numpy最值、求和的實現(xiàn)
網(wǎng)上已經(jīng)有很多對于這幾個函數(shù)的講解資料，但總感覺講得有些亂，特別是對于高維數(shù)組，如果指定了某個軸，就會變得很復雜。這篇文章根據(jù)”拆分“原理，對numpy數(shù)據(jù)的這幾個函數(shù)進行簡單而又詳細地講解。
拆分原理：指定哪個軸，就對哪個軸進行拆分，以得到多個數(shù)組，然后對這些數(shù)組進行對應元素操作。即
假設三維numpy數(shù)組array1的shape為(c, m, n)，其中axis=0對應“c”，axis=1對應“m”，axis=2對應“n”。
若指定軸0（axis = 0），則對軸0進行拆分，得到c個shape為(m, n)的ndarray：array1[0, :, :]、array1[1, :, :]、… 、array1[c-1, :, :]，然后對array1[0, :, :]、array1[1, :, :]、… 、array1[c-1, :, :]進行對應元素操作，得到輸出結果，其shape為(m, n)。其他軸類似。
如果您還沒明白，請繼續(xù)往下看。
最大值
np.max()、np.argmax()、np.maximum()和np.min()、np.argmin()、np.minimum()一一對應，前一組與”最大“有關，后一組與”最小“有關，所以這里只講”最大“
np.max()
函數(shù)形式
np.max(array, axis=None, out=None, keepdims=False)
ndarray的形狀是從左往右的，即由外往里計算，這和list是一樣。
keepdims默認為False，如果keepdims=True，則輸出的ndarray與原nadarray具有相同的形狀。
一維ndarray
import numpy as np array1 = np.array([1, 3, 2, 8, 5]) print(array1) print(np.max(array1)) ?# 返回array1的最大值 print(np.max(array1, axis=0)) ?# 指定0軸（即array1本身，輸出結果一樣）
輸出結果：
[1 3 2 8 5]
二維ndarray
假設二維numpy數(shù)組array1的shape為(3, 4)，其中axis=0對應“3”，axis=1對應“4”
（1）指定軸0：axis=0
np.max(array1, axis=0)的意思就是：按第一個維度（即，行）對array1進行拆分，得到array1[0, :]、array1[1, :]、array1[2, :]，然后對array1[0, :]、array1[1, :]、array1[2, :]的對應元素進行逐位比較，并取其最大者，構成新的ndarray。
array1 = np.reshape(list(range(12)), (3, 4))
print('array1 =', array1)
print('array1[0, :] =', array1[0, :])
print('array1[1, :] =', array1[1, :])
print('array1[2, :] =', array1[2, :])
print('np.max(array1, axis=0)=', np.max(array1, axis=0))
輸出結果：
array1= [[0 1 2 3]
[4 5 6 7]
[8 9 10 11]]
array1[0, :] = [0 1 2 3]
array1[1, :] = [4 5 6 7]
array1[2, :] = [8 9 10 11]
np.max(array1, axis=0) = [8 9 10 11]
（2）指定軸1：axis=1
np.max(array1, axis=1)的意思就是：按第二個維度（即，列）對array1進行拆分，得到array1[:, 0]、array1[:, 1]、array1[:, 2]、array1[:, 3]，然后對array1[:, 0]、array1[:, 1]、array1[:, 2]、array1[:, 3]的對應元素進行逐位比較，并取其最大者，構成新的ndarray。
import numpy as np
array1 = np.reshape(list(range(12)), (3, 4))
print('array1 =', array1)
print('array1[:, 0] =', array1[:, 0])
print('array1[:, 1] =', array1[:, 1])
print('array1[:, 2] =', array1[:, 2])
print('array1[:, 3] =', array1[:, 3])
print('np.max(array1, axis=1) =', np.max(array1, axis=1))輸出結果：
array1 = [[0 1 2 3]
[4 5 6 7]
[8 9 10 11]]
array1[:, 0] = [0 4 8]
array1[:, 1] = [1 5 9]
array1[:, 2] = [2 6 10]
array1[:, 3] = [3 7 11]
np.max(array1, axis=1) = [3 7 11]
三維ndarray
假設三維numpy數(shù)組array1的shape為(2, 3, 4)，其中axis=0對應“2”，axis=1對應“3”，axis=2對應“4”。
（1）指定軸0：axis=0
np.max(array1, axis=0)的意思就是：按第一個維度對array1進行拆分，得到array1[0, :, :]、array1[1, :, :]，然后對array1[0, :, :]、array1[1, :, :]的對應元素進行逐位比較，并取其最大者，構成新的ndarray。
import numpy as np
array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[0, :, :] =', array1[0, :, :])
print('array1[1, :, :] =', array1[1, :, :])
print('np.max(array1, axis=0) =', np.max(array1, axis=0))輸出結果：
array1 = [[[0 1 2 3]
[4 5 6 7]
[8 9 10 11]][[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
array1[0, :, :] = [[0 1 2 3]
[4 5 6 7]
[8 9 10 11]]
array1[1, :, :] = [[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]
np.max(array1, axis=0) = [[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]
（2）指定軸1：axis=1
np.max(array1, axis=1)的意思就是：按第二個維度對array1進行拆分，得到array1[:, 0, :]、array1[:, 1, :]、array1[:, 2, :]，然后對array1[:, 0, :]、array1[:, 1, :]、array1[:, 2, :]的對應元素進行逐位比較，并取其最大者，構成新的ndarray。
import numpy as np
array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[:, 0, :] =', array1[:, 0, :])
print('array1[:, 1, :] =', array1[:, 1, :])
print('array1[:, 2, :] =', array1[:, 2, :])
print('np.max(array1, axis=1) =', np.max(array1, axis=1))輸出結果：
array1 = [[[0 1 2 3]
[4 5 6 7]
[8 9 10 11]][[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
array1[:, 0, :] = [[ 0 1 2 3]
[12 13 14 15]]
array1[:, 1, :] = [[ 4 5 6 7]
[16 17 18 19]]
array1[:, 2, :] = [[ 8 9 10 11]
[20 21 22 23]]
np.max(array1, axis=1) = [[ 8 9 10 11]
[20 21 22 23]]
（3）指定軸2：axis=2
np.max(array1, axis=2)的意思就是：按第三個維度對array1進行拆分，得到array1[:, :, 0]、array1[:, :, 1]、array1[:, :, 2]、array1[:, :, 3]，然后對array1[:, :, 0]、array1[:, :, 1]、array1[:, :, 2]、array1[:, :, 3]的對應元素進行逐位比較，并取其最大者，構成新的ndarray。
import numpy as np
array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[:, :, 0] =', array1[:, :, 0])
print('array1[:, :, 1] =', array1[:, :, 1])
print('array1[:, :, 2] =', array1[:, :, 2])
print('array1[:, :, 3] =', array1[:, :, 3])
print('np.max(array1, axis=2) =', np.max(array1, axis=2))輸出結果：
array1 = [[[0 1 2 3]
[4 5 6 7]
[8 9 10 11]][[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
array1[:, :, 0] = [[ 0 4 8]
[12 16 20]]
array1[:, :, 1] = [[ 1 5 9]
[13 17 21]]
array1[:, :, 2] = [[ 2 6 10]
[14 18 22]]
array1[:, :, 3] = [[ 3 7 11]
[15 19 23]]
np.max(array1, axis=2) = [[ 3 7 11]
[15 19 23]]
np.argmax()
np.argmax()與np.max()類似：np.max()返回指定軸的最大值，而np.argmax()返回指定軸的最大值對應的索引，指定哪個軸，就按哪個軸進行拆分。
一維ndarray
import numpy as np array1 = np.array([1, 3, 2, 8, 5]) print(array1) print(np.argmax(array1)) ?# 返回array1的最大值對應的索引 print(np.argmax(array1, axis=0)) ?# 指定0軸（即array1本身，輸出結果一樣）
輸出結果：
[1 3 2 8 5]
3
3
二維ndarray
假設二維numpy數(shù)組array1的shape為(3, 4)，其中axis=0對應“3”，axis=1對應“4”
（1）指定軸0：axis=0
np.argmax(array1, axis=0)的意思就是：按第一個維度（即，行）對array1進行拆分，得到array1[0, :]、array1[1, :]、array1[2, :]，然后對array1[0, :]、array1[1, :]、array1[2, :]的對應元素進行逐位比較，并取其最大者所在的數(shù)組的索引（即，若某一對應元素的最大值在array1[0, :]，則返回索引0,；若某一對應元素的最大值在array1[1, :]，則返回索引1；依此類推），構成新的ndarray。
import numpy as np
array1 = np.reshape(list(range(12)), (3, 4))
print('array1 =', array1)
print('array1[0, :] =', array1[0, :])
print('array1[1, :] =', array1[1, :])
print('array1[2, :] =', array1[2, :])
print('np.max(array1, axis=0)=', np.max(array1, axis=0))輸出結果：
array1= [[0 1 2 3]
[4 5 6 7]
[8 9 10 11]]
array1[0, :] = [0 1 2 3]
array1[1, :] = [4 5 6 7]
array1[2, :] = [8 9 10 11]
np.argmax(array1, axis=0)= [2 2 2 2]
（2）指定軸1：axis=1
np.arg(array1, axis=1)的意思就是：按第二個維度（即，列）對array1進行拆分，得到array1[:, 0]、array1[:, 1]、array1[:, 2]、array1[:, 3]，然后對array1[:, 0]、array1[:, 1]、array1[:, 2]、array1[:, 3]的對應元素進行逐位比較，并取其最大者所在的數(shù)組的索引（即，若某一對應元素的最大值在array1[:, 0]，則返回索引0,；若某一對應元素的最大值在array1[:, 1]，則返回索引1；依此類推），構成新的ndarray。
import numpy as np
array1 = np.reshape(list(range(12)), (3, 4))
print('array1 =', array1)
print('array1[:, 0] =', array1[:, 0])
print('array1[:, 1] =', array1[:, 1])
print('array1[:, 2] =', array1[:, 2])
print('array1[:, 3] =', array1[:, 3])
print('np.argmax(array1, axis=1) =', np.argmax(array1, axis=1))輸出結果：
array1 = [[0 1 2 3]
[4 5 6 7]
[8 9 10 11]]
array1[:, 0] = [0 4 8]
array1[:, 1] = [1 5 9]
array1[:, 2] = [2 6 10]
array1[:, 3] = [3 7 11]
np.argmax(array1, axis=1) = [3 3 3]
（3）沒有指定任何軸
import numpy as np
array1 = np.reshape(list(range(12)), (3, 4))
array1[2, 3] = 1
print('array1 =', array1)
print('np.argmax(array1) =', np.argmax(array1))輸出結果：
array1 = [[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 1]]
np.argmax(array1) = 10
由于Numpy是按維度大小的順序由最底層開始存儲的，所以m × n m \times nm×n 的ndarray最大值的索引是：(np.argmax(array1) // n, np.argmax(array1) % n)。
三維ndarray
假設三維numpy數(shù)組array1的shape為(2, 3, 4)，其中axis=0對應“2”，axis=1對應“3”，axis=2對應“4”。
（1）指定軸0：axis=0
np.argmax(array1, axis=0)的意思就是：按第一個維度對array1進行拆分，得到array1[0, :, :]、array1[1, :, :]，然后對array1[0, :, :]、array1[1, :, :]的對應元素進行逐位比較，并取其最大者所在的數(shù)組的索引（即，若某一對應元素的最大值在array1[0, :, :]，則返回索引0,；若某一對應元素的最大值在[1, :, :]，則返回索引1；依此類推），構成新的ndarray。
import numpy as np
array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[0, :, :] =', array1[0, :, :])
print('array1[1, :, :] =', array1[1, :, :])
print('np.argmax(array1, axis=0) =', np.argmax(array1, axis=0))
輸出結果：
array1 = [[[0 1 2 3]
[4 5 6 7]
[8 9 10 11]][[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
array1[0, :, :] = [[0 1 2 3]
[4 5 6 7]
[8 9 10 11]]
array1[1, :, :] = [[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]
np.argmax(array1, axis=0) = [[1 1 1 1]
[1 1 1 1]
[1 1 1 1]]
（2）指定軸1：axis=1
np.argmax(array1, axis=1)的意思就是：按第二個維度對array1進行拆分，得到array1[:, 0, :]、array1[:, 1, :]、array1[:, 2, :]，然后對array1[:, 0, :]、array1[:, 1, :]、array1[:, 2, :]的對應元素進行逐位比較，并取其最大者所在的數(shù)組的索引（即，若某一對應元素的最大值在array1array1[:, 0, :]，則返回索引0,；若某一對應元素的最大值在[:, 1, :]，則返回索引1；依此類推），構成新的ndarray。
import numpy as np
array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[:, 0, :] =', array1[:, 0, :])
print('array1[:, 1, :] =', array1[:, 1, :])
print('array1[:, 2, :] =', array1[:, 2, :])
print('np.argmax(array1, axis=1) =', np.argmax(array1, axis=1))輸出結果：
array1 = [[[0 1 2 3]
[4 5 6 7]
[8 9 10 11]][[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
array1[:, 0, :] = [[ 0 1 2 3]
[12 13 14 15]]
array1[:, 1, :] = [[ 4 5 6 7]
[16 17 18 19]]
array1[:, 2, :] = [[ 8 9 10 11]
[20 21 22 23]]
np.argmax(array1, axis=1) = [[2 2 2 2]
[2 2 2 2]]
（3）指定軸2：axis=2
np.argmax(array1, axis=2)的意思就是：按第三個維度對array1進行拆分，得到array1[:, :, 0]、array1[:, :, 1]、array1[:, :, 2]、array1[:, :, 3]，然后對array1[:, :, 0]、array1[:, :, 1]、array1[:, :, 2]、array1[:, :, 3]的對應元素進行逐位比較，并取其最大者所在的數(shù)組的索引（即，若某一對應元素的最大值在array1array1[:, :, 0]，則返回索引0,；若某一對應元素的最大值在[:, :, 1]，則返回索引1；依此類推），構成新的ndarray。
import numpy as np
array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[:, :, 0] =', array1[:, :, 0])
print('array1[:, :, 1] =', array1[:, :, 1])
print('array1[:, :, 2] =', array1[:, :, 2])
print('array1[:, :, 3] =', array1[:, :, 3])
print('np.argmax(array1, axis=2) =', np.argmax(array1, axis=2))輸出結果：
array1 = [[[0 1 2 3]
[4 5 6 7]
[8 9 10 11]][[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
array1[:, :, 0] = [[ 0 4 8]
[12 16 20]]
array1[:, :, 1] = [[ 1 5 9]
[13 17 21]]
array1[:, :, 2] = [[ 2 6 10]
[14 18 22]]
array1[:, :, 3] = [[ 3 7 11]
[15 19 23]]
np.argmax(array1, axis=2) = [[3 3 3]
[3 3 3]]
np.maximum()
np.maximum(array1, array2)：逐位比較array1和array2，并輸出兩者的最大值。
如果array1和array2的形狀相同，則輸出結果的形狀與array1和array2的形狀相同。
如果array1和array2的形狀不同（允許只有一個維度不同），則會用到numpy的broadcast機制。
如果用于比較的ndarray有一個是標量，則另一個ndarray可以是任何形狀，這同樣用到了broadcast機制
import numpy as np
array1 = np.array([[2, 5, 8], [3, 4, 6]])
array2 = np.array([[3, 4, 9], [2, 1, 6]])
array3 = np.array([1, 6, 7])
print('array1 =', array1)
print('array2 =', array2)
print('array3 =', array3)
print('np.maximum(array1, array2) =', np.maximum(array1, array2))
print('np.maximum(array1, array3) =', np.maximum(array1, array3)) ?# numpy的broadcast機制
print('np.maximum(array1, 4) =', np.maximum(array1, 4)) ?# numpy的broadcast機制輸出結果：
array1 = [[2 5 8]
[3 4 6]]
array2 = [[3 4 9]
[2 1 6]]
array3 = [1 6 7]
np.maximum(array1, array2) = [[3 5 9]
[3 4 6]]
np.maximum(array1, array3) = [[2 6 8]
[3 6 7]]
np.maximum(array1, 4) = [[4 5 8]
[4 4 6]]
求和
np.sum
一維ndarray
對所有元素求和（無論多少維的ndarray，只要沒有指定axis，就表示對所有元素進行求和）。
import numpy as np
array1 = np.array([1, 3, 2, 8, 5]) print(array1) print(np.sum(array1)) # 返回對array1的所有元素進行求和 print(np.sum(array1, axis=0)) # 指定0軸（即array1本身，輸出結果一樣）
二維ndarray
假設二維numpy數(shù)組array1的shape為(3, 4)，其中axis=0對應“3”，axis=1對應“4”
（1）指定軸0：axis=0
np.sum(array1, axis=0)的意思就是：按第一個維度（即，行）對array1進行拆分，得到array1[0, :]、array1[1, :]、array1[2, :]，然后對array1[0, :]、array1[1, :]、array1[2, :]的對應元素進行逐位相加，構成新的ndarray。即
np.sum(array1, axis=0) = array1[0, :] + array1[1, :] + array1[2, :]
import numpy as np
array1 = np.reshape(list(range(12)), (3, 4))
print('array1 =', array1)
print('array1[0, :] =', array1[0, :])
print('array1[1, :] =', array1[1, :])
print('array1[2, :] =', array1[2, :])
print('np.sum(array1, axis=0)=', np.sum(array1, axis=0))輸出結果：
array1= [[0 1 2 3]
[4 5 6 7]
[8 9 10 11]]
array1[0, :] = [0 1 2 3]
array1[1, :] = [4 5 6 7]
array1[2, :] = [8 9 10 11]
np.sum(array1, axis=0)= [12 15 18 21]
（2）指定軸1：axis=1
np.sum(array1, axis=1)的意思就是：按第二個維度（即，列）對array1進行拆分，得到array1[:, 0]、array1[:, 1]、array1[:, 2]、array1[:, 3]，然后對array1[:, 0]、array1[:, 1]、array1[:, 2]、array1[:, 3]的對應元素進行逐位相加，構成新的ndarray。即
np.sum(array1, axis=1) = array1[:, 0] + array1[:, 1] + array1[:, 2] + array1[:, 3]
import numpy as np
array1 = np.reshape(list(range(12)), (3, 4))
print('array1 =', array1)
print('array1[:, 0] =', array1[:, 0])
print('array1[:, 1] =', array1[:, 1])
print('array1[:, 2] =', array1[:, 2])
print('array1[:, 3] =', array1[:, 3])
print('np.sum(array1, axis=1) =', np.sum(array1, axis=1))輸出結果：
array1 = [[0 1 2 3]
[4 5 6 7]
[8 9 10 11]]
array1[:, 0] = [0 4 8]
array1[:, 1] = [1 5 9]
array1[:, 2] = [2 6 10]
array1[:, 3] = [3 7 11]
np.sum(array1, axis=1) = [6 22 38]
三維ndarray
假設三維numpy數(shù)組array1的shape為(2, 3, 4)，其中axis=0對應“2”，axis=1對應“3”，axis=2對應“4”。
（1）指定軸0：axis=0
np.sum(array1, axis=0)的意思就是：按第一個維度對array1進行拆分，得到array1[0, :, :]、array1[1, :, :]，然后對array1[0, :, :]、array1[1, :, :]的對應元素進行逐位相加，構成新的ndarray，即
np.sum(array1, axis=0) = array1[0, :, :] + array1[1, :, :]
import numpy as np
array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[0, :, :] =', array1[0, :, :])
print('array1[1, :, :] =', array1[1, :, :])
print('np.sum(array1, axis=0) =', np.sum(array1, axis=0))輸出結果：
array1 = [[[0 1 2 3]
[4 5 6 7]
[8 9 10 11]][[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
array1[0, :, :] = [[0 1 2 3]
[4 5 6 7]
[8 9 10 11]]
array1[1, :, :] = [[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]
np.sum(array1, axis=0) = [[12 14 16 18]
[20 22 24 26]
[28 30 32 34]]
（2）指定軸1：axis=1
npsum(array1, axis=1)的意思就是：按第二個維度對array1進行拆分，得到array1[:, 0, :]、array1[:, 1, :]、array1[:, 2, :]，然后對array1[:, 0, :]、array1[:, 1, :]、array1[:, 2, :]的對應元素進行逐位相加，構成新的ndarray，即
np.sum(array1, axis=1) = array1[:, 0, :] + array1[:, 1, :] + array1[:, 2, :]
import numpy as np
array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[:, 0, :] =', array1[:, 0, :])
print('array1[:, 1, :] =', array1[:, 1, :])
print('array1[:, 2, :] =', array1[:, 2, :])
print('np.sum(array1, axis=1) =', np.sum(array1, axis=1))輸出結果：
array1 = [[[0 1 2 3]
[4 5 6 7]
[8 9 10 11]][[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
array1[:, 0, :] = [[ 0 1 2 3]
[12 13 14 15]]
array1[:, 1, :] = [[ 4 5 6 7]
[16 17 18 19]]
array1[:, 2, :] = [[ 8 9 10 11]
[20 21 22 23]]
np.sum(array1, axis=1) = [[12 15 18 21]
[48 51 54 57]]
（3）指定軸2：axis=2
np.sum(array1, axis=2)的意思就是：按第三個維度對array1進行拆分，得到array1[:, :, 0]、array1[:, :, 1]、array1[:, :, 2]、array1[:, :, 3]，然后對array1[:, :, 0]、array1[:, :, 1]、array1[:, :, 2]、array1[:, :, 3]的對應元素進行逐位相加，構成新的ndarray，即
np.sum(array1, axis=2) = array1[:, :, 0] + array1[:, :, 1] + array1[:, :, 2] + array1[:, :, 3]
import numpy as np
array1 = np.reshape(list(range(24)), (2, 3, 4))
print('array1 =', array1)
print('array1[:, :, 0] =', array1[:, :, 0])
print('array1[:, :, 1] =', array1[:, :, 1])
print('array1[:, :, 2] =', array1[:, :, 2])
print('array1[:, :, 3] =', array1[:, :, 3])
print('np.sum(array1, axis=2) =', np.sum(array1, axis=2))輸出結果：
array1 = [[[0 1 2 3]
[4 5 6 7]
[8 9 10 11]][[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]
array1[:, :, 0] = [[ 0 4 8]
[12 16 20]]
array1[:, :, 1] = [[ 1 5 9]
[13 17 21]]
array1[:, :, 2] = [[ 2 6 10]
[14 18 22]]
array1[:, :, 3] = [[ 3 7 11]
[15 19 23]]
np.sum(array1, axis=2) = [[ 6 22 38]
[54 70 86]]
到此這篇關于numpy最值、求和的實現(xiàn)的文章就介紹到這了,更多相關numpy最值、求和內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
這篇文章主要介紹了python版本的仿windows計劃任務工具,計劃任務工具根據(jù)自己設定的具體時間，頻率，命令等屬性來規(guī)定所要執(zhí)行的計劃,當然功能不是很全大家可以補充2018-04-04
redis-py是Python操作Redis的第三方庫，它提供了與Redis服務器交互的API，本文為大家介紹了Python利用redis-py操作Redis的高級用法，需要的可以收藏一下2023-05-05
這篇文章主要介紹了Python實現(xiàn)PS圖像抽象畫風效果的方法,涉及Python基于skimage模塊進行圖像處理的相關操作技巧,需要的朋友可以參考下2018-01-01
這篇文章主要介紹了plt.figure()參數(shù)使用詳解及運行演示，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2021-01-01
Python webdriver.Chrome()的使用解讀
這篇文章主要介紹了Python webdriver.Chrome()的使用，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2023-02-02
事情是這樣的，最近認識的一位小姐姐有每天早晨看天氣預報的習慣。在我看來，很多人起床第一件事情就是看微信消息，既然這樣，我就勉為其難每天早晨給小姐姐發(fā)送一則天氣預報吧2021-11-11
這篇文章主要介紹了使用openCV去除文字中亂入的線條實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-06-06
這篇文章主要給大家介紹了關于python使用pymongo操作mongo的完整步驟，文中通過示例代碼介紹的非常詳細，對大家學習或者使用python具有一定的參考學習價值，需要的朋友們下面來一起學習學習吧2019-04-04
如何徹底解決python?NameError:name?'__file__'?is?not?
這篇文章主要給大家介紹了關于如何徹底解決python?NameError:name?'__file__'?is?not?defined的相關資料,文中通過圖文將解決的辦法介紹的非常詳細,需要的朋友可以參考下2023-02-02
這篇文章主要介紹了python錄音并調用百度語音識別接口的示例，幫助大家更好的理解和利用python處理音頻，感興趣的朋友可以了解下2020-12-12