npy是什么意思(如果你不懂Numpy的话)
如果有更好的建议或者想看更多关于综合百科技术大全及相关资讯，可以多多关注茶馆百科网。
作者|天元浪子
来源|CSDN博客
0.简介大概七八年前，我用pyOpenGL绘制了一个地球磁层顶部的三维模型，这个代码现在还在某科研机构运行。在此之前，我一直觉得自己是一个有(你)格的python程序员，似乎无所不能。但是磁层顶模的显示效果让我很压抑。虽然这个模型只有几十万个顶点，但是拖动和缩放是非常困难的。最后我把顶点数削减到2万左右，为了兼顾模型质量和响应速度，最后勉强交付了这个任务。从此我开始怀疑python的性能，甚至怀疑python是否还是我的首选工具。
还好后来遇到了神器numpy。Numpy是python科学计算的基础软件包，提供多维数组对象，各种派生对象(掩膜数组，矩阵等。)以及快速数组运算的函数和API，包括数学、逻辑、数组形状变换、排序、选择、I/O、离散傅立叶变换、基本线性代数、基本统计运算、随机模拟等等。
了解了numpy之后，我才知道磁层顶部的3D模型之所以慢，是因为用list(python array)存储数据，而不是ndarray(numpy array)。有了numpy，python程序员就有可能写出能以C语言速度运行的代码。熟悉numpy，可以学习使用pyo pengl/pyo pencv/panda/mapplotlib等数据处理和可视化模块。
事实上，numpy的数据组织结构，尤其是数组(numpy.ndarray)几乎已经成为所有数据处理和可视化模块的标准数据结构(类似python几乎已经成为机器学习领域的首选工具语言)。越来越多基于python的科学和数学软件包使用numpy数组。虽然这些工具通常支持python的原生数组作为参数，但它们仍然会在处理之前将输入数组转换为numpy数组，并且通常将它们输出为numpy数组。Numpy在python圈子里变得越来越重要和普遍。换句话说，为了高效地使用基于python的科学/数学工具(大多数科学计算工具)，您只知道如何使用python的原生数组类型是不够的，还需要知道如何使用numpy数组。
总结：在这个AI和ML霸屏的时代，如果不懂numpy，请别说自己是python程序员。
1.1.listVSndarraynumpy的核心是ndarray对象(numpy array)，它封装了python的原生N维数组(python array)，数据类型相同。numpy数组和python数组之间有几个重要的区别：
一旦创建了numpy数组，它的元素数量就不能更改。添加或删除ndarray元素意味着创建一个新数组并删除原始数组。python数组的元素可以动态增减。
numpy数组中的元素需要具有相同的数据类型，因此它们在内存中具有相同的大小。Python数组没有这个要求。
Numpy数组方法涵盖了大量的数学运算和复杂运算，很多方法在最外层的numpy命名空间都有对应的映射函数。相比python数组，numpy数组的方法功能更强大，执行效率更高，代码更简单。
但是，上述差异并不能真正体现ndarray的优势。ndarray的本质在于numpy的两个特性：向量化和广播。矢量化可以理解为没有显式的循环、索引等。在代码中，广播可以理解为对每个元素进行隐式操作。矢量化和广播理解起来有点抽象，举个栗子来说明一下。
* *例**a和B是两个等长的整数数组，求A和B对应元素的乘积形成的数组。
1.使用python数组实现：
c=列表
foriinrange(透镜(a)):
附加(a[i]*b[i])
2.使用numpy数组实现：
栗子c=a*b是否体现了矢量化和广播的强大威力？请仔细体验！
总结:
矢量化代码更简单，更容易阅读。
更少的代码行通常意味着更少的错误。
代码更接近标准的数学符号。
矢量化代码更加pythonic化
2.dtypeANDshape孔子说：要找一个对象，先要了解其性格，要学习对象，先要了解其属性。ndarray对象有许多属性，如下表所示。
基于以下三个原因，我认为dtype和shape是ndarray最重要的两个属性，重要到其他属性几乎可以忽略。
我们参观过的坑几乎都是用dtype挖的。
我们几乎所有的困惑都是因为形状和我们预想的不一样。
我们的很多工作都在改变形状。
Ndarray.astype可以修改元素类型，ndarray.reshape可以重新定义数组的结构，这两个方法的重要性以及它们对应的属性。
一样。记住这两个属性和对应的两个方法，就算是登堂入室了。想了解numpy支持的元素类型，请点击《数学建模三剑客MSN》numpy.array(object,dtype=None,copy=True,order=None,subok=False,ndmin=0)
numpy.empty(shape,dtype=float,order='C')
numpy.zeros(shape,dtype=float,order='C')
numpy.ones(shape,dtype=float,order='C')
numpy.eye(N,M=None,k=0,dtype=float,order='C')
应用示例：
>>>importnumpyasnp
>>>>np.array([1,2,3])
array([1,2,3])
>>>np.empty((2,3))
array([[2.12199579e-314,6.36598737e-314,1.06099790e-313],
[1.48539705e-313,1.90979621e-313,2.33419537e-313]])
>>>np.zeros(2)
array([0.,0.])
>>>np.ones(2)
array([1.,1.])
>>>np.eye(3)
array([[1.,0.,0.],
[0.,1.,0.],
[0.,0.,1.]])
numpy.random.random(size=None)
numpy.random.randint(low,high=None,size=None,dtype='l')
应用示例：
>>>np.random.random(3)
array([0.29334156,0.45858765,0.99297047])
>>>np.random.randint(2,size=10)
array([1,0,0,0,1,1,0,0,1,0])
>>>np.random.randint(5,size=(2,4))
array([[4,0,2,1],
[3,2,2,0]])
>>>np.random.randint(3,10,(2,4))
array([[4,8,9,6],
[7,7,7,9]])
numpy.arange(start,stop,step,dtype=None)
numpy.linspace(start,stop,num=50,endpoint=True,retstep=False,dtype=None)
numpy.logspace(start,stop,num=50,endpoint=True,base=10.0,dtype=None)
应用示例：
>>>np.arange(5)
array([0,1,2,3,4])
>>>np.arange(0,5,2)
array([0,2,4])
>>>np.linspace(0,5,5)
array([0.,1.25,2.5,3.75,5.])
>>>np.linspace(0,5,5,endpoint=False)
array([0.,1.,2.,3.,4.])
>>>np.logspace(1,3,3)
array([10.,100.,1000.])
>>>np.logspace(1,3,3,endpoint=False)
array([10.,46.41588834,215.443469])
numpy.asarray(a,dtype=None,order=None)
numpy.empty_like(a,dtype=None,order='K',subok=True)
numpy.zeros_like(a,dtype=None,order='K',subok=True)
numpy.ones_like(a,dtype=None,order='K',subok=True)[source]
应用示例：
>>>np.asarray([1,2,3])
array([1,2,3])
>>>np.empty_like(np.asarray([1,2,3]))
array([0,0,0])
>>>np.zeros_like(np.asarray([1,2,3]))
array([0,0,0])
>>>np.ones_like(np.asarray([1,2,3]))
array([1,1,1])
>>>a=np.arange(3)
>>>a
array([0,1,2])
>>>np.tile(a,2)
array([0,1,2,0,1,2])
>>>np.tile(a,(2,3))
array([[0,1,2,0,1,2,0,1,2],
[0,1,2,0,1,2,0,1,2]])
>>>a=np.arange(3)
>>>a
array([0,1,2])
>>>a.repeat(2)
array([0,0,1,1,2,2])
>>>lon=np.arange(30,120,10)
>>>lon
array([30,40,50,60,70,80,90,100,110])
>>>lat=np.arange(10,50,10)
>>>lat
array([10,20,30,40])
>>>lons,lats=np.meshgrid(lon,lat)
>>>lons
array([[30,40,50,60,70,80,90,100,110],
[30,40,50,60,70,80,90,100,110],
[30,40,50,60,70,80,90,100,110],
[30,40,50,60,70,80,90,100,110]])
>>>lats
array([[10,10,10,10,10,10,10,10,10],
[20,20,20,20,20,20,20,20,20],
[30,30,30,30,30,30,30,30,30],
[40,40,40,40,40,40,40,40,40]])
>>>lats,lons=np.mgrid[10:50:10,30:120:10]
>>>lats
array([[10,10,10,10,10,10,10,10,10],
[20,20,20,20,20,20,20,20,20],
[30,30,30,30,30,30,30,30,30],
[40,40,40,40,40,40,40,40,40]])
>>>lons
array([[30,40,50,60,70,80,90,100,110],
[30,40,50,60,70,80,90,100,110],
[30,40,50,60,70,80,90,100,110],
[30,40,50,60,70,80,90,100,110]])
>>>lats,lons=np.mgrid[10:50:5j,30:120:10j]
>>>lats
array([[10.,10.,10.,10.,10.,10.,10.,10.,10.,10.],
[20.,20.,20.,20.,20.,20.,20.,20.,20.,20.],
[30.,30.,30.,30.,30.,30.,30.,30.,30.,30.],
[40.,40.,40.,40.,40.,40.,40.,40.,40.,40.],
[50.,50.,50.,50.,50.,50.,50.,50.,50.,50.]])
>>>lons
array([[30.,40.,50.,60.,70.,80.,90.,100.,110.,120.],
[30.,40.,50.,60.,70.,80.,90.,100.,110.,120.],
[30.,40.,50.,60.,70.,80.,90.,100.,110.,120.],
[30.,40.,50.,60.,70.,80.,90.,100.,110.,120.],
[30.,40.,50.,60.,70.,80.,90.,100.,110.,120.]])
上面的例子中用到了虚数。构造复数的方法如下：
>>>complex(2,5)
(2+5j)
对于一维数组的索引和切片，numpy和python的list一样，甚至更灵活。
a=np.arange(9)
>>>a[-1]#最后一个元素
8
>>>a[2:5]#返回第2到第5个元素
array([2,3,4])
>>>a[:7:3]#返回第0到第7个元素，步长为3
array([0,3,6])
>>>a[::-1]#返回逆序的数组
array([8,7,6,5,4,3,2,1,0])
假设有一栋2层楼，每层楼内的房间都是3行4列，那我们可以用一个三维数组来保存每个房间的居住人数（当然，也可以是房间面积等其他数值信息）。
>>>a=np.arange(24).reshape(2,3,4)#2层3行4列
>>>a
array([[[0,1,2,3],
[4,5,6,7],
[8,9,10,11]],
[[12,13,14,15],
[16,17,18,19],
[20,21,22,23]]])
>>>a[1][2][3]#虽然可以这样
23
>>>a[1,2,3]#但这才是规范的用法
23
>>>a[:,0,0]#所有楼层的第1排第1列
array([0,12])
>>>a[0,:,:]#1楼的所有房间，等价与a[0]或a[0,...]
array([[0,1,2,3],
[4,5,6,7],
[8,9,10,11]])
>>>a[:,:,1:3]#所有楼层所有排的第2到4列
array([[[1,2],
[5,6],
[9,10]],
[[13,14],
[17,18],
[21,22]]])
>>>a[1,:,-1]#2层每一排的最后一个房间
array([15,19,23])
提示：对多维数组切片或索引得到的结果，维度不是确定的。
numpy数组的存储顺序和数组的维度是不相干的，因此改变数组的维度是非常便捷的操作，除resize外，这一类操作不会改变所操作的数组本身的存储顺序。
>>>a=np.array([[1,2,3],[4,5,6]])
>>>a.shape#查看数组维度
(2,3)
>>>a.reshape(3,2)#返回3行2列的数组
array([[1,2],
[3,4],
[5,6]])
>>>a.ravel#返回一维数组
array([1,2,3,4,5,6])
>>>a.transpose#行变列（类似于矩阵转置）
array([[1,4],
[2,5],
[3,6]])
>>>a.resize((3,2))#类似于reshape，但会改变所操作的数组
>>>a
array([[1,2],
[3,4],
[5,6]])
np.rollaxis用于改变轴的顺序，返回一个新的数组。用法如下：
numpy.rollaxis(a,axis,start=0)
a:数组
axis:要改变的轴。其他轴的相对顺序保持不变
start:要改变的轴滚动至此位置之前。默认值为0
应用示例：
>>>a=np.ones((3,4,5,6))
>>>np.rollaxis(a,3,1).shape
(3,6,4,5)
>>>np.rollaxis(a,2).shape
(5,3,4,6)
>>>np.rollaxis(a,1,4).shape
(3,5,6,4)
改变数组结构返回的是原元数据的一个新视图，而原元数据的副本。浅复制（view）和深复制（copy）则是创建原数据的副本，但二者之间也有细微差别：浅复制（view）是共享内存，深复制（copy）则是独享。
>>>a=np.arange(6).reshape((2,3))
>>>b=a.view
>>>bisa
False
>>>b.baseisa
False
>>>b.flags.owndata
False
>>>c=a.copy
>>>cisa
False
>>>c.baseisa
False
>>>c.flags.owndata
True
对于刚刚上手numpy的程序员来说，最大的困惑就是不能使用append方法向数组内添加元素了，甚至连append方法都找不到了。其实，numpy仍然保留了append方法，只不过这个方法不再是numpy数组的方法，而是是升级到最外层的numpy命名空间了，并且该方法的功能不再是追加元素，而是合并数组了。
>>>np.append([1,2,3],[[4,5,6],[7,8,9]])
array([1,2,3,4,5,6,7,8,9])
>>>np.append([[1,2,3]],[[4,5,6]],axis=0)
array([[1,2,3],
[4,5,6]])
>>>np.append(np.array([[1,2,3]]),np.array([[4,5,6]]),axis=1)
array([[1,2,3,4,5,6]])
concatenate和append的用法非常类似，不过是把两个合并对象写成了一个元组。
>>>a=np.array([[1,2],[3,4]])
>>>b=np.array([[5,6]])
>>>np.concatenate((a,b),axis=0)
array([[1,2],
[3,4],
[5,6]])
>>>np.concatenate((a,b.T),axis=1)
array([[1,2,5],
[3,4,6]])
>>>np.concatenate((a,b),axis=None)
array([1,2,3,4,5,6])
除了append和concatenate，数组合并还有更直接的水平合并（hstack）、垂直合并（vstack）、深度合并（dstack）等方式。假如你比我还懒，那就只用stack吧，足够了。
>>>a=np.arange(9).reshape(3,3)
>>>b=np.arange(9,18).reshape(3,3)
>>>a
array([[0,1,2],
[3,4,5],
[6,7,8]])
>>>b
array([[9,10,11],
[12,13,14],
[15,16,17]])
>>>np.hstack((a,b))#水平合并
array([[0,1,2,9,10,11],
[3,4,5,12,13,14],
[6,7,8,15,16,17]])
>>>np.vstack((a,b))#垂直合并
array([[0,1,2],
[3,4,5],
[6,7,8],
[9,10,11],
[12,13,14],
[15,16,17]])
>>>np.dstack((a,b))#深度合并
array([[[0,9],
[1,10],
[2,11]],
[[3,12],
[4,13],
[5,14]],
[[6,15],
[7,16],
[8,17]]])
stack函数原型为stack(arrays,axis=0)，请注意体会下面例子中的axis的用法。
>>>a=np.arange(60).reshape(3,4,5)
>>>b=np.arange(60).reshape(3,4,5)
>>>a.shape,b.shape
((3,4,5),(3,4,5))
>>>np.stack((a,b),axis=0).shape
(2,3,4,5)
>>>np.stack((a,b),axis=1).shape
(3,2,4,5)
>>>np.stack((a,b),axis=2).shape
(3,4,2,5)
>>>np.stack((a,b),axis=3).shape
(3,4,5,2)
拆分是合并的逆过程，概念是一样的，但稍微有一点不同：
>>>a=np.arange(4).reshape(2,2)
>>>a
array([[0,1],
[2,3]])
>>>x,y=np.hsplit(a,2)#水平拆分，返回list
>>>x
array([[0],
[2]])
>>>y
array([[1],
[3]])
>>>x,y=np.vsplit(a,2)#垂直拆分，返回list
>>>x
array([[0,1]])
>>>y
array([[2,3]])
>>>a=np.arange(8).reshape(2,2,2)
>>>a
array([[[0,1],
[2,3]],
[[4,5],
[6,7]]])
>>>x,y=np.dsplit(a,2)#深度拆分，返回list
>>>x
array([[[0],
[2]],
[[4],
[6]]])
>>>y
array([[[1],
[3]],
[[5],
[7]]])
排序不是numpy数组的强项，但python数组的排序速度依然只能望其项背。
numpy.sort函数返回输入数组的排序副本。
numpy.sort(a,axis=-1,kind='quicksort',order=None)
a:要排序的数组
axis:沿着它排序数组的轴，如果没有，数组会被展开，沿着最后的轴排序
kind:排序方法，默认为’quicksort’（快速排序），其他选项还有‘mergesort’（归并排序）和‘heapsort’（堆排序）
order:如果数组包含字段，则是要排序的字段
应用示例：
>>>a=np.array([3,1,2])
>>>np.sort(a)
array([1,2,3])
>>>dt=np.dtype([('name','S10'),('age',int)])
>>>a=np.array([("raju",21),("anil",25),("ravi",17),("amar",27)],dtype=dt)
>>>a
array([(b'raju',21),(b'anil',25),(b'ravi',17),(b'amar',27)],
dtype=[('name','S10'),('age','<i4')])
>>>np.sort(a,order='name')
array([(b'amar',27),(b'anil',25),(b'raju',21),(b'ravi',17)],
dtype=[('name','S10'),('age','<i4')])
函数返回的是数组值从小到大的索引值。
numpy.argsort(a,axis=-1,kind='quicksort',order=None)
a:要排序的数组
axis:沿着它排序数组的轴，如果没有，数组会被展开，沿着最后的轴排序
kind:排序方法，默认为’quicksort’（快速排序），其他选项还有‘mergesort’（归并排序）和‘heapsort’（堆排序）
order:如果数组包含字段，则是要排序的字段
应用示例：
>>>a=np.array([3,1,2])
>>>np.argsort(a)
array([1,2,0],dtype=int64)
numpy.argmax(a,axis=None,out=None)
numpy.argmin(a,axis=None,out=None)
numpy.nonzero(a)
numpy.where(condition[,x,y])
应用示例：
>>>a=np.arange(10)
>>>a
array([0,1,2,3,4,5,6,7,8,9])
>>>np.where(a<5)
(array([0,1,2,3,4],dtype=int64),)
>>>a=a.reshape((2,-1))
>>>a
array([[0,1,2,3,4],
[5,6,7,8,9]])
>>>np.where(a<5)
(array([0,0,0,0,0],dtype=int64),array([0,1,2,3,4],dtype=int64))
>>>np.where(a<5,a,10*a)
array([[0,1,2,3,4],
[50,60,70,80,90]])
numpy.extract(condition,arr)
应用示例：
>>>a=np.arange(12).reshape((3,4))
>>>a
array([[0,1,2,3],
[4,5,6,7],
[8,9,10,11]])
>>>condition=np.mod(a,3)==0
>>>condition
array([[True,False,False,True],
[False,False,True,False],
[False,True,False,False]])
>>>np.extract(condition,a)
array([0,3,6,9])
numpy.insert(arr,obj,values,axis=None)
应用示例：
>>>a=np.array([[1,1],[2,2],[3,3]])
>>>a
array([[1,1],
[2,2],
[3,3]])
>>>np.insert(a,1,5)
array([1,5,1,2,2,3,3])
>>>np.insert(a,1,5,axis=0)
array([[1,1],
[5,5],
[2,2],
[3,3]])
>>>np.insert(a,1,[5,7],axis=0)
array([[1,1],
[5,7],
[2,2],
[3,3]])
>>>np.insert(a,1,5,axis=1)
array([[1,5,1],
[2,5,2],
[3,5,3]])
numpy.delete(arr,obj,axis=None)
应用示例：
>>>a=np.array([[1,2],[3,4],[5,6]])
>>>a
array([[1,2],
[3,4],
[5,6]])
>>>np.delete(a,1)
array([1,3,4,5,6])
>>>np.delete(a,1,axis=0)
array([[1,2],
[5,6]])
>>>np.delete(a,1,axis=1)
array([[1],
[3],
[5]])
numpy.unique(ar,return_index=False,return_inverse=False,return_counts=False,axis=None)
arr：输入数组，如果不是一维数组则会展开
return_index：如果为true，返回新列表元素在旧列表中的位置（下标），并以列表形式储
return_inverse：如果为true，返回旧列表元素在新列表中的位置（下标），并以列表形式储
return_counts：如果为true，返回去重数组中的元素在原数组中的出现次数
应用示例：
>>>a=np.array([[1,0,0],[1,0,0],[2,3,4]])
>>>np.unique(a)
array([0,1,2,3,4])
>>>np.unique(a,axis=0)
array([[1,0,0],
[2,3,4]])
>>>u,indices=np.unique(a,return_index=True)
>>>u
array([0,1,2,3,4])
>>>indices
array([1,0,6,7,8],dtype=int64)
>>>u,indices=np.unique(a,return_inverse=True)
>>>u
array([0,1,2,3,4])
>>>indices
array([1,0,0,1,0,0,2,3,4],dtype=int64)
>>>u,num=np.unique(a,return_counts=True)
>>>u
array([0,1,2,3,4])
>>>num
array([4,2,1,1,1],dtype=int64)
numpy为ndarray对象引入了新的二进制文件格式，用于存储重建ndarray所需的数据、图形、dtype和其他信息。.npy文件存储单个数组，.npz文件存取多个数组。
numpy.save(file,arr,allow_pickle=True,fix_imports=True)
file:要保存的文件，扩展名为.npy，如果文件路径末尾没有扩展名.npy，该扩展名会被自动加上
arr:要保存的数组
allow_pickle:可选，布尔值，允许使用pythonpickles保存对象数组，python中的pickle用于在保存到磁盘文件或从磁盘文件读取之前，对对象进行序列化和反序列化
fix_imports:可选，为了方便pyhton2读取python3保存的数据
numpy.savez函数用于将多个数组写入文件，默认情况下，数组是以未压缩的原始二进制格式保存在扩展名为.npz的文件中。
numpy.savez(file,*args,**kwds)
file:要保存的文件，扩展名为.npz，如果文件路径末尾没有扩展名.npz，该扩展名会被自动加上
args:要保存的数组，可以使用关键字参数为数组起一个名字，非关键字参数传递的数组会自动起名为arr_0,arr_1,…
kwds:要保存的数组使用关键字名称
numpy.load(file,mmap_mode=None,allow_pickle=True,fix_imports=True,encoding='ASCII')
file:类文件对象（支持seek()和read()方法）或者要读取的文件路径
arr:打开方式，None|‘r+’|‘r’|‘w+’|‘c’
allow_pickle:可选，布尔值，允许使用pythonpickles保存对象数组，python中的pickle用于在保存到磁盘文件或从磁盘文件读取之前，对对象进行序列化和反序列化
fix_imports:可选，为了方便pyhton2读取python3保存的数据
encoding:编码格式，‘latin1’|‘ASCII’|‘bytes’
应用示例：
a=np.array([[1,2,3],[4,5,6]])
b=np.arange(0,1.0,0.1)
c=np.sin(b)
#c使用了关键字参数sin_array
np.savez("runoob.npz",a,b,sin_array=c)
r=np.load("runoob.npz")
print(r.files)#查看各个数组名称
print(r["arr_0"])#数组a
print(r["arr_1"])#数组b
print(r["sin_array"])#数组c
numpy也支持以文本文件存取数据。savetxt函数是以简单的文本文件格式存储数据，对应的使用loadtxt函数来获取数据。
应用示例：
a=np.array([1,2,3,4,5])
np.savetxt('out.txt',a)
b=np.loadtxt('out.txt')
print(b)
numpy.around(a,decimals=0,out=None)
应用示例：
>>>np.around([-0.42,-1.68,0.37,1.64])
array([-0.,-2.,0.,2.])
>>>np.around([-0.42,-1.68,0.37,1.64],decimals=1)
array([-0.4,-1.7,0.4,1.6])
>>>np.around([.5,1.5,2.5,3.5,4.5])#roundstonearestevenvalue
array([0.,2.,2.,4.,4.])
numpy.floor(a)
numpy.ceil(a)
应用示例：
>>>np.floor([-0.42,-1.68,0.37,1.64])
array([-1.,-2.,0.,1.])
>>>np.ceil([-0.42,-1.68,0.37,1.64])
array([-0.,-1.,1.,2.])
**例题**vertices是若干三维空间随机点的集合，p是三维空间的一点，找出vertices中距离p点最近的一个点，并计算它们的距离。
1.用python数组实现：
importmath
vertices=[[3,4,5],[7,8,9],[4,9,3]]
p=[2,7,4]
d=list
forvinvertices:
d.append(math.sqrt(math.pow(v[0]-p[0],2)+math.pow(v[1]-p[1],2)+math.pow(v[2]-p[2],2)))
print(vertices[d.index(min(d))],min(d))
2.用numpy数组实现：
importnumpyasnp
vertices=np.array([[3,4,5],[7,8,9],[4,9,3]])
p=np.array([2,7,4])
d=np.sqrt(np.sum(np.square((vertices-p)),axis=1))
print(vertices[d.argmin()],d.min)
用随机方式生成1000个点，比较两种的方法的效率。
本文链接：
https://blog.csdn.net/xufive/article/details/87396460
（*本文为AI科技大本营转载文章，转载请联系原作者）
◆
◆
2019中国大数据技术大会（BDTC）历经十一载，再度火热来袭！豪华主席阵容及百位技术专家齐聚，15场精选专题技术和行业论坛，超强干货+技术剖析+行业实践立体解读，深入解析热门技术在行业中的实践落地。【早鸟票】与【特惠学生票】限时抢购，扫码了解详情！
本文主要介绍了关于npy是什么意思(如果你不懂Numpy的话)的相关养殖或种植技术，综合百科栏目还介绍了该行业生产经营方式及经营管理，关注综合百科发展动向，注重系统性、科学性、实用性和先进性，内容全面新颖、重点突出、通俗易懂，全面给您讲解综合百科技术怎么管理的要点，是您综合百科致富的点金石。
以上文章来自互联网，不代表本人立场，如需删除，请注明该网址：http://23.234.50.4:8411/article/100086.html