Analyse gemeinsamer Parameter und Verwendung von Numpy-Funktionen

Analyse allgemeiner Parameter und Verwendung der Numpy-Funktion

Numpy ist eine häufig verwendete numerische Berechnungsbibliothek in Python. Sie bietet eine Fülle numerischer Operationsfunktionen und Datenstrukturen und kann Array-Operationen und numerische Berechnungen bequem und schnell durchführen. In diesem Artikel werden die allgemeinen Parameter und die Verwendung von Numpy-Funktionen analysiert und spezifische Codebeispiele bereitgestellt.

1. Allgemeine Parameter der Numpy-Funktion

1. array_like: Dies ist der häufigste Parameter in der Numpy-Funktion, was bedeutet, dass er verschiedene iterierbare Objekte (wie Listen, Tupel, Arrays usw.) als Eingabe akzeptiert. Es kann ein mehrdimensionales Array oder ein eindimensionales Array sein.

Beispiel:

import numpy as np

a = np.array([1, 2, 3, 4])  # 定义一维数组
b = np.array([[1, 2], [3, 4]])  # 定义二维数组

print(a)  # 输出：[1 2 3 4]
print(b)  # 输出：[[1 2]
          #       [3 4]]

2. dtype: Dies ist ein Parameter, der den Datentyp der Array-Elemente angibt. Numpy unterstützt mehrere Datentypen wie int, float, bool usw.

Beispiel:

import numpy as np

a = np.array([1, 2, 3], dtype=np.float)  # 指定数组元素为浮点型
b = np.array([1, 2, 3], dtype=np.int)  # 指定数组元素为整型

print(a)  # 输出：[1. 2. 3.]
print(b)  # 输出：[1 2 3]

3. shape: Dies ist ein Parameter, der die Abmessungen des Arrays angibt. Kann eine Zahl oder ein Tupel (oder eine Liste) sein.

Beispiel:

import numpy as np

a = np.array([1, 2, 3, 4])  # 一维数组
b = np.array([[1, 2], [3, 4]])  # 二维数组

print(a.shape)  # 输出：(4,)
print(b.shape)  # 输出：(2, 2)

4. Achse: Dies ist ein Parameter, der die Operation an einer Achse angibt. Die Achse stellt die Dimension des Arrays dar, beginnend bei 0 und schrittweise ansteigend.

Beispiel:

import numpy as np

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

print(np.sum(a, axis=0))  # 按列求和，输出：[4 6]
print(np.sum(a, axis=1))  # 按行求和，输出：[3 7]

5. out: Dies ist ein Parameter, der den Speicherort angibt, an dem die Ausgabeergebnisse gespeichert werden. Es kann sich um ein vorhandenes Array oder ein neues Array handeln.

Beispiel:

import numpy as np

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.zeros(3)

np.add(a, b, out=c)  # 将a和b相加，结果放在c中

print(c)  # 输出：[5. 7. 9.]

2. Häufige Verwendungen von Numpy-Funktionen

1. Erstellen von Arrays: Sie können verschiedene von Numpy bereitgestellte Erstellungsfunktionen verwenden, um Arrays zu erstellen, z. B. np.array()、np.zeros()、np.ones()、np.arange()usw.

Beispiel:

import numpy as np

a = np.array([1, 2, 3])  # 创建一维数组
b = np.zeros((2, 2))  # 创建全0的二维数组
c = np.ones((3, 3))  # 创建全1的二维数组
d = np.arange(0, 10, 2)  # 创建一个等差数列

print(a)  # 输出：[1 2 3]
print(b)  # 输出：[[0. 0.]
          #       [0. 0.]]
print(c)  # 输出：[[1. 1. 1.]
          #       [1. 1. 1.]
          #       [1. 1. 1.]]
print(d)  # 输出：[0 2 4 6 8]

2. Array-Operationen: Numpy bietet eine Fülle von Array-Operationsfunktionen wie Addition, Subtraktion, Multiplikation, Division, Summierung, Durchschnitt usw.

Beispiel:

import numpy as np

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

print(np.add(a, b))  # 数组相加，输出：[5 7 9]
print(np.subtract(a, b))  # 数组相减，输出：[-3 -3 -3]
print(np.multiply(a, b))  # 数组相乘，输出：[4 10 18]
print(np.divide(a, b))  # 数组相除，输出：[0.25 0.4 0.5]
print(np.sum(a))  # 数组求和，输出：6
print(np.mean(a))  # 数组平均值，输出：2

3. Array-Transformation: Numpy bietet verschiedene Array-Transformationsfunktionen wie Transponieren, Umformen, Zusammenführen usw.

Beispiel:

import numpy as np

a = np.array([[1, 2], [3, 4]])
b = np.transpose(a)  # 转置数组
c = np.reshape(a, (1, 4))  # 将数组重塑为1行4列的数组
d = np.concatenate((a, b), axis=1)  # 按列合并数组

print(b)  # 输出：[[1 3]
          #       [2 4]]
print(c)  # 输出：[[1 2 3 4]]
print(d)  # 输出：[[1 2 1 3]
          #       [3 4 2 4]]

Dieser Artikel stellt die allgemeinen Parameter und die Verwendung von Numpy-Funktionen vor und bietet spezifische Codebeispiele. Durch die Beherrschung der Verwendung dieser Funktionen können Array-Operationen und numerische Berechnungen effizienter durchgeführt und die Programmiereffizienz verbessert werden.

Das obige ist der detaillierte Inhalt vonAnalyse gemeinsamer Parameter und Verwendung von Numpy-Funktionen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!