numpy二维数组分片

NumPy的二维数组分片允许你基于行或列提取部分数据。你可以通过索引来选择特定的元素、一行、一列，甚至是切片整个子矩阵。例如，如果你有一个名为`arr`的二维数组：

import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

你可以按照以下方式进行分片：

1. **选取单个元素**：

   element = arr[0, 1]  # 获取第一行第二列的元素

2. **选取一整行**：

   row = arr[1]  # 获取第二行

3. **选取一整列**：

   column = arr[:, 1]  # 获取所有行的第二列

4. **切片操作**：

   slice_1 = arr[1:3, :]  # 获取第二行到第三行的所有列
   slice_2 = arr[:, 1:3]  # 获取所有行的第二列到第三列

5. **条件分片**：

   condition = arr > 5
   sliced_arr = arr[condition]  # 只保留值大于5的部分

相关问题

请创建四维数组，并展示索引，分片，求和操作。 定义一个长度为20的数组，统计数组中的最大值，最小数，偶数和奇数的个数。 通过随机数值模拟掷色子的过程。投掷700次，分别统计各个点数出现的频次、比例，并以柱状图的方式显示可视化的结果。

首先，让我们创建一个四维数组。在Python中，我们可以使用numpy库来进行这样的操作：

import numpy as np

# 创建一个4维数组 (2x2x2x3)
arr_4d = np.zeros((2, 2, 2, 3))

然后，我们可以通过下标访问这个数组：

# 索引示例
index = (0, 0, 0, 1)  # 第0行第0列第0块第1个元素
print(arr_4d[index])  # 输出对应的元素

# 分片操作示例
slice_2d = arr_4d[:, :, :, 0]  # 取所有行、列、块的第0个元素
print(slice_4d)

接下来，对二维数组进行求和操作：

sum_2d = arr_4d.sum(axis=0)  # 沿着第一个轴（行）求和
print(sum_2d)

对于统计数组中的最大值、最小值、偶数和奇数的个数，假设我们的二维数组只包含0和1（表示非负整数），可以这样做：

arr_2d = np.random.randint(0, 2, size=(20,))
max_val, min_val = arr_2d.max(), arr_2d.min()
even_count = sum(arr_2d[arr_2d % 2 == 0])
odd_count = len(arr_2d) - even_count

print("最大值:", max_val)
print("最小值:", min_val)
print("偶数个数:", even_count)
print("奇数个数:", odd_count)

最后，模拟掷色子并可视化结果：

from collections import Counter
import matplotlib.pyplot as plt

def roll_dice(num_rolls):
    results = [np.random.randint(1, 7) for _ in range(num_rolls)]
    counts = Counter(results)
    return counts

dice_counts = roll_dice(700)
plt.bar(dice_counts.keys(), dice_counts.values())
plt.xlabel("点数")
plt.ylabel("频次")
plt.title("投掷700次色子的结果")
plt.show()

填空题4分 15、当遇到-部未看过的电影(不知道剧情，但知道其中的打斗次数和KISS次数分别为18和90)时，请补全下面的代码，预测它是爱情片还是动作片? import numpy as np

在这个场景中，我们可以考虑利用简单的统计模型来预测电影的类型。由于打斗次数和KISS次数可能是动作片和爱情片常见的特征指标，可以将它们作为输入特征，创建一个二分类模型。假设我们有一个训练好的模型，比如逻辑回归或者决策树，可以用numpy处理数据。

import numpy as np

# 假设你已经有了一个训练好的模型，例如线性模型
def predict_movie_type(battles, kisses):
    # 将特征转成numpy数组
    X = np.array([[battles, kisses]])  # 一个样本是一个二维数组，包含两个特征

    # 如果模型已保存为文件
    model_path = "model.pkl"
    model = joblib.load(model_path)  # 使用joblib库加载模型

    # 预测类别
    prediction = model.predict(X)

    return "预测这部电影是{}片".format("爱情" if prediction[0] == 1 else "动作")

# 对于未知电影的数据
unknown_battles = 18
unknown_kisses = 90
predicted_genre = predict_movie_type(unknown_battles, unknown_kisses)

请注意，这只是一个非常基础的例子，实际应用中需要先收集足够的电影数据进行训练，并对模型进行评估。另外，仅凭打斗次数和KISS次数可能不足以精确区分，真实情况可能还需要考虑其他因素，如演员阵容、导演、电影时长等。