numpy总结

灰太狼 2023-01-07 15:22 111阅读 0赞

> Python从入门到精通2–numpy总结

![在这里插入图片描述][resize_m_lfit_w_962_pic_center]

### 文章目录 ###

*   *   *  1.查看numpy版本
         *  2.创建十个全为0的一维数组
         *  3.修改数据类型为整数
         *  4.创建固定步长的数
         *  5.列表创建数组
         *  6.创建全是1的矩阵
         *  7.创建布尔类型的True
         *  8.创建等差数列
         *  9.创建等差数列
         *  10.创建3x3矩阵
         *  11.创建3x3矩阵
         *  12.将第五题的result修改为3x3矩阵
         *  13.对上一题生成的result取转置
         *  14.查看数据类型
         *  15.查看内存占用
         *  16.将数据类型修改为float
         *  17.提取第三行第三列的元素
         *  18.将第三行第三列的元素放大十倍
         *  19.提取result中的所有偶数
         *  20.将result中所有奇数修改为666
         *  21.创建主对角线都是5的5x5矩阵
         *  22.交换第一列与第二列
         *  23.交换第一行与第二行
         *  24.判断两个矩阵是否有任何元素不同(使用22,23两题得到的矩阵)
         *  25.计算两个矩阵不同元素的个数(使用22,23两题得到的矩阵)
         *  26.找到两个矩阵不同元素的位置(使用22,23两题得到的矩阵)
         *  27.矩阵乘法(使用22,23两题得到的矩阵)
         *  28.矩阵对应元素相乘(使用22,23两题得到的矩阵)
         *  29.计算行列式(使用21题生成的矩阵)
         *  30.矩阵求逆(使用21题生成的矩阵)
         *  31.将22与23题生成的np.array对象修改为np.matrix对象
         *  32.计算上一题生成的两个np.matrix格式矩阵的对应元素乘积（对比异同）
         *  33.对31题生成的两个np.matrix格式矩阵做矩阵乘法（对比异同）
         *  34.将两个矩阵按照行拼接
         *  35.将两个矩阵按照列拼接
         *  36.思考下面代码运行后new的结果
         *  37.找到new中大于1的元素的位置
         *  38.将new中大于1的元素修改为9
         *  39.对new按列求和
         *  40.对new按行求和
         *  41 生成指定格式数据
         *  42 找到每列的最大值
         *  43 找到每行的最小值
         *  44 提取data每个元素的出现次数
         *  45 获取data每行元素的大小排名
         *  46 将数组按行重复一次
         *  47 去除数组的重复行
         *  48 不放回抽样
         *  49 提取data第二行中不含第三行的元素的元素
         *  50 判断data是否有空行
         *  51 将每行升序排列
         *  52 将data的数据格式修改为float
         *  53 将小于5的元素修改为nan
         *  54 删除data1含有nan的行
         *  55 找出data1第一行出现频率最高的值
         *  56 找到data1中与100最接近的数字
         *  57 data1每一行的元素减去每一行的平均值
         *  58 将data1归一化至区间\[0,1\]
         *  59 将data1标准化
         *  60 将data1存储至本地
         *  61.如何获得两个数组之间的相同元素
         *  62.如何从一个数组中删除另一个数组存在的元素
         *  63.如何修改一个数组为只读模式
         *  64.如何将list转为numpy数组
         *  65.如何将pd.DataFrame转为numpy数组
         *  66.如何使用numpy进行描述性统计分析
         *  67.如何使用numpy进行概率抽样
         *  68.如何创建副本
         *  69.如何对数组切片
         *  70.如何使用NumPy操作字符串
         *  71.如何对数据向上/下取整
         *  72.如何取消默认科学计数显示数据
         *  73.如何使用NumPy对二维数组逆序
         *  74.如何使用NumPy根据位置查找元素
         *  75.如何使用numpy求余数
         *  76.如何使用NumPy进行矩阵SVD分解
         *  77.如何使用NumPy多条件筛选数据
         *  78.如何使用NumPy对数组分类
         *  79如何使用NumPy压缩矩阵
         *  80.如何使用numpy求解线性方程组

### 1.查看numpy版本 ###

import numpy as np
    print(np.__version__)

1.19.2

### 2.创建十个全为0的一维数组 ###

np.zeros(10)

array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])

### 3.修改数据类型为整数 ###

np.zeros(10,dtype = 'int')

array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

### 4.创建固定步长的数 ###

np.arange(0,100,5)

array([ 0,  5, 10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 60, 65, 70, 75, 80,
           85, 90, 95])

### 5.列表创建数组 ###

List = [1,2,3,4,5,6,7,8,9]
    result = np.array(List)
    result

array([1, 2, 3, 4, 5, 6, 7, 8, 9])

### 6.创建全是1的矩阵 ###

#方法1
    np.ones((3,3))
    #方法2
    np.array([[ 1., 1., 1.],
           [ 1., 1., 1.],
           [ 1., 1., 1.]])

array([[1., 1., 1.],
           [1., 1., 1.],
           [1., 1., 1.]])

### 7.创建布尔类型的True ###

np.full((2,2), True, dtype=bool)

array([[ True,  True],
           [ True,  True]])

### 8.创建等差数列 ###

备注：从5开始，50结束，共10个数据

np.linspace(start=5,stop=50,num=10)

array([ 5., 10., 15., 20., 25., 30., 35., 40., 45., 50.])

### 9.创建等差数列 ###

np.arange(start = 5, stop = 55, step = 5,dtype = 'int32')

array([ 5, 10, 15, 20, 25, 30, 35, 40, 45, 50])

### 10.创建3x3矩阵 ###

备注：矩阵元素均为0—10之间的随机数

np.random.randint(0,10,(3,3))

array([[5, 3, 3],
           [2, 0, 4],
           [7, 6, 2]])

### 11.创建3x3矩阵 ###

备注：矩阵元素均为服从标准正态分布的随机数

np.random.randn(3, 3)

array([[ 0.77191714,  1.99485092,  0.36574655],
           [-2.35963788, -0.18879237,  1.00267285],
           [-1.20021396, -0.87413623, -0.17664144]])

### 12.将第五题的result修改为3x3矩阵 ###

result = result.reshape(3,3)

### 13.对上一题生成的result取转置 ###

result.T

array([[1, 4, 7],
           [2, 5, 8],
           [3, 6, 9]])

### 14.查看数据类型 ###

result.dtype
    #dtype('int64')

dtype('int32')

### 15.查看内存占用 ###

#方法一：直接查看
    print(result.nbytes)
    #方法2手动计算
    print(result.itemsize * 9)

36
    36

### 16.将数据类型修改为float ###

result = result.astype(float)

### 17.提取第三行第三列的元素 ###

result[2,2]

9.0

### 18.将第三行第三列的元素放大十倍 ###

result[2,2] = result[2,2] * 10

### 19.提取result中的所有偶数 ###

result[result % 2 == 0]

array([ 2.,  4.,  6.,  8., 90.])

### 20.将result中所有奇数修改为666 ###

result[result % 2 == 1] = 666

### 21.创建主对角线都是5的5x5矩阵 ###

result = np.diag([5,5,5,5,5])
    result

array([[5, 0, 0, 0, 0],
           [0, 5, 0, 0, 0],
           [0, 0, 5, 0, 0],
           [0, 0, 0, 5, 0],
           [0, 0, 0, 0, 5]])

### 22.交换第一列与第二列 ###

a = result[:, [1,0,2,3,4]]

### 23.交换第一行与第二行 ###

b = result[[0,1,2,4,3], :]

### 24.判断两个矩阵是否有任何元素不同(使用22,23两题得到的矩阵) ###

print((a == b).all())

False

### 25.计算两个矩阵不同元素的个数(使用22,23两题得到的矩阵) ###

len(np.argwhere(a != b))

### 26.找到两个矩阵不同元素的位置(使用22,23两题得到的矩阵) ###

np.argwhere(a != b)

array([[0, 0],
           [0, 1],
           [1, 0],
           [1, 1],
           [3, 3],
           [3, 4],
           [4, 3],
           [4, 4]], dtype=int64)

### 27.矩阵乘法(使用22,23两题得到的矩阵) ###

np.dot(a,b)

array([[ 0, 25,  0,  0,  0],
           [25,  0,  0,  0,  0],
           [ 0,  0, 25,  0,  0],
           [ 0,  0,  0,  0, 25],
           [ 0,  0,  0, 25,  0]])

### 28.矩阵对应元素相乘(使用22,23两题得到的矩阵) ###

print(np.multiply(a,b))
    print('========方法2========')
    print(a * b) #方法2

[[ 0  0  0  0  0]
     [ 0  0  0  0  0]
     [ 0  0 25  0  0]
     [ 0  0  0  0  0]
     [ 0  0  0  0  0]]
    ========方法2========
    [[ 0  0  0  0  0]
     [ 0  0  0  0  0]
     [ 0  0 25  0  0]
     [ 0  0  0  0  0]
     [ 0  0  0  0  0]]

### 29.计算行列式(使用21题生成的矩阵) ###

np.linalg.det(result)

3124.999999999999

### 30.矩阵求逆(使用21题生成的矩阵) ###

np.linalg.inv(result)

array([[0.2, 0. , 0. , 0. , 0. ],
           [0. , 0.2, 0. , 0. , 0. ],
           [0. , 0. , 0.2, 0. , 0. ],
           [0. , 0. , 0. , 0.2, 0. ],
           [0. , 0. , 0. , 0. , 0.2]])

### 31.将22与23题生成的np.array对象修改为np.matrix对象 ###

a = np.matrix(a)
    b = np.matrix(b)

### 32.计算上一题生成的两个np.matrix格式矩阵的对应元素乘积（对比异同） ###

np.multiply(a,b)

matrix([[ 0,  0,  0,  0,  0],
            [ 0,  0,  0,  0,  0],
            [ 0,  0, 25,  0,  0],
            [ 0,  0,  0,  0,  0],
            [ 0,  0,  0,  0,  0]])

### 33.对31题生成的两个np.matrix格式矩阵做矩阵乘法（对比异同） ###

a * b

matrix([[ 0, 25,  0,  0,  0],
            [25,  0,  0,  0,  0],
            [ 0,  0, 25,  0,  0],
            [ 0,  0,  0,  0, 25],
            [ 0,  0,  0, 25,  0]])

### 34.将两个矩阵按照行拼接 ###

np.hstack((a,b))

matrix([[0, 5, 0, 0, 0, 5, 0, 0, 0, 0],
            [5, 0, 0, 0, 0, 0, 5, 0, 0, 0],
            [0, 0, 5, 0, 0, 0, 0, 5, 0, 0],
            [0, 0, 0, 5, 0, 0, 0, 0, 0, 5],
            [0, 0, 0, 0, 5, 0, 0, 0, 5, 0]])

### 35.将两个矩阵按照列拼接 ###

np.vstack((a,b))

matrix([[0, 5, 0, 0, 0],
            [5, 0, 0, 0, 0],
            [0, 0, 5, 0, 0],
            [0, 0, 0, 5, 0],
            [0, 0, 0, 0, 5],
            [5, 0, 0, 0, 0],
            [0, 5, 0, 0, 0],
            [0, 0, 5, 0, 0],
            [0, 0, 0, 0, 5],
            [0, 0, 0, 5, 0]])

### 36.思考下面代码运行后new的结果 ###

new = np.pad(result,pad_width = 1,constant_values=1)

### 37.找到new中大于1的元素的位置 ###

np.argwhere(new > 1)

array([[1, 1],
           [2, 2],
           [3, 3],
           [4, 4],
           [5, 5]], dtype=int64)

### 38.将new中大于1的元素修改为9 ###

new[new > 1] = 8
    new

array([[1, 1, 1, 1, 1, 1, 1],
           [1, 8, 0, 0, 0, 0, 1],
           [1, 0, 8, 0, 0, 0, 1],
           [1, 0, 0, 8, 0, 0, 1],
           [1, 0, 0, 0, 8, 0, 1],
           [1, 0, 0, 0, 0, 8, 1],
           [1, 1, 1, 1, 1, 1, 1]])

### 39.对new按列求和 ###

np.sum(new, 0)

array([ 7, 10, 10, 10, 10, 10,  7])

### 40.对new按行求和 ###

np.sum(new, 1)

array([ 7, 10, 10, 10, 10, 10,  7])

import numpy as np
    import pandas as pd
    import warnings
    warnings.filterwarnings("ignore")

### 41 生成指定格式数据 ###

备注：使用numpy生成6行6列的二维数组，值为1-100随机数

data = np.random.randint(1,100, [6,6])
    data

array([[64, 81,  4, 42, 31, 32],
           [73, 24, 12, 93, 67, 87],
           [95,  1, 61, 60, 63, 45],
           [56, 22, 75, 50, 63, 38],
           [67, 82, 39, 64, 12, 77],
           [77, 41, 52, 53,  7,  7]])

### 42 找到每列的最大值 ###

np.amax(data, axis=0)

array([95, 82, 75, 93, 67, 87])

### 43 找到每行的最小值 ###

np.amin(data, axis=1)

array([ 4, 12,  1, 22, 12,  7])

### 44 提取data每个元素的出现次数 ###

np.unique(data,return_counts=True)

(array([ 1,  4,  7, 12, 22, 24, 31, 32, 38, 39, 41, 42, 45, 50, 52, 53, 56,
            60, 61, 63, 64, 67, 73, 75, 77, 81, 82, 87, 93, 95]),
     array([1, 1, 2, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2,
            1, 1, 2, 1, 1, 1, 1, 1], dtype=int64))

### 45 获取data每行元素的大小排名 ###

data.argsort()

array([[2, 4, 5, 3, 0, 1],
           [2, 1, 4, 0, 5, 3],
           [1, 5, 3, 2, 4, 0],
           [1, 5, 3, 0, 4, 2],
           [4, 2, 3, 0, 5, 1],
           [4, 5, 1, 2, 3, 0]], dtype=int64)

### 46 将数组按行重复一次 ###

np.repeat(data, 2, axis=0)

array([[64, 81,  4, 42, 31, 32],
           [64, 81,  4, 42, 31, 32],
           [73, 24, 12, 93, 67, 87],
           [73, 24, 12, 93, 67, 87],
           [95,  1, 61, 60, 63, 45],
           [95,  1, 61, 60, 63, 45],
           [56, 22, 75, 50, 63, 38],
           [56, 22, 75, 50, 63, 38],
           [67, 82, 39, 64, 12, 77],
           [67, 82, 39, 64, 12, 77],
           [77, 41, 52, 53,  7,  7],
           [77, 41, 52, 53,  7,  7]])

### 47 去除数组的重复行 ###

np.unique(data,axis = 0)

array([[56, 22, 75, 50, 63, 38],
           [64, 81,  4, 42, 31, 32],
           [67, 82, 39, 64, 12, 77],
           [73, 24, 12, 93, 67, 87],
           [77, 41, 52, 53,  7,  7],
           [95,  1, 61, 60, 63, 45]])

### 48 不放回抽样 ###

备注：从data的第一行中不放回抽3个元素

np.random.choice(data[0:1][0], 3, replace=False)

array([31, 42, 81])

### 49 提取data第二行中不含第三行的元素的元素 ###

a = data[1:2]
    b = data[2:3]
    index=np.isin(a,b)
    array=a[~index]
    array

array([73, 24, 12, 93, 67, 87])

### 50 判断data是否有空行 ###

(~data.any(axis=1)).any()

False

### 51 将每行升序排列 ###

data.sort(axis = 1)
    data

array([[ 4, 31, 32, 42, 64, 81],
           [12, 24, 67, 73, 87, 93],
           [ 1, 45, 60, 61, 63, 95],
           [22, 38, 50, 56, 63, 75],
           [12, 39, 64, 67, 77, 82],
           [ 7,  7, 41, 52, 53, 77]])

### 52 将data的数据格式修改为float ###

data1 = data.astype(float)

### 53 将小于5的元素修改为nan ###

data1[data1 < 5] = np.nan
    data1

array([[nan, 31., 32., 42., 64., 81.],
           [12., 24., 67., 73., 87., 93.],
           [nan, 45., 60., 61., 63., 95.],
           [22., 38., 50., 56., 63., 75.],
           [12., 39., 64., 67., 77., 82.],
           [ 7.,  7., 41., 52., 53., 77.]])

### 54 删除data1含有nan的行 ###

data1 = data1[~np.isnan(data1).any(axis=1), :]

data1

array([[12., 24., 67., 73., 87., 93.],
           [22., 38., 50., 56., 63., 75.],
           [12., 39., 64., 67., 77., 82.],
           [ 7.,  7., 41., 52., 53., 77.]])

### 55 找出data1第一行出现频率最高的值 ###

vals, counts = np.unique(data1[0,:], return_counts=True)
    print(vals[np.argmax(counts)])

12.0

### 56 找到data1中与100最接近的数字 ###

a = 100
    data1.flat[np.abs(data1 - a).argmin()]

93.0

### 57 data1每一行的元素减去每一行的平均值 ###

data1 - data1.mean(axis=1, keepdims=True)

array([[-47.33333333, -35.33333333,   7.66666667,  13.66666667,
             27.66666667,  33.66666667],
           [-28.66666667, -12.66666667,  -0.66666667,   5.33333333,
             12.33333333,  24.33333333],
           [-44.83333333, -17.83333333,   7.16666667,  10.16666667,
             20.16666667,  25.16666667],
           [-32.5       , -32.5       ,   1.5       ,  12.5       ,
             13.5       ,  37.5       ]])

### 58 将data1归一化至区间\[0,1\] ###

a = np.max(data1) - np.min(data1)
    (data1 - np.min(data1)) / a

array([[0.05813953, 0.19767442, 0.69767442, 0.76744186, 0.93023256,
            1.        ],
           [0.1744186 , 0.36046512, 0.5       , 0.56976744, 0.65116279,
            0.79069767],
           [0.05813953, 0.37209302, 0.6627907 , 0.69767442, 0.81395349,
            0.87209302],
           [0.        , 0.        , 0.39534884, 0.52325581, 0.53488372,
            0.81395349]])

### 59 将data1标准化 ###

mu = np.mean(data1, axis=0)
    sigma = np.std(data1, axis=0)
    (data1 - mu) / sigma

array([[-0.22941573, -0.23111136,  1.09030457,  1.31008094,  1.30769231,
             1.61229232],
           [ 1.60591014,  0.84740834, -0.52145001, -0.7145896 , -0.53846154,
            -0.96737539],
           [-0.22941573,  0.92444546,  0.80587729,  0.59549133,  0.53846154,
             0.03582872],
           [-1.14707867, -1.54074243, -1.37473184, -1.19098267, -1.30769231,
            -0.68074565]])

### 60 将data1存储至本地 ###

np.savetxt('test.txt',data1)

import numpy as np
    import pandas as pd
    import warnings
    warnings.filterwarnings("ignore")

### 61.如何获得两个数组之间的相同元素 ###

输入:

arr1 = np.random.randint(10,6,6)

arr2 = np.random.randint(10,6,6)

arr1 = np.random.randint(1,10,10)
    arr2 = np.random.randint(1,10,10)

print("arr1: %s"%arr1)
    print("arr2: %s"%arr2)
    np.intersect1d(arr1,arr2)

arr1: [1 7 4 9 2 3 8 8 2 9]
    arr2: [5 7 7 2 3 7 4 8 4 1]
    
    
    
    
    
    array([1, 2, 3, 4, 7, 8])

### 62.如何从一个数组中删除另一个数组存在的元素 ###

输入:

arr1 = np.random.randint(1,10,10)

arr2 = np.random.randint(1,10,10)

arr1 = np.random.randint(1,10,10)
    arr2 = np.random.randint(1,10,10)
    print("arr1: %s"%arr1)
    print("arr2: %s"%arr2)
    np.setdiff1d(arr1,arr2)

arr1: [3 7 6 4 4 8 6 2 4 6]
    arr2: [7 2 2 4 5 5 3 7 2 1]
    
    
    
    
    
    array([6, 8])

### 63.如何修改一个数组为只读模式 ###

输入:

arr1 = np.random.randint(1,10,10)

arr1 = np.random.randint(1,10,10)
    arr1.flags.writeable = False

#尝试修改会报错！
    arr1[0] = 6

---------------------------------------------------------------------------
    
    ValueError                                Traceback (most recent call last)
    
    <ipython-input-69-ddcf305e5efb> in <module>
          1 #尝试修改会报错！
    ----> 2 arr1[0] = 6
    
    
    ValueError: assignment destination is read-only

### 64.如何将list转为numpy数组 ###

输入:

a = \[1,2,3,4,5\]

a = [1,2,3,4,5]
    np.array(a)

### 65.如何将pd.DataFrame转为numpy数组 ###

输入:

df = pd.DataFrame(\{‘A’:\[1,2,3\],‘B’:\[4,5,6\],‘C’:\[7,8,9\]\})

df = pd.DataFrame({
        'A':[1,2,3],'B':[4,5,6],'C':[7,8,9]})
    print(df)
    print(df.values)

### 66.如何使用numpy进行描述性统计分析 ###

输入：

arr1 = np.random.randint(1,10,10)

arr2 = np.random.randint(1,10,10)

arr1 = np.random.randint(1,10,10)
    arr2 = np.random.randint(1,10,10)
    
    print("arr1的平均数为:%s" %np.mean(arr1))
    print("arr1的中位数为:%s" %np.median(arr1))
    print("arr1的方差为:%s" %np.var(arr1))
    print("arr1的标准差为:%s" %np.std(arr1))
    print("arr1,arr的相关性矩阵为:%s" %np.cov(arr1,arr2))
    print("arr1,arr的协方差矩阵为:%s" %np.corrcoef(arr1,arr2))

### 67.如何使用numpy进行概率抽样 ###

输入：

arr = np.array(\[1,2,3,4,5\])

arr = np.array([1,2,3,4,5])
    np.random.choice(arr,10,p = [0.1,0.1,0.1,0.1,0.6])

### 68.如何创建副本 ###

输入：

arr = np.array(\[1,2,3,4,5\])

#对副本数据进行修改，不会影响到原始数据
    arr = np.array([1,2,3,4,5])
    arr1 = arr.copy()

### 69.如何对数组切片 ###

输入:  
arr = np.arange(10)

备注：从索引2开始到索引8停止，间隔为2

arr = np.arange(10)
    a = slice(2,8,2)
    arr[a] #等价于arr[2:8:2]

array([2, 4, 6])

### 70.如何使用NumPy操作字符串 ###

输入:

str1 = \[‘I love’\]

str2 = \[’ Python’\]

#拼接字符串
    str1 = ['I love']
    str2 = [' Python']
    print(np.char.add(str1,str2))
    
    #大写首字母
    str3 = np.char.add(str1,str2)
    print(np.char.title(str3))

['I love Python']
    ['I Love Python']

### 71.如何对数据向上/下取整 ###

输入:

arr = np.random.uniform(0,10,10)

arr = np.random.uniform(0,10,10)
    print(arr)
    ###向上取整
    print(np.ceil(arr))
    ###向下取整
    print(np.floor(arr) )

[7.93163895 0.25298605 8.03086361 6.60320156 8.03587266 2.22664371
     9.18459953 9.2502519  7.75398358 4.22163385]
    [ 8.  1.  9.  7.  9.  3. 10. 10.  8.  5.]
    [7. 0. 8. 6. 8. 2. 9. 9. 7. 4.]

### 72.如何取消默认科学计数显示数据 ###

np.set_printoptions(suppress=True)

### 73.如何使用NumPy对二维数组逆序 ###

输入：

arr = np.random.randint(1,10,\[3,3\])

arr = np.random.randint(1,10,[3,3])
    print(arr)
    print('列逆序')
    print(arr[:, -1::-1])
    print('行逆序')
    print(arr[-1::-1, :])

[[3 1 1]
     [8 7 2]
     [4 4 8]]
    列逆序
    [[1 1 3]
     [2 7 8]
     [8 4 4]]
    行逆序
    [[4 4 8]
     [8 7 2]
     [3 1 1]]

### 74.如何使用NumPy根据位置查找元素 ###

输入：

arr1 = np.random.randint(1,10,5)

arr2 = np.random.randint(1,20,10)

备注：在arr2中根据arr1中元素以位置查找

arr1 = np.random.randint(1,10,5)
    arr2 = np.random.randint(1,20,10)
    print(arr1)
    print(arr2)
    print(np.take(arr2,arr1))

[9 6 5 4 9]
    [13 14  4 16  4 10 15  6  5  3]
    [ 3 15 10  4  3]

### 75.如何使用numpy求余数 ###

输入：

a = 10

b = 3

np.mod(a,b)

---------------------------------------------------------------------------
    
    TypeError                                 Traceback (most recent call last)
    
    <ipython-input-76-2a4695c40758> in <module>
    ----> 1 np.mod(a,b)
    
    
    TypeError: unsupported operand type(s) for %: 'slice' and 'int'

### 76.如何使用NumPy进行矩阵SVD分解 ###

输入：

A = np.random.randint(1,10,\[3,3\])

np.linalg.svd(A)

### 77.如何使用NumPy多条件筛选数据 ###

输入：

arr = np.random.randint(1,20,10)

arr = np.random.randint(1,20,10)
    print(arr[(arr>1)&(arr<7)&(arr%2==0)])

[4]

### 78.如何使用NumPy对数组分类 ###

输入：

arr = np.random.randint(1,20,10)