Umfassende Liste häufig verwendeter Funktionen in der Numpy-Bibliothek: Schnellstart- und Übungsanleitung

Die Numpy-Bibliothek ist eine der am häufigsten verwendeten Datenverarbeitungsbibliotheken in Python. Sie wird von Datenanalysten wegen ihrer effizienten und praktischen Betriebsmethoden sehr geschätzt. In der Numpy-Bibliothek gibt es viele häufig verwendete Funktionen, mit denen wir Datenverarbeitungsaufgaben schnell und effizient erledigen können. In diesem Artikel werden einige häufig verwendete Numpy-Funktionen vorgestellt und Codebeispiele und praktische Anwendungsszenarien bereitgestellt, damit Leser schneller mit der Numpy-Bibliothek beginnen können.

1. Erstellen Sie ein Array

1. numpy.array

Funktionsprototyp: numpy.array(object, dtype=None, copy=True, order='K', subok=False, ndmin=0)

Funktion Beschreibung: Konvertieren Sie Objekte wie Listen in Arrays.

Codebeispiel:

import numpy as np

a = np.array([1, 2, 3])
print(a)  # 输出 [1 2 3]

2. numpy.zeros

Funktionsprototyp: numpy.zeros(shape, dtype=float, order='C')

Funktionsbeschreibung: Erstellen Sie ein All-Null-Array der angegebenen Form.

Codebeispiel:

import numpy as np

a = np.zeros((2, 3))
print(a)  # 输出 [[0. 0. 0.]
          #      [0. 0. 0.]]

3. numpy.ones

Funktionsprototyp: numpy.ones(shape, dtype=None, order='C')

Funktionsbeschreibung: Erstellen Sie ein All-One-Array der angegebenen Form.

Codebeispiel:

import numpy as np

a = np.ones((2, 3))
print(a)  # 输出 [[1. 1. 1.]
          #      [1. 1. 1.]]

4. numpy.arange

Funktionsprototyp: numpy.arange(start, stop, step, dtype=None)

Funktionsbeschreibung: Erstellen Sie ein Array arithmetischer Sequenzen.

Codebeispiel:

import numpy as np

a = np.arange(0, 10, 2)
print(a)  # 输出 [0 2 4 6 8]

2. Array-Operationen

1. numpy.reshape

Funktionsprototyp: numpy.reshape(a, newshape, order='C')

Funktionsbeschreibung: Array a in das angegebene A konvertieren neue Formenvielfalt.

Codebeispiel:

import numpy as np

a = np.array([1, 2, 3, 4, 5, 6])
b = a.reshape((2, 3))
print(b)  # 输出 [[1 2 3]
          #      [4 5 6]]

2. numpy.transpose

Funktionsprototyp: numpy.transpose(a, axis=None)

Funktionsbeschreibung: Transponieren Sie das Array.

Codebeispiel:

import numpy as np

a = np.array([[1, 2, 3], [4, 5, 6]])
b = np.transpose(a)
print(b)  # 输出 [[1 4]
          #      [2 5]
          #      [3 6]]

3. numpy.concatenate

Funktionsprototyp: numpy.concatenate((a1, a2, ...), axis=0)

Funktionsbeschreibung: Spleißvorgang für Arrays durchführen.

Codebeispiel:

import numpy as np

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
c = np.concatenate((a, b), axis=0)
print(c)  # 输出 [[1 2] 
          #      [3 4] 
          #      [5 6] 
          #      [7 8]]

3. Array-Berechnung

1. numpy.abs

Funktionsprototyp: numpy.abs(x, args, *kwargs)

Funktionsbeschreibung: Berechnen Sie den absoluten Wert jedes Elements in der Array-Wert.

Codebeispiel:

import numpy as np

a = np.array([-1, 2, -3])
b = np.abs(a)
print(b)  # 输出 [1 2 3]

2. numpy.round

Funktionsprototyp: numpy.round(a, decimals=0, out=None)

Funktionsbeschreibung: Runden Sie die Elemente im Array.

Codebeispiel:

import numpy as np

a = np.array([1.3, 2.6, 3.2])
b = np.round(a)
print(b)  # 输出 [1. 3. 3.]

3. numpy.sum

Funktionsprototyp: numpy.sum(a, axis=None)

Funktionsbeschreibung: Berechnen Sie die Summe jedes Elements im Array.

Codebeispiel:

import numpy as np

a = np.array([[1, 2], [3, 4]])
b = np.sum(a, axis=0)
print(b)  # 输出 [4 6]

4. Häufig verwendete mathematische Funktionen

1. numpy.exp

Funktionsprototyp: numpy.exp(x, args, *kwargs)

Funktionsbeschreibung: Berechnen Sie den Exponenten jedes Elements im Array-Funktionswert.

Codebeispiel:

import numpy as np

a = np.array([1, 2, 3])
b = np.exp(a)
print(b)  # 输出 [ 2.71828183  7.3890561  20.08553692]

2. numpy.log

Funktionsprototyp: numpy.log(x, args, *kwargs)

Funktionsbeschreibung: Berechnen Sie den natürlichen Logarithmus jedes Elements im Array.

Codebeispiel:

import numpy as np

a = np.array([1, 2, 3])
b = np.log(a)
print(b)  # 输出 [0.         0.69314718 1.09861229]

3. numpy.sqrt

Funktionsprototyp: numpy.sqrt(x, args, *kwargs)

Funktionsbeschreibung: Berechnen Sie die Quadratwurzel jedes Elements im Array.

Codebeispiel:

import numpy as np

a = np.array([1, 4, 9])
b = np.sqrt(a)
print(b)  # 输出 [1. 2. 3.]

5. Praktische Anwendungsszenarien

1. Polynomfunktionen simulieren

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-5, 5, num=50)
y = np.power(x, 3) - 3 * np.power(x, 2) + 2 * x + 1

plt.plot(x, y)
plt.show()

2. Array-gewichtete Summe

import numpy as np

a = np.array([1, 2, 3, 4])
b = np.array([0.1, 0.2, 0.3, 0.4])

result = np.sum(a * b)
print(result)  # 输出 2.0

3. Arrays sortieren

import numpy as np

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

print(b)  # 输出 [1 2 3 4]

Zusammenfassung:

Dieser Artikel stellt einige allgemeine Funktionen und Anwendungen vor Zu den Szenarien der Numpy-Bibliothek gehören Array-Erstellung, Operationen, Berechnungen und einige mathematische Funktionen. Wir können diese Funktionen flexibel entsprechend den tatsächlichen Anwendungsszenarien nutzen, um die Datenverarbeitung effizienter und komfortabler zu gestalten. Es wird empfohlen, dass die Leser den Code selbst schreiben und üben, um ihr Verständnis und ihre Beherrschung der Numpy-Bibliothek zu vertiefen.

Das obige ist der detaillierte Inhalt vonUmfassende Liste häufig verwendeter Funktionen in der Numpy-Bibliothek: Schnellstart- und Übungsanleitung. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!