numpy常見操作總結

1.計算一個list的平均值

import numpy as np

# 創建一個包含數字的列表
my_list = [1, 2, 3, 4, 5]

# 使用numpy.mean()函數計算平均值
average = np.mean(my_list)

print("平均值:", average)

2.numpy數組查看尺寸

在 NumPy 中，您可以使用 .shape 屬性來查看數組的尺寸（維度大小）。.shape 屬性返回一個元組，其中包含數組在每個維度上的大小。以下是如何查看 NumPy 數組尺寸的示例代碼：

import numpy as np

# 創建一個示例數組
arr = np.array([[1, 2, 3], [4, 5, 6]])

# 使用 .shape 屬性查看數組尺寸
array_shape = arr.shape

print("數組尺寸:", array_shape)

在這個示例中，array_shape 將是一個元組 (2, 3)，表示數組的第一個維度大小為 2，第二個維度大小為 3。

如果您只想查看數組的維度數（即數組的秩），您可以使用 .ndim 屬性：

import numpy as np

# 創建一個示例數組
arr = np.array([[1, 2, 3], [4, 5, 6]])

# 使用 .ndim 屬性查看數組的維度數
array_dimension = arr.ndim

print("數組維度數:", array_dimension)

在這個示例中，array_dimension 將是一個整數值 2，表示數組是一個二維數組。

3.已知numpy二維數組，尺寸為224*224，現在使用裁剪框進行裁剪，裁剪框的左上角和右下角坐標為[x1,y1,x2,y2],怎麼實現

您可以使用 NumPy 的數組切片操作來實現裁剪功能。根據給定的裁剪框坐標 [x1, y1, x2, y2]，您可以使用切片來選擇所需的區域。以下是如何實現裁剪的示例代碼：

import numpy as np

# 創建一個示例的 224x224 二維數組
image_array = np.random.randint(0, 255, size=(224, 224))

# 裁剪框的左上角和右下角坐標
x1, y1, x2, y2 = 50, 50, 150, 150

# 使用切片來進行裁剪
cropped_array = image_array[y1:y2, x1:x2]

# 列印裁剪後的數組尺寸
print("裁剪後的數組尺寸:", cropped_array.shape)

在這個示例中，我們首先創建了一個隨機的 224x224 二維數組 image_array 作為示例輸入圖像。然後，我們使用給定的裁剪框坐標 [x1, y1, x2, y2] 來使用切片操作選擇裁剪區域。最後，我們列印裁剪後的數組尺寸，以確認裁剪是否成功。

請註意，切片操作不會修改原始數組，而是創建一個新的數組來表示裁剪後的區域。

4.numpy怎麼把一個尺寸為(14,15)擴展元素到(14,15,3)

您可以使用 NumPy 的廣播（broadcasting）功能來將一個尺寸為 (14, 15) 的數組擴展為 (14, 15, 3)。廣播允許您在某些情況下自動對不同形狀的數組執行操作，以使它們具有相同的形狀，從而進行元素級操作。

在這種情況下，您可以通過在第三個維度上添加一個長度為 3 的新維度來擴展數組。以下是如何實現的示例代碼：

import numpy as np

# 創建一個尺寸為 (14, 15) 的示例數組
array = np.random.rand(14, 15)

# 在第三個維度上添加一個長度為 3 的新維度
expanded_array = array[:, :, np.newaxis]

# 列印擴展後數組的形狀
print("擴展後數組的形狀:", expanded_array.shape)

在這個示例中，我們首先使用 np.random.rand(14, 15) 創建一個尺寸為 (14, 15) 的示例數組。然後，我們使用 array[:, :, np.newaxis] 在第三個維度上添加一個新維度，使數組的形狀從 (14, 15) 變為 (14, 15, 1)。

如果您想要的最終形狀是 (14, 15, 3)，您可以使用 np.repeat() 來將新維度複製為多個通道，如下所示：

import numpy as np

# 創建一個尺寸為 (14, 15) 的示例數組
array = np.random.rand(14, 15)

# 在第三個維度上添加一個長度為 3 的新維度
expanded_array = array[:, :, np.newaxis]

# 將新維度複製為 3 個通道
expanded_array = np.repeat(expanded_array, 3, axis=2)

# 列印擴展後數組的形狀
print("擴展後數組的形狀:", expanded_array.shape)

這樣，您就將數組從 (14, 15) 擴展為 (14, 15, 3)。

5.兩個numpy相乘，尺寸需要滿足什麼

在 NumPy 中，兩個數組相乘的規則與矩陣乘法和逐元素乘法相關。

• 逐元素相乘： 如果您想要逐元素地將兩個數組相乘，使得相同位置的元素相乘，那麼數組的尺寸必須相同。也就是說，兩個數組的形狀（維度）必須完全一致。

• 矩陣乘法（內積）： 如果您想要進行矩陣乘法（內積），其中第一個矩陣的列數必須等於第二個矩陣的行數。結果的矩陣將具有第一個矩陣的行數和第二個矩陣的列數。例如，如果第一個矩陣的形狀是 (m, n)，第二個矩陣的形狀是 (n, p)，那麼結果的矩陣形狀將是 (m, p)。

以下是兩種情況的示例代碼：

逐元素相乘：

import numpy as np

# 創建兩個相同尺寸的示例數組
array1 = np.array([[1, 2], [3, 4]])
array2 = np.array([[5, 6], [7, 8]])

# 逐元素相乘
elementwise_product = array1 * array2

print("逐元素相乘結果:")
print(elementwise_product)

矩陣乘法（內積）：

import numpy as np

# 創建兩個矩陣，第一個矩陣的列數等於第二個矩陣的行數
matrix1 = np.array([[1, 2], [3, 4]])
matrix2 = np.array([[5, 6], [7, 8]])

# 進行矩陣乘法（內積）
matrix_product = np.dot(matrix1, matrix2)

print("矩陣乘法結果:")
print(matrix_product)

6.numpy 數組中怎麼將0和1轉為False和True

要將 NumPy 數組中的 0 轉換為 False，將 1 轉換為 True，您可以使用條件運算符或者邏輯運算來實現。以下是兩種常見的方法：

• 使用條件運算符：

import numpy as np

# 創建一個示例的 NumPy 數組
numpy_array = np.array([[0, 1, 0], [1, 0, 1]])

# 使用條件運算符將 0 轉換為 False，將 1 轉換為 True
bool_array = numpy_array.astype(bool)

print(bool_array)

在這個示例中，astype(bool) 將數組的元素轉換為布爾類型，其中 0 被轉換為 False，1 被轉換為 True。

• 使用邏輯運算：

import numpy as np

# 創建一個示例的 NumPy 數組
numpy_array = np.array([[0, 1, 0], [1, 0, 1]])
# 學習中遇到問題沒人解答？小編創建了一個Python學習交流群：711312441
# 使用邏輯運算將 0 轉換為 False，將非零值轉換為 True
bool_array = numpy_array != 0

print(bool_array)

在這個示例中，numpy_array != 0 創建了一個布爾數組，其中非零元素被轉換為 True，零元素被轉換為 False。

無論您選擇哪種方法，最終都會得到一個布爾類型的數組，其中 0 被轉換為 False，1 被轉換為 True。