ノルムとはベクトルの長さの事
numpy.linalg.norm()関数
ソート
import numpy as np
arr = np.array([[8, 4, 2], [3, 5, 1]])
print(arr)
# argsort関数を用いて出力
arr.argsort()
# np.sort()を用いてソートし出力
arr = np.sort(arr)
print(arr)
# sort()を用いて行でソート
arr.sort(1)
print(arr)
|
1 2 3 4 5 6 |
[[8 4 2] [3 5 1]] [[2 4 8] [1 3 5]] [[2 4 8] [1 3 5]] |
二次元配列の縦横(x,y)は(2,5)
|
1 2 3 4 5 6 7 8 9 10 11 |
二次元配列の縦横(x,y)は(2,5) [[0 1 2 3 4] [5 6 7 8 9]] #transposeを使うと反転する arr = np.arange(10).reshape(2, 5) arr = np.transpose(arr) print(arr) |
|
1 2 3 4 5 |
[[0 5] [1 6] [2 7] [3 8] [4 9]] |
ファンシーインデックス
|
1 2 3 4 5 6 7 8 9 10 11 12 13 |
<span class="cm-variable">arr</span> = <span class="cm-variable">np</span>.<span class="cm-property">array</span>([[<span class="cm-number">1</span>, <span class="cm-number">2</span>], [<span class="cm-number">3</span>, <span class="cm-number">4</span>], [<span class="cm-number">5</span>, <span class="cm-number">6</span>], [<span class="cm-number">7</span>, <span class="cm-number">8</span>]]) の二次元配列は以下のようになる [[<span class="cm-number">1</span> <span class="cm-number">2</span>] [<span class="cm-number">3</span> <span class="cm-number">4</span>] [<span class="cm-number">5</span> <span class="cm-number">6</span>] [<span class="cm-number">7</span> <span class="cm-number">8</span>]]</code><code class="cm-s-ipython language-python"> </code><code class="cm-s-ipython language-python"> 以下のように指定すると <span class="cm-builtin">print</span>(<span class="cm-variable">arr</span>[[<span class="cm-number">3</span>, <span class="cm-number">2</span>, <span class="cm-number">0</span>]]) このように出力 |
|
1 2 3 4 |
[[<span class="cm-number">7</span> <span class="cm-number">8</span>] [<span class="cm-number">5</span> <span class="cm-number">6</span>] [<span class="cm-number">1</span> <span class="cm-number">2</span>]] |
axis=1 は行で横方向処理 axis=0は列で縦方向処理 ベクトルは計算後の数値を出力していく順番
axis=1 は横で行 axis=0は縦で列
ベクトルは計算後の数値を出力していく順番
| ## 2×4の行列を作成 | |
| A = np.arange(8).reshape(2,4) | |
| # >>> A | |
| # array([[0, 1, 2, 3], | |
| # [4, 5, 6, 7]]) | |
| ## 列方向の和をとり，行ベクトルを出力 | |
| row_sum = np.sum(A, axis=0) | |
| # >>> row_sum | |
| # array([ 4, 6, 8, 10]) | |
| ## 行方向の和をとり，列ベクトルを出力 | |
| col_sum = np.sum(A, axis=1) | |
| # >>> col_sum | |
| # array([ 6, 22]) |
二次元配列の縦横参照、スライス、
import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr)
[[1 2 3]
[4 5 6]
[7 8 9]]
# 変数arrの要素のうち3を出力してください
print (arr[0,2])
3
———————————————————–
#二次元配列が以下のようになっている場合
[[1 2 3]
[4 5 6]
[7 8 9]]
#以下のように指定すると
print (arr[1:,:2])
|
1 2 3 4 5 |
:に向かって上から数値の分だけ下に進んで踏んだ数を含めた [[4 5] [7 8]] #上記のようになる |
これは[2:,:2]を指定したという事は
2:が上から下に向かい2,3列目だけを指定する事と
:2が左から右に向かい2,1行目を指定しているから:1であれば左から右に向かい1行目
（ゼロはない）
print (arr[1:,1:])
の場合は
|
1 2 3 4 |
[[5 6] [8 9]] となる |