scipy.stats import kstest import numpy as np x = np.random.normal(0,1,1000) z = np.random.normal(1.1,0.9, 1000) 并测试x和z是否相同 我尝试过天真： test_stat = kstest(x, z) 并得到以下错误： TypeError: 'numpy.ndarray' object …

81 python  numpy  scipy  statistics  distribution 

In [28]: arr = np.arange(16).reshape((2, 2, 4)) In [29]: arr Out[29]: array([[[ 0, 1, 2, 3], [ 4, 5, 6, 7]], [[ 8, 9, 10, 11], [12, 13, 14, 15]]]) In [32]: arr.transpose((1, 0, 2)) Out[32]: array([[[ 0, 1, 2, 3], [ 8, 9, 10, 11]], [[ 4, 5, 6, …

81 python  arrays  numpy  transpose 

当我运行代码时，偶尔会以四个为一组的形式收到这些警告。我试图通过在某些语句之前和之后放置调试消息来定位源，以查明源。 Warning: invalid value encountered in double_scalars Warning: invalid value encountered in double_scalars Warning: invalid value encountered in double_scalars Warning: invalid value encountered in double_scalars 这是Numpy警告，什么是双标量？ 从Numpy我使用 min(), argmin(), mean() and random.randn() 我也使用Matplotlib

81 python  numpy  warnings  matplotlib 

我正在使用Pandas数据框，并希望根据现有列创建一个新列。对于df.apply()和之间的速度差异，我还没有很好的讨论np.vectorize()，所以我想在这里问一下。 熊猫apply()功能很慢。根据我的测量（在一些实验中显示如下），至少在我的2016 MacBook Pro上，使用np.vectorize()它比使用DataFrame函数快25倍（或更多）apply()。这是预期的结果吗？为什么？ 例如，假设我具有带N行的以下数据框： N = 10 A_list = np.random.randint(1, 100, N) B_list = np.random.randint(1, 100, N) df = pd.DataFrame({'A': A_list, 'B': B_list}) df.head() # A B # 0 78 50 # 1 23 91 # 2 55 62 # 3 82 64 # 4 99 80 进一步假设我想根据这两列A和创建一个新列B。在下面的示例中，我将使用一个简单的函数divide()。要应用此功能，我可以使用df.apply()或np.vectorize()： def …

81 python  arrays  pandas  performance  numpy 

如何csr_matrix以可移植格式保存/加载稀疏稀疏？稀疏稀疏矩阵是在Python 3（Windows 64位）上创建的，以在Python 2（Linux 64位）上运行。最初，我使用pickle（协议= 2，fix_imports = True），但是从Python 3.2.2（Windows 64位）到Python 2.7.2（Windows 32位）不起作用，并出现错误： TypeError: ('data type not understood', <built-in function _reconstruct>, (<type 'numpy.ndarray'>, (0,), '[98]')). 接下来，尝试了numpy.save，numpy.load以及，scipy.io.mmwrite()并且scipy.io.mmread()这些方法都不起作用。

80 python  numpy  scipy 

要求： 我需要从数据中任意增大一个数组。 我可以猜测大小（大约100-200），但不能保证每次都适合该数组 一旦增长到最终大小，我就需要对其进行数值计算，因此我更希望最终使用二维numpy数组。 速度至关重要。例如，对于300个文件之一，update（）方法被称为4500万次（大约需要150秒），而finalize（）方法被称为500k次（总共需要106s）……总共需要250s或者。 这是我的代码： def __init__(self): self.data = [] def update(self, row): self.data.append(row) def finalize(self): dx = np.array(self.data) 我尝试过的其他操作包括以下代码...但这速度会慢一些。 def class A: def __init__(self): self.data = np.array([]) def update(self, row): np.append(self.data, row) def finalize(self): dx = np.reshape(self.data, size=(self.data.shape[0]/5, 5)) 这是如何称呼它的示意图： for i in range(500000): ax = A() for …

80 python  performance  numpy 

我有一个2D矩阵，我想对每一行进行规范。但是当我numpy.linalg.norm(X)直接使用时，它将采用整个矩阵的范数。 我可以通过使用for循环来对每一行进行规范，然后对每一行进行规范X[i]，但是由于我有30k行，所以这需要花费大量时间。 有什么建议可以找到更快的方法吗？还是可以将其应用于np.linalg.norm矩阵的每一行？

80 python  numpy 

我有一个a像这样的数组： a = [[40, 10], [50, 11]] 我需要分别计算每个维度的平均值，结果应为： [45, 10.5] 45作为平均值的a[*][0]和10.5平均的a[*][1]。 在不使用循环的情况下解决此问题的最优雅的方法是什么？

80 python  arrays  multidimensional-array  numpy  mean 

我想要一个2d NumPy数组（x，y）的列表，其中每个x分别位于{-5，-4.5，-4，-3.5，...，3.5、4、4.5、5}中，并且与y相同。 我可以做 x = np.arange(-5, 5.1, 0.5) y = np.arange(-5, 5.1, 0.5) 然后遍历所有可能的对，但是我敢肯定有更好的方法... 我想要一些看起来像这样的东西： [[-5, -5], [-5, -4.5], [-5, -4], ... [5, 5]] 但是顺序并不重要。

80 python  numpy  cartesian-product