模板类 vector

　　数组尽管很灵活，但使用起来还是很多不方便。为此，C++ 语言定义了扩展的“抽象数据类型”（Abstract Data Type，ADT），放在“标准库”中。 　　对数组功能进行扩展的一个标准库类型，就是“容器” vector。顾名思义，vector “容纳”着一堆数据对象，其实就是一组类型相同的数据对象的集合。 头文件和命名空间 　　vector 是标准库的一部分。要想使用 vector，必须在程序中包含 <vector> 头文件，并使用std 命名空间。 # include<vector> using namespace std; 　　在 vector 头文件中，对 vector 这种类型做了定义；使用 #includ 引入它之后，并指定命名空间 std 之后，我们就可以在代码中直接使用 vector 了。 vector 的基本使用 　　vector 其实是 C++ 中的一个“类模板”，是用来创建类的“模子”。所以在使用时还必须提供具体的类型信息，也就是说，这个容器中到底要容纳什么类型的数据对象；具体的形式是在 vector 后面跟一个尖括号 <&

笔记 · 2023-06-24 · 256 人浏览
模板类 vector

如何写好 Python 的 Lambda 函数？

　　需要完成一件小工作时，在本地环境中使用这个函数，可以让工作如此得心应手，它就是 Lambda 函数。Lambda 函数是 Python 中的匿名函数。有些人将它们简称为lambdas，它的语法如下： lambda arguments: expression 　　lambda 关键字可以用来创建一个 lambda 函数，紧跟其后的是参数列表和用冒号分割开的单个表达式。例如： lambda x: 2 * x # 将任何输入的数乘2 lambda x, y: x + y # 计算两个数字的和 　　本文旨在提供有关如何正确使用 lambda 函数的一些常规准则。 1. 不带返回任何值 　　我们在 lambda 函数中并没有返回任何内容。这都是因为 lambda 函数只能包含一个表达式。然而，使用 return 关键字会构成不符合规定语法的语句，如下所示： >>> integers = [(3, -3), (2, 3), (5, 1), (-4, 4)] >>> sorted(integers, key=lambda x: x[-1]) [(3,

笔记 · 2023-06-20 · 268 人浏览
如何写好 Python 的 Lambda 函数？

Numpy 数组操作

　　NumPy支持各种索引和切片操作、数组转置和重塑操作、数组拼接和堆叠操作等。这些功能可以使用户方便地对数据进行处理、计算和分析。 基本操作 ndarray 数组与其他数据序列类似，也可以进行索引、切片和迭代。 1. 索引 一维与列表完全一致，多维时同理，这里直接用示例说明。 　　除了一些基本的索引操作，ndarray 也支持一些不一样的索引方式。 2. 切片 对 ndarray 进行切片操作与一维数组相同，用索引标记切片的起始和终止位置即可。因为 ndarray 可以是多维数组，在进行切片时，通常需要设定每个维度上的切片位置。 一维与列表完全一致，多维时同理。 所有的切片方式都是开区间（左闭右开）。 import numpy as np # 创建一个 4×6 的二维数组 arr = np.random.randint(0, 100, size=(4, 6)) print('arr=\n', arr) # 截取第 2 行到最后一行，第 2 列到第 4 列构成的 ndarray arr1 = arr[1:, 1:4] print('arr1=\n', arr1)

笔记 · 2023-05-24 · 533 人浏览
Numpy 数组操作

Numpy 常用方法

　　在了解Numpy 基本概念后使用 Numpy，可以很方便地执行数组运算、逻辑运算、傅里叶变换和图形图像操作。Numpy 数组的运算效率优于 Python 的标准 List 类型。而且代码中使用 Numpy 可以省去很多烦琐的处理语句，代码更为简洁。 Numpy 数组属性 1. 常用术语 轴（Axis）：每个线性数组称为一个轴，轴即数组的维度（Dimensions）。 秩（Rank）：秩描述 Numpy 数组的维数，即轴的数量。 例如：[0, 1, 2] 是一个一维数组，只有一个轴，其秩为 1，轴长度为 3； [[0, 1, 2], [3, 4, 5]]是一个二维数组，数组的秩为 2，具有两个轴，其中第一个轴（维度）的长度为 2，第二个轴（维度）的长度为 3。 在使用的时候可以声明 axis，如果 axis=0，表示按第 0 轴方向操作，即对每列进行操作；如果 axis=1，表示按第 1 轴方向操作，即对每列进行操作。 import numpy as np # 使用 axis 参数设置当前轴 arr = np.array([[0, 1, 2], [3

笔记 · 2023-05-23 · 515 人浏览
Numpy 常用方法

Numpy 基本概念

　　Numpy 是 Numerical Python 的简称，是高性能计算和数据分析的基础包，是 Python 的一个重要补充库。Numpy 支持高维度数组与矩阵计算，也针对数组运算提供了大量的数学函数库。Numpy 运算效率极好，是大量机器学习框架的基础库。 ndarray 对象 Numpy 中主要包含一个强大的 N 维数组对象 ndarray、整合了 C/C++ 和 FORTRAN 代码的工具包，以及丰富的数学函数库，尤其是实用的线性代数、傅里叶变换和随机数生成的函数。 ndarray 对象是一系列同类型数据的集合下标索引从 0 开始，是一个用于存放同类型元素的多维数组。ndarray 中的每个元素在内存中都具有相同大小的存储区域。 1. ndarray 的内部结构 相对于标准的数组，ndarray 本质上是一个数据结构。 ndarray 内部主要由以下内容构成： shape：数组形状，表示数组各维大小的整数元组。 dtype：数据类型，描述数组的类型对象。对象类型为内置的 24 种数组标量类型的一种。 data：数组数据，指向内存中数据的指针。 strides：跨度

笔记 · 2023-05-23 · 535 人浏览
Numpy 基本概念
2023 - 2025 Justin知识库. All Rights Reserved.
Theme Jasmine by Kent Liao

本网站由 又拍云 提供CDN加速/云存储服务

鄂ICP备2023005457号    鄂公网安备 42011302000815号

欢迎来自 * · * 的用户