Entdecken Sie häufig verwendete Numpy-Funktionen in Python: Numpy-Funktionen verstehen

Numpy-Funktionen verstehen: Erkunden Sie häufig verwendete Numpy-Funktionen in Python. Spezifische Codebeispiele sind erforderlich.

Einführung:
In Python ist NumPy (kurz für Numerical Python) eine leistungsstarke Bibliothek für wissenschaftliches Rechnen, die Python mit effizienter Mehrdimensionalität versorgt Array-Objekte und eine große Bibliothek mathematischer Funktionen. NumPy ist eine der Kernbibliotheken für wissenschaftliches Rechnen mit Python und wird häufig in der Datenanalyse, dem maschinellen Lernen, der Bildverarbeitung und anderen Bereichen verwendet. In diesem Artikel werden einige häufig verwendete NumPy-Funktionen vorgestellt und spezifische Codebeispiele bereitgestellt.

1. Funktionen zum Erstellen von Arrays

(1) Erstellen Sie eindimensionale Arrays
Durch die Verwendung von Numpys Arange-, Linspace-, Logspace- und anderen Funktionen können wir eindimensionale Arrays erstellen.

Codebeispiel:

numpy als np importieren

Verwenden Sie die Arange-Funktion, um ein eindimensionales Array zu erstellen

arr1 = np.arange(10)
print("Eindimensionales Array, erstellt durch die Arange-Funktion: ", arr1)

Linspace verwenden. Die Funktion erstellt ein eindimensionales Array.

arr2 = np.linspace(0, 1, 10) # Erzeugt 10 gleichabständige Zahlen von 0 bis 1 Funktion: ", arr2)

Verwenden Sie die Logspace-Funktion, um ein eindimensionales Array zu erstellen

arr3 = np.logspace(0, 2, 10) # Erzeugen Sie 10 logarithmisch beabstandete Zahlen von 10^0 bis 10^2

print( „Eindimensionales Array, erstellt durch die Logspace-Funktion Array:“, arr3)

(2) Erstellen Sie ein mehrdimensionales Array

Zusätzlich zu eindimensionalen Arrays können wir auch mehrdimensionale Arrays erstellen, indem wir die Array-Funktion von Numpy verwenden.

Codebeispiel:

numpy als np importieren

Array-Funktion verwenden, um ein zweidimensionales Array zu erstellen

arr4 = np.array([[1, 2, 3],

             [4, 5, 6]])

print("Zweidimensionales Array erstellt durch Array-Funktion :

", arr4)

Verwenden Sie die Array-Funktion, um ein dreidimensionales Array zu erstellen

arr5 = np.array([[[1, 2, 3],

              [4, 5, 6]],
             [[7, 8, 9],
              [10, 11, 12]]])

print("Dreidimensionales Array erstellt durch Array-Funktion:

", arr5)

2. Array-Operationsfunktionen

NumPy bietet eine Fülle von Array-Operationsfunktionen, einschließlich mathematischer Funktionen, statistischer Funktionen, logischer Funktionen usw.

(1) Mathematische Funktionen

Mathematische Funktionen in NumPy können Elemente in Arrays bearbeitet werden, z. B. logarithmische Funktionen, trigonometrische Funktionen, Exponentialfunktionen usw , 4])

Berechnen Sie das Quadrat des Arrays

print("Das Quadrat des Arrays:", np.square(arr6))

Berechnen Sie die Quadratwurzel des Arrays

print("Die Quadratwurzel von das Array:", np.sqrt(arr6))

Berechnen Sie die Exponentialfunktion des Arrays

print("Exponentialfunktion des Arrays:", np.exp(arr6))

(2) Statistische Funktionen

Durch Verwendung Mit den statistischen Funktionen von NumPy können wir statistische Analysen für Arrays wie Summe, Durchschnitt und Maximum, Minimalwert usw. durchführen , 3, 4, 5])

Finden Sie die Summe des Arrays

print("Die Summe des Arrays ::", np.sum(arr7))

Finden Sie den Mittelwert des Arrays

print("The Durchschnitt des Arrays:", np.mean(arr7))

Finden Sie den Maximalwert des Arrays

print("Der Durchschnitt des Arrays Maximalwert: ", np.max(arr7))

Finden Sie das Minimum Wert des Arrays

print("Der Mindestwert des Arrays: ", np.min(arr7))

(3) Logische Funktion

Logische Funktion für Array Führt logische Operationen an den Elementen durch, z. B. die Beurteilung, ob die Elemente vorhanden sind eine bestimmte Bedingung erfüllen.

numpy als np importieren

arr8 = np.array([1, 2, 3, 4, 5])

Beurteilung, ob die Elemente im Array größer als 2 sind

print("ob die Elemente im Array größer als 2 sind:", np.greater(arr8, 2))

Bestimmen Sie, ob die Elemente im Array kleiner oder gleich 3 sind

print("ob die Elemente im Array sind kleiner oder gleich 3: ", np.less_equal(arr8, 3))

3. Array-Formfunktion

NumPy bietet viele Funktionen für Array-Formoperationen, wie z. B. das Ändern der Array-Form, das Zusammenfügen von Arrays, usw.

(1) Ändern Sie die Form des Arrays

Sie können die Form des Arrays ändern, indem Sie die Umformungsfunktion verwenden, z. B. indem Sie ein eindimensionales Array in ein zweidimensionales Array oder ein mehrdimensionales Array in eins umwandeln -dimensionales Array.

Codebeispiel:

import numpy as np

arr9 = np.arange(9)

Konvertieren Sie ein eindimensionales Array in ein zweidimensionales Array mit drei Zeilen und drei Spalten

arr10 = np.reshape(arr9 , (3, 3))

print("Konvertieren Sie ein eindimensionales Array in ein zweidimensionales Array:

", arr10)

Konvertieren Sie ein mehrdimensionales Array in ein eindimensionales Array

arr11 = np.ravel (arr10)

print("Konvertieren Sie ein mehrdimensionales Array in ein eindimensionales Array. Für ein eindimensionales Array: ", arr11)

(2) Arrays spleißen

NumPy bietet Funktionen wie vstack, hstack und concatenate zum Spleißen Arrays.

Codebeispiel:

import numpy as np

arr12 = np.array([[1, 2, 3],

              [4, 5, 6]])

arr13 = np.array([[7, 8, 9],

              [10, 11, 12]])

vertical Gespleißtes Array

arr14 = np.vstack((arr12, arr13))

print("Vertikales gespleißtes Array:

", arr14)

Horizontales gespleißtes Array

arr15 = np.hstack((arr12 , arr13))

print ("Horizontales Spleißarray:

", arr15)

Zusammenfassung:

Durch die Einleitung dieses Artikels haben wir einige häufig verwendete Funktionen in NumPy kennengelernt, darunter Funktionen zum Erstellen von Arrays, Array-Operationsfunktionen, und Array-Formfunktionen können uns dabei helfen, Array-Operationen und mathematische Berechnungen bequemer durchzuführen und die Programmiereffizienz zu verbessern in der Lage, sie flexibel auf die tatsächliche Datenverarbeitung und wissenschaftliche Berechnungen anzuwenden

Das obige ist der detaillierte Inhalt vonEntdecken Sie häufig verwendete Numpy-Funktionen in Python: Numpy-Funktionen verstehen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!