Questions tagged «numpy»

假设我构造了两个numpy数组： a = np.array([np.NaN, np.NaN]) b = np.array([np.NaN, np.NaN, 3]) 现在，我发现两者和的np.mean收益：nanab >>> np.mean(a) nan >>> np.mean(b) nan 自numpy 1.8（2016年4月20日发布）以来，我们一直很幸运nanmean，它忽略了nan值： >>> np.nanmean(b) 3.0 然而，当阵列无关，但 nan价值，它提出了一个警告： >>> np.nanmean(a) nan C:\python-3.4.3\lib\site-packages\numpy\lib\nanfunctions.py:598: RuntimeWarning: Mean of empty slice warnings.warn("Mean of empty slice", RuntimeWarning) 我不喜欢抑制警告；有没有更好的功能可以用来得到nanmean没有警告的行为？

74 python  numpy  warnings 

有没有一种有效的Numpy机制，可以根据条件为true而不是布尔掩码数组来检索数组中位置的整数索引？ 例如： x=np.array([range(100,1,-1)]) #generate a mask to find all values that are a power of 2 mask=x&(x-1)==0 #This will tell me those values print x[mask] 在这种情况下，我想知道指标i的mask地方mask[i]==True。是否可以生成这些而不循环？

74 python  arrays  numpy 

现在说我有一个numpy数组，定义为 [[1,2,3,4], [2,3,NaN,5], [NaN,5,2,3]] 现在，我想要一个包含缺失值的所有索引的列表，[(1,2),(2,0)]在这种情况下。 有什么办法可以做到吗？

74 python  numpy  scipy 

我想用numpy计算逆。但是我遇到一个错误： 'numpy.ndarry' object has no attribute I 要计算以numpy表示的矩阵（例如矩阵M）的逆，它应该很简单： print M.I 这是代码： x = numpy.empty((3,3), dtype=int) for comb in combinations_with_replacement(range(10), 9): x.flat[:] = comb print x.I 我想是因为x现在变平了，所以发生此错误，因此' I'命令不兼容。有没有解决的办法？ 我的目标是打印每个可能的数值矩阵组合的逆矩阵。

74 python  numpy  matrix 

我有一个非常大的NumPy数组 1 40 3 4 50 4 5 60 7 5 49 6 6 70 8 8 80 9 8 72 1 9 90 7 .... 我想检查数组的第一列中是否存在一个值。我有很多本地方法（例如遍历每一行并进行检查），但是鉴于数组的大小，我想找到最有效的方法。 谢谢！

73 python  performance  numpy 

我需要完成以下任务： 从： a = array([[1,3,4],[1,2,3]...[1,2,1]]) （向每行添加一个元素）到： a = array([[1,3,4,x],[1,2,3,x]...[1,2,1,x]]) 我已经尝试做类似a [n] = array（[1,3,4，x]）的事情 但是numpy抱怨形状不匹配。我尝试遍历a并将元素x附加到每个项目，但是更改未反映出来。 关于如何实现此目标的任何想法？

73 python  numpy 

有没有一种很好的方法来区分python中的行向量和列向量？到目前为止，我正在使用numpy和scipy，到目前为止，我看到的是，如果我要给一个向量，说 from numpy import * Vector = array([1,2,3]) 他们无法说天气，我的意思是行或列向量。此外： array([1,2,3]) == array([1,2,3]).transpose() True 在“现实世界”中哪一个根本是不正确的。我意识到上述模块中向量上的大多数功能都不需要区分。例如，outer(a,b)或者a.dot(b)我想为自己的方便而与众不同。

73 python  arrays  numpy  vector  scipy 

我想加载彩色图像，将其转换为灰度，然后反转文件中的数据。 我需要的是：遍历OpenCV中的数组并使用此公式更改每个值（这可能是错误的，但对我来说似乎很合理）： img[x,y] = abs(img[x,y] - 255) 但我不明白为什么它不起作用： def inverte(imagem, name): imagem = abs(imagem - 255) cv2.imwrite(name, imagem) def inverte2(imagem, name): for x in np.nditer(imagem, op_flags=['readwrite']): x = abs(x - 255) cv2.imwrite(name, imagem) if __name__ == '__main__': nome = str(sys.argv[1]) image = cv2.imread(nome) gs_imagem = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) inverte(gs_imagem, "invertida.png") inverte2(gs_imagem, …

73 python  arrays  opencv  numpy  image-processing 

我想根据我在matplotlib中的python脚本中生成的帧创建h264或divx电影。这部电影大约有10万张。 在网络上的示例中[例如 1]，我只看到了将每个帧另存为png，然后在这些文件上运行mencoder或ffmpeg的方法。就我而言，保存每一帧是不切实际的。有没有办法获取从matplotlib生成的图并将其直接传输到ffmpeg，而不会生成任何中间文件？ 用ffmpeg的C-api编程对我来说太困难了[例如。2]。另外，我需要一种具有良好压缩效果的编码，例如x264，因为电影文件对于后续步骤来说太大了。因此，最好坚持使用mencoder / ffmpeg / x264。 管道[3]有什么可以做的吗？ [1] http://matplotlib.sourceforge.net/examples/animation/movie_demo.html [2]如何使用x264 C API将一系列图像编码为H264？ [3] http://www.ffmpeg.org/ffmpeg-doc.html#SEC41

73 python  numpy  ffmpeg  matplotlib  x264 

使用Python解决一对非线性方程式的（最佳）方法是什么？（Numpy，Scipy或Sympy） 例如： x + y ^ 2 = 4 e ^ x + xy = 3 解决以上问题的代码片段会很棒

73 python  numpy  scipy  sympy 

在scipy中，我们可以使用scipy.sparse.lil_matrix（）等构造一个稀疏矩阵。但是该矩阵是二维的。 我想知道Python中是否存在稀疏3d矩阵/数组（张量）的数据结构？ ps我在3d中有很多稀疏数据，需要张量来存储/执行乘法。如果没有现有的数据结构，是否有实现此类张量的建议？

73 python  numpy  scipy  sparse-matrix 

我尝试了以下方法： >>> a = np.array([1,2,3]) >>> b = np.array([4,5,6]) >>> np.concatenate((a,b), axis=0) array([1, 2, 3, 4, 5, 6]) >>> np.concatenate((a,b), axis=1) array([1, 2, 3, 4, 5, 6]) 但是，我希望至少有一个结果像这样 array([[1, 2, 3], [4, 5, 6]]) 为什么它不是垂直连接的？

73 python  arrays  numpy  concatenation 

由于所有元素均为“ false”，如何返回“ false”？ 给定的列表是： data = [False, False, False]

73 python  list  numpy 

我有以下代码来测试sklearn python库的一些最流行的ML算法： import numpy as np from sklearn import metrics, svm from sklearn.linear_model import LinearRegression from sklearn.linear_model import LogisticRegression from sklearn.tree import DecisionTreeClassifier from sklearn.neighbors import KNeighborsClassifier from sklearn.discriminant_analysis import LinearDiscriminantAnalysis from sklearn.naive_bayes import GaussianNB from sklearn.svm import SVC trainingData = np.array([ [2.3, 4.3, 2.5], [1.3, 5.2, 5.2], [3.3, 2.9, …

73 python  numpy  scikit-learn 

当然，0d数组是标量的，但Numpy似乎并不这么认为...我是否缺少某些内容？还是我只是误解了这个概念？ >>> foo = numpy.array(1.11111111111, numpy.float64) >>> numpy.ndim(foo) 0 >>> numpy.isscalar(foo) False >>> foo.item() 1.11111111111

72 python  numpy