开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

在numpy矩阵中计算周围的true (python)

在numpy矩阵中计算周围的true是指在一个二维numpy矩阵中，计算每个元素周围的True值的个数。

首先，我们需要导入numpy库：

import numpy as np

然后，我们可以创建一个二维numpy矩阵：

matrix = np.array([[False, True, False],
                   [True, False, True],
                   [False, True, False]])

接下来，我们可以使用numpy的卷积函数来计算周围的True值的个数。卷积操作可以通过定义一个卷积核来实现，卷积核是一个二维的窗口，用于在矩阵上滑动并执行计算。

kernel = np.array([[1, 1, 1],
                   [1, 0, 1],
                   [1, 1, 1]])

result = np.convolve(matrix.flatten(), kernel.flatten(), mode='same').reshape(matrix.shape)

在上述代码中，我们首先将矩阵和卷积核展平为一维数组，然后使用numpy的convolve函数执行卷积操作，并指定mode参数为'same'，表示输出与输入矩阵具有相同的大小。最后，我们将结果重新reshape为原始矩阵的形状。

最后，我们可以打印计算结果：

print(result)

完整的代码如下：

import numpy as np

matrix = np.array([[False, True, False],
                   [True, False, True],
                   [False, True, False]])

kernel = np.array([[1, 1, 1],
                   [1, 0, 1],
                   [1, 1, 1]])

result = np.convolve(matrix.flatten(), kernel.flatten(), mode='same').reshape(matrix.shape)

print(result)

这段代码的输出将是一个与原始矩阵大小相同的矩阵，其中每个元素表示对应位置周围的True值的个数。

对于腾讯云相关产品和产品介绍链接地址，由于要求不能提及具体品牌商，这里无法给出相关链接。但是，腾讯云提供了丰富的云计算服务，包括云服务器、云数据库、云存储等，可以根据具体需求选择适合的产品。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

动手学DL——深度学习预备知识随笔【深度学习】【PyTorch】

多加一个括号，结果都是一致的，都是表示二维张量，张量形状都是（4，9），所以二维有两种写法，但再加一层括号，形状就变成了(1,4,9)三维，判断维数技巧：最外面的括号去掉开始数，比如：

02

PYTHON替代MATLAB在线性代数学习中的应用(使用Python辅助MIT 18.06 Linear Algebra学习)

MATLAB一向是理工科学生的必备神器，但随着中美贸易冲突的一再升级，禁售与禁用的阴云也持续笼罩在高等学院的头顶。也许我们都应当考虑更多的途径，来辅助我们的学习和研究工作。虽然PYTHON和众多模块也属于美国技术的范围，但开源软件的自由度毕竟不是商业软件可比拟的。

05

Python CUDA 编程 - 2 - Numba 简介

官方文档：http://numba.pydata.org/numba-doc/latest/reference/pysupported.html

03

从零开始深度学习（九）：神经网络编程基础

文章首发于本人CSDN账号:https://blog.csdn.net/tefuirnever

02

1个掷硬币问题，4个Python解法

專欄 ❈本文作者：王勇，目前感兴趣项目商业分析、Python、机器学习、Kaggle。17年项目管理，通信业干了11年项目经理管合同交付，制造业干了6年项目管理：PMO,变革，生产转移，清算和资产处理。MBA, PMI-PBA, PMP。❈ 我在学习机器学习算法和玩Kaggle 比赛时候，不断地发现需要重新回顾概率、统计、矩阵、微积分等知识。如果按照机器学习的标准衡量自我水平，这些知识都需要重新梳理一遍。网上或许有各种各样知识片断，却较难找到一本书将概率，统计、矩阵、微

09

Python | 加一行注释，让你的程序提速10+倍！numba十分钟上手指南

之前的文章《源代码如何被计算机执行》已经提到计算机只能执行二进制的机器码，C、C++等编译型语言依靠编译器将源代码转化为可执行文件后才能运行，Python、Java等解释型语言使用解释器将源代码翻译后在虚拟机上执行。对于Python，由于解释器的存在，其执行效率比C语言慢几倍甚至几十倍。

02

还不会使用PyTorch框架进行深度学习的小伙伴，看过来

今年初，Facebook 推出了 PyTorch 1.0，该框架集成了谷歌云、AWS 和 Azure 机器学习。学习本教程之前，你需要很熟悉 Scikit-learn，Pandas，NumPy 和 SciPy。这些程序包是使用本教程的重要先决条件。

02

Python音频信号处理

音频信号是模拟信号，我们需要将其保存为数字信号，才能对语音进行算法操作，WAV是Microsoft开发的一种声音文件格式，通常被用来保存未压缩的声音数据。

03

Python音频信号处理问题汇总

音频信号是模拟信号，我们需要将其保存为数字信号，才能对语音进行算法操作，WAV是Microsoft开发的一种声音文件格式，通常被用来保存未压缩的声音数据。

04

TensorFlow应用实战 | TensorFlow基础知识

hw = tf.constant("Hello World! Mtianyan love TensorFlow!")

04

厉害了，numpy！！！

几乎所有使用Python处理分析数据的人都用过Pandas，因为实在太方便了，就像Excel一样，但你知道Pandas是基于Numpy开发出来的吗?

01

利用python中的matplotlib打印混淆矩阵实例

前面说过混淆矩阵是我们在处理分类问题时，很重要的指标，那么如何更好的把混淆矩阵给打印出来呢，直接做表或者是前端可视化，小编曾经就尝试过用前端（D5）做出来，然后截图，显得不那么好看。。

03

科学计算工具Numpy

Numpy：提供了一个在Python中做科学计算的基础库，重在数值计算，主要用于多维数组（矩阵）处理的库。用来存储和处理大型矩阵，比Python自身的嵌套列表结构要高效的多。本身是由C语言开发，是个很基础的扩展，Python其余的科学计算扩展大部分都是以此为基础。

03

多重共线性：python中利用statsmodels计算VIF和相关系数消除共线性

本文将讨论多重共线性的相关概念及利用python自动化消除多重共线性的方法，以供参考，欢迎拍砖

02

使用pycaffe解析mean.binaryproto中的均值图像并显示

用Caffe框架训练图像相关的视觉任务时候，在预处理的时候会先求图像的均值，这个均值其实是整个数据集的图像均值，Caffe中提供了一个工具来计算数据集的均值，该工具就是compute_image_mean，只要调用一下，就会生成一个mean.binaryproto文件。

02

数组计算模块NumPy

轴的概念：轴是NumPy模块里的axis，指定某个axis就是沿着axis做相关操作

01

强化学习技巧五：numba提速python程序

numba是一款可以将python函数编译为机器代码的JIT编译器，经过numba编译的python代码（仅限数组运算），其运行速度可以接近C或FORTRAN语言。

03

Numpy库的简单用法（3）

根据布尔值数组的特点，True会被强制为1，False会被强制为0，因此可以计算布尔值数组中True的个数；并且对布尔值数组有两个有用的方法any和all。any检查数组中是否至少有一个True，all检查是否全都是True。

01

python笔记之NUMPY中的掩码数组numpy.ma.mask

numpy对于多维数组的运算在默认情况下并不使用矩阵运算，进行矩阵运算可以通过matrix对象或者矩阵函数来进行；

00

Python3快速入门（十二）——Num

NumPy(Numerical Python) 是 Python 语言的一个扩展程序库，支持大量的维度数组与矩阵运算，同时对数组运算提供了大量的数学函数库。 Numpy 是一个运行速度非常快的数学库，内部解除了CPython的GIL，运行效率极好，主要用于数组计算，是大量机器学习框架的基础库，NumPy主要包括如下：（1）强大的N维数组对象 ndarray （2）广播功能函数（3）整合 C/C++/Fortran 代码的工具（4）线性代数、傅里叶变换、随机数生成等功能。 NumPy 通常与 SciPy（Scientific Python）和 Matplotlib（绘图库）组合使用，用于替代 MatLab。

02

编写高效的PyTorch代码技巧（上）

原文：https://github.com/vahidk/EffectivePyTorch

02

统计师的Python日记【第3天：Numpy你好】

本文是【统计师的Python日记】第3天的日记回顾一下，第1天学习了Python的基本页面、操作，以及几种主要的容器类型；第2天学习了python的函数、循环和条件、类。复习大纲：一、为什么学Python？二、安装与熟悉三、容器四、函数五、循环与条件六、类日记小结原文复习（点击查看）：第1天：谁来给我讲讲Python？第2天：再接着介绍一下Python呗今天将带来第三天的学习日记。细（tiāo）心（cì）的朋友会发现，第二天的日记写成日期是14年9月，也就是说“第2天”到“第3

科学计算库Numpy

genfromtxt函数里穿了三个参数，分别是要打开的文档名称，分隔符，以什么类型存储打印结果：

04

4种更快更简单实现Python数据可视化的方法

数据可视化是数据科学或机器学习项目中十分重要的一环。通常，你需要在项目初期进行探索性的数据分析（EDA），从而对数据有一定的了解，而且创建可视化确实可以使分析的任务更清晰、更容易理解，特别是对于大规模的高维数据集。在项目接近尾声时，以一种清晰、简洁而引人注目的方式展示最终结果也是非常重要的，让你的受众（通常是非技术人员的客户）能够理解。

03

4种更快更简单实现Python数据可视化的方法

数据可视化是数据科学或机器学习项目中十分重要的一环。通常，你需要在项目初期进行探索性的数据分析（EDA），从而对数据有一定的了解，而且创建可视化确实可以使分析的任务更清晰、更容易理解，特别是对于大规模的高维数据集。在项目接近尾声时，以一种清晰、简洁而引人注目的方式展示最终结果也是非常重要的，让你的受众（通常是非技术人员的客户）能够理解。

02

使用Python进行优化:如何以最小的风险赚取最多的收益?

我们展示了如何将一个诺贝尔经济学奖获奖理论应用于股票市场，并使用简单的Python编程解决由此产生的优化问题。

04

NumPy 基础知识：1~5

在过去的十年中，Python 已成为科学计算中最受欢迎的编程语言之一。其成功的原因很多，随着您着手本书，这些原因将逐渐变得明显。与许多其他数学语言（例如 MATLAB，R 和 Mathematica）不同，Python 是一种通用编程语言。因此，它为构建科学应用并将其进一步扩展到任何商业或学术领域提供了合适的框架。例如，考虑一个（某种）简单的应用，该应用要求您编写软件并预测博客文章的受欢迎程度。通常，这些是您要执行此操作的步骤：

01

可以用爱因斯坦求和替代的那些矩阵运算

在前面的几篇文章中我们分别介绍过numpy中的爱因斯坦求和函数Einsum和MindSpore框架中的爱因斯坦求和算子Einsum的基本用法。而我们需要知道，爱因斯坦求和其实还可以实现非常多的功能，甚至可以替代大部分的矩阵运算，比如常见的点乘、元素乘、求和等等这些都是可以的。那我们就逐一看一下可以用爱因斯坦求和来替代的那些函数和方法。

03

别动不动就画折线图了，教你4种酷炫可视化方法

散点图、线图、直方图、条形图和箱形图，这些都是简单而强大的可视化方法，通过它们你可以对数据集有深刻的认识。在本文中，我们将看到另外 4 个数据可视化方法！

02

NumPy 初学者指南中文第三版：1~5

让我们开始吧。我们将在不同的操作系统上安装 NumPy 和相关软件，并看一些使用 NumPy 的简单代码。本章简要介绍了 IPython 交互式 shell。 SciPy 与 NumPy 密切相关，因此您将看到 SciPy 名称出现在此处和那里。在本章的最后，您将找到有关如何在线获取更多信息的指南，如果您陷入困境或不确定解决问题的最佳方法。

01

技术图文：NumPy 的简单入门教程

这段时间，LSGO软件技术团队正在组织 “机器学习实战刻意练习”活动，这个活动是“Python基础刻意练习”活动的升级，是对学员们技术的更深层次的打磨。在用 Python 写各类机器学习算法时，我们经常会用到 NumPy库，故在这里总结一下，以方便学员们的学习。

04

笔记 | 吴恩达Coursera Deep Learning学习笔记

作者：Lisa Song 微软总部云智能高级数据科学家，现居西雅图。具有多年机器学习和深度学习的应用经验，熟悉各种业务场景下机器学习和人工智能产品的需求分析、架构设计、算法开发和集成部署。吴恩达Coursera Deep Learning学习笔记 1 （上）【学习心得】 Coursera和deeplearning.ai合作的Deep Learning Specialization出得真是慢啊……现在只出了Course 1：Neural Networks and Deep Learning，之后还有

08

笔记 | 吴恩达Coursera Deep Learning学习笔记

向AI转型的程序员都关注了这个号☝☝☝ 作者：Lisa Song 微软总部云智能高级数据科学家，现居西雅图。具有多年机器学习和深度学习的应用经验，熟悉各种业务场景下机器学习和人工智能产品的需求分析、架

基于Jupyter快速入门Python|Numpy|Scipy|Matplotlib

在深入探讨 Python 之前，简要地谈谈笔记本。Jupyter 笔记本允许在网络浏览器中本地编写并执行 Python 代码。Jupyter 笔记本使得可以轻松地调试代码并分段执行，因此它们在科学计算中得到了广泛的应用。另一方面，Colab 是 Google 的 Jupyter 笔记本版本，特别适合机器学习和数据分析，完全在云端运行。Colab 可以说是 Jupyter 笔记本的加强版：它免费，无需任何设置，预装了许多包，易于与世界共享，并且可以免费访问硬件加速器，如 GPU 和 TPU（有一些限制）。在 Jupyter 笔记本中运行教程。如果希望使用 Jupyter 在本地运行笔记本，请确保虚拟环境已正确安装（按照设置说明操作），激活它，然后运行 pip install notebook 来安装 Jupyter 笔记本。接下来，打开笔记本并将其下载到选择的目录中，方法是右键单击页面并选择“Save Page As”。然后，切换到该目录并运行 jupyter notebook。

01

Numpy基础（四）（新手速来！）

NumPy 是一个为 Python 提供高性能向量、矩阵和高维数据结构的科学计算库。它通过 C 和 Fortran 实现，因此用向量和矩阵建立方程并实现数值计算有非常好的性能。NumPy 基本上是所有使用 Python 进行数值计算的框架和包的基础，例如 TensorFlow 和 PyTorch，构建机器学习模型最基础的内容就是学会使用 NumPy 搭建计算过程。

02

Numpy学习之线性代数(持续更新)

依照Numpy官方中文文档：https://www.numpy.org.cn/reference/routines/linalg.html

01

Numpy统计计算、数组比较，看这篇就够了

如上述例子所示，axis = 1计算的是行的和，结果以列的形式展示。axis = 0计算的是列的和，结果以行的形式展示。

03

Python图像处理常用代码，numpy教程

这里的代码是截取的我的代码片段，或许难以阅读，有不理解的地方欢迎交流 ---- 生成空列表及末尾添加 x=[] x.append(img_path[j]) 图像矩阵和一维数组转化 img_ndarray=numpy.asarray(img,dtype='float64')/256 #将图像转化为数组并将像素转化到0-1之间 data[d-1]=numpy.ndarray.flatten(img_ndarray) #将图像的矩阵形式转化为一维数组保存到data中将矩阵中浮点数转化为int类型

01

NumPy高效使用逻辑，11个角度理顺它！

使用Python的地方，就能看到Numpy，尤其是需要数值计算的地方，Numpy的高性能更是体现的淋漓尽致。

01

NumPy高效使用逻辑，11个角度理顺它！

使用Python的地方，就能看到Numpy，尤其是需要数值计算的地方，Numpy的高性能更是体现的淋漓尽致。

02

灰太狼的数据世界（一）

数据的世界是新奇的，美妙的。但是如果你对它不感兴趣，那它就是一个枯燥无趣的东西了。

03

NumPy教程（Numpy基本操作、Numpy数据处理）

介绍几种 numpy 的属性: • ndim：维度 • shape：行数和列数 • size：元素个数使用numpy首先要导入模块

02

NumPy 笔记（超级全！收藏√）

NumPy 教程NumPy Ndarray 对象NumPy 数据类型数据类型对象 (dtype)

03

Numpy 多维数据数组的实现

numpy包(模块)几乎总是用于Python中的数值计算。这个软件包为Python提供了高性能的向量、矩阵、张量数据类型。它是在C和Fortran中创建的，因此当计算被矢量化（用矩阵和矢量表示操作）时，性能很高。

03

5 个PyTorch 中的处理张量的基本函数

能够以准确有效的方式构建神经网络是招聘人员在深度学习工程师中最受追捧的技能之一。PyTorch 是一个主要用于深度学习的Python 库。PyTorch 最基本也是最重要的部分之一是创建张量，张量是数字、向量、矩阵或任何 n 维数组。在构建神经网络时为了降低计算速度必须避免使用显式循环，我们可以使用矢量化操作来避免这种循环。在构建神经网络时，足够快地计算矩阵运算的能力至关重要。

01

python＞＞numpy包

每个循环 178 μs ± 3.98 μs（7 次运行，每次 10，000 次循环）。

01

Python：Numpy详解

NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。

00

python numpy库np.percentile用法说明

在python中计算一个多维数组的任意百分比分位数，此处的百分位是从小到大排列，只需用np.percentile即可……

01

《Hello NumPy》系列-运算与函数应用

高阶部分篇篇都是干货，建议大家不要错过任何一节内容，最好关注我，方便看到每次的文章推送。

02

使用格拉姆角场(GAF)以将时间序列数据转换为图像

这篇文章将会详细介绍格拉姆角场（Gramian Angular Field），并通过代码示例展示“如何将时间序列数据转换为图像”。

07

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭