numpy—np.tile实现向量重复拼接矩阵

最新推荐文章于 2024-07-30 15:53:16 发布

原创最新推荐文章于 2024-07-30 15:53:16 发布 · 1.7k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#numpy #python

技巧及语法专栏收录该内容

12 篇文章

订阅专栏

当进行数据计算时候，就知道有多么方便了

向量拼接矩阵写法：np.tile(向量,目标矩阵行数).reshape(-1,向量列数)

import numpy as np

a = np.array([1,2,3,4])
res_a = np.tile(a,10).reshape(-1,4)
print(res_a)

运算结果：
在这里插入图片描述望指点

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

滴滴da

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

Numpy数组中的运算与拼接，看这篇就够了

Python宋宋的专栏

09-01

1443

a1与a2之间可以进行加减乘除，b1与b2可以进行逐元素的加减乘除运算，c1与c2之间可以进行逐元素的加减乘除以及矩阵相乘运算(矩阵相乘必须满足维度的对应关系)，而a与b，或者b与c之间不能进行逐元素的加减乘除运算，原因是他们的维度不匹配。可以发现如果axis=1，就是x轴的依次进行组合，如果是axis=-1就是两个数组的列进行组合。当然如果想直接进行行或者列的拼接也可以使用：hstack、vstack分别表示只进行行的拼接，或者列的拼接，类似上面的axis=1或axis=-1的情况。...

Python——NumPy（第二讲）

weixin_73504499的博客

07-24

1233

一维数组索引和切片、二维数组的索引和切片、改变数组的维度、数组的拼接、数组的转置、数组的分隔、数学函数、算术函数、统计函数、其他常用函数、数组排序、numpy广播机制、比较掩码

1 条评论您还未登录，请先登录后发表或查看评论

numpy之用concatenate()拼接数据

TSzero的博客

12-29

5885

我们有时会需要将数据进行拼接，在pandas中可以利用concat()等，而在numpy中可以利用numpy.concatenate()

numpy 数组重复组合 numpy 取整

鹏昱的博客

10-12

476

np.tile(): 将一个数组重复组合，具体组合方式看源码案例。 np.ceil(): 返回一个数的上限，就等于一个向上或者向下取整。具体看源码案例。

Python中numpy数组的拼接、合并

热门推荐

赵至柔的博客

06-12

38万+

Python中numpy数组的合并有很多方法，如 np.append() np.concatenate() np.stack() np.hstack() np.vstack() np.dstack() 其中最泛用的是第一个和第二个。第一个可读性好，比较灵活，但是占内存大。第二个则没有内存占用大的问题。假设有两个数组a，b分别为： >>> a array(［0,...

numpy——对vector、matrix进行拼接、分割

爱吃萝卜的小青菜

08-02

1839

数组拼接函数含义 np.vstack(tup)、np.hstack(tup) 将tuple内的所有数组按照vertical、horizontal 方向拼接 np.concatenate(a_tuple, axis=0) 将a_tuple内的数组按照某个方向拼接 np.split(ary,indices_or_sections,axis) 对数组按照某方向均匀分割成ind...

Numpy中有关矩阵的操作

旺旺小小靖的博客

08-12

427

Numpy中有关矩阵的操作最近在学python，遇到有关矩阵的问题，总结了基于numpy的常见的矩阵操作 import numpy as np import matplotlib.pyplot as plt import xlrd In [22]:#-----------------------矩阵生成与矩阵读取------------------------------# #一般矩阵生成方法...

numpy基本命令

xfd19971030的博客

10-18

2127

数据创建 1.常量 numpy.nan：空值 numpy.inf：正无穷大 numpy.pi：圆周率 numpy.e：自然常数 e 2.变量 Python 原生的数据类型相对较少， bool、int、float、str等。这在不需要关心数据在计算机中表示的所有方式的应用中是方便的。然而，对于科学计算，通常需要更多的控制。为了加以区分 numpy 在这些类型名称末尾都加了“_”。 numpy 的数值类型实际上是 dtype 对象的实例每个内建类型都有一个唯一定义它的字符代码日期时间：创建时

模型部署后处理 - numpy工具书

gaoxukkk888的博客

07-30

438

numpy在后处理上有着非常重要的作用，这里整理一些我经常在后处理上看到的numpy使用方法，当一个字典查阅，主体内容多借助AI生成，本文对生成的内容进行了补充和纠错！！！各个函数的例子代码为选自后处理代码的直接使用！！！

利用Python进行数据分析

aa_JamesJones的博客

10-18

1100

一.预备知识一些重要的Python库： Numpy pandas matplotlib Scipy scikit-learn statsmodels 二.Python语言基础缩进 import 运算符（is is not）数据类型：数值型字符串 Bytes Unicode 时间类型布尔型空值（None）控制...

详解Numpy中的数组拼接、合并操作（concatenate, append, stack, hstack, vstack, r_, c_等）

09-19

主要介绍了详解Numpy中的数组拼接、合并操作（concatenate, append, stack, hstack, vstack, r_, c_等），具有一定的参考价值，感兴趣的小伙伴们可以参考一下

将多个向量合并为一个矩阵

12-05

逐步一次读取某个路径下所有文件夹的数据文件，将其合并为一个矩阵并以所在文件夹名字命名，保存在指定路径下。

numpy 和pytorch的矩阵/张量拼接

张小猪的家

10-20

465

https://www.jianshu.com/p/85d27161b981 https://pytorch.org/docs/stable/generated/torch.cat.html?highlight=cat#torch.cat

05 ，numpy 矩阵操作：向量操作，矩阵操作，加和，数乘，内积，拼接，切割，转置，多乘扩展

孙砚秋的博客

07-02

365

1 ，向量 × 数字： nd01 * 2 代码： if __name__ == '__main__': nd01 = np.array([1,2,3,4]) nd02 = np.array([2,3,4,5]) res = nd01 * 2 print(nd01) print(res) ========================== [1 2 3 4] [2 4 6 8] 2 ，向量 + 向量： nd01 + nd02 代码： if __nam

numpy合并与分割

weixin_41436762的博客

01-11

822

1.concatenate函数 2.split函数 1.1 如果将二维D与一维向量进行拼接法一：将一维向量C利用reshape转为1X3的矩阵法二：使用vstack方法 2.numpy.split 其中 axis属性默认值为0，即按列分割，设置为1则按行分割 ...

Numpy学习笔记（下篇）

weixin_43485643的博客

08-01

681

Numpy学习笔记（下篇）文章目录Numpy学习笔记（下篇）一、Numpy数组的合并与分割操作1、合并操作2、分割操作二、Numpy中的矩阵运算1、Universal Function2、矩阵运算3、向量和矩阵运算三、Numpy中的聚合操作四、Numpy中的arg运算1、索引操作2、排序和索引使用五、Fancy Indexing六、Numpy.array的比较我是尾巴路漫漫其修远兮，吾将上...

Numpy——数组的拼接和分裂

无风而起的博客

10-16

594

1、利用np.concatenate、np.vstack、np.hstack进行数组拼接 np.concatenate([x, y], axis=0) 将x，y两个数组拼接在一起，返回numpy数组，x, y的类型可以是列表、元组、ndarray等等都可以，也可以有两个以上的列表进行拼接。axis是拼接维度，若axis不等于0的话x，y必须是多维数组。例子： grid = np.array([[1, 2, 3], [4, 5, 6]]) np.concatenate([grid, grid, grid],

Numpy数组拼接concatenate

xueruixuan的专栏

06-15

425

import numpy as np array1 = np.array([[0,1,2],[3,4,5],[6,7,8]]) array2 = np.arange(9).reshape((3,3)) + 6 np.concatenate([array1, array2], axis = 0) np.concatenate([array1, array2], axis = 1)

n11_list = np.array([0, 55, 60, 65, 70, 75, 80, 85, 90]) # 共9个n11值 a_list = np.array([0, 18, 22, 26, 30, 34]) # 共6个a值（单位：mm） # 表1中的q11数据（按行排列，每行对应一个n11，每列对应一个a） q11_table = np.array([ [0.000, 0.687, 0.815, 0.934, 1.189, 1.106], # n11=0 [0.000, 0.646, 0.792, 0.886, 1.006, 1.075], # n11=55 [0.000, 0.642, 0.772, 0.900, 0.990, 1.073], # n11=60 [0.000, 0.628, 0.764, 0.895, 0.988, 1.075], # n11=65 [0.000, 0.617, 0.753, 0.897, 0.992, 1.075], # n11=70 [0.000, 0.592, 0.733, 0.868, 0.988, 1.085], # n11=75 [0.000, 0.582, 0.720, 0.859, 0.974, 1.089], # n11=80 [0.000, 0.565, 0.710, 0.846, 0.969, 1.071], # n11=85 [0.000, 0.549, 0.694, 0.837, 0.965, 1.060], # n11=90 ]) # 构建输入矩阵p和输出向量t p = [] t = [] for i in range(len(n11_list)): n11 = n11_list[i] # 输入矩阵p: 第一列是a值，第二列是当前n11重复6次 a_values = np.tile(a_list, (1)).reshape(-1, 1) # 转换为列向量 n11_values = np.full((len(a_list), 1), n11) p_block = np.hstack((a_values, n11_values)) p.append(p_block) # 输出向量t: 按行展开q11_table t.append(q11_table[i, :]) p = np.vstack(p).T # 转换为(2, 54)的输入矩阵 t = np.hstack(t).reshape(-1, 1) # 转换为(54, 1)的输出向量 # 数据归一化（建议步骤） from sklearn.preprocessing import StandardScaler scaler_p = StandardScaler() p_scaled = scaler_p.fit_transform(p.T).T # 输入需要转置为(54, 2)再归一化 scaler_t = StandardScaler() t_scaled = scaler_t.fit_transform(t)是什么意思