Eine vollständige Anleitung zum Parsen von NumPy-Funktionen

NumPy (Numerical Python) ist eine Open-Source-Python-Bibliothek für wissenschaftliches Rechnen, die mehrdimensionale Array-Objekte und Tools für die Bearbeitung von Arrays bereitstellt. Sie ist eine der Kernbibliotheken des Python-Data-Science-Ökosystems und wird häufig in Bereichen wie wissenschaftlichem Rechnen, Datenanalyse und maschinellem Lernen verwendet. In diesem Artikel werden die häufig verwendeten Funktionen in der NumPy-Bibliothek einzeln analysiert, einschließlich Array-Erstellung, Array-Operationen, mathematische Funktionen, statistische Funktionen, lineare Algebra usw., und spezifische Codebeispiele bereitgestellt.

1. Array-Erstellung
   NumPy bietet eine Vielzahl von Methoden zum Erstellen von Arrays. Arrays können durch Angabe von Dimensionen, Datentypen und Initialisierungswerten erstellt werden. Häufig verwendete Funktionen sind:

1.1 numpy.array(): Erstellt ein Array aus einer Liste oder einem Tupel.

import numpy as np

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

# 输出：[1 2 3 4 5]

1.2 numpy.zeros(): Erstellt ein All-Null-Array mit angegebenen Dimensionen.

import numpy as np

arr = np.zeros((3, 4))
print(arr)

"""
输出：
[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]
"""

1.3 numpy.ones(): Erstellt ein All-One-Array mit angegebenen Dimensionen.

import numpy as np

arr = np.ones((2, 3))
print(arr)

"""
输出：
[[1. 1. 1.]
 [1. 1. 1.]]
"""

1.4 numpy.arange(): Erstellt ein arithmetisches Array.

import numpy as np

arr = np.arange(0, 10, 2)
print(arr)

# 输出：[0 2 4 6 8]

2. Array-Operationen
   NumPy bietet viele Funktionen für Array-Operationen, einschließlich Formoperationen, Indizierung und Slicing, Erweiterung und Stapelung sowie Array-Transposition. Häufig verwendete Funktionen sind:

2.1 reshape(): Ändert die Form des Arrays.

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6]])
new_arr = arr.reshape((3, 2))
print(new_arr)

"""
输出：
[[1 2]
 [3 4]
 [5 6]]
"""

2.2 Indizierung und Slicing: Bearbeiten Sie Arrays durch Indizierung und Slicing.

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
print(arr[2])       # 输出：3
print(arr[1:4])     # 输出：[2 3 4]
print(arr[:3])      # 输出：[1 2 3]
print(arr[-3:])     # 输出：[3 4 5]

2.3 concatenate(): Verkettet zwei oder mehr Arrays.

import numpy as np

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
arr = np.concatenate((arr1, arr2))
print(arr)

# 输出：[1 2 3 4 5 6]

2.4 transpose(): Transponiert das Array.

import numpy as np

arr = np.array([[1, 2], [3, 4]])
new_arr = np.transpose(arr)
print(new_arr)

"""
输出：
[[1 3]
 [2 4]]
"""

3. Mathematische Funktionen
   NumPy bietet eine Fülle mathematischer Funktionen, wie z. B. numerische Operationen, trigonometrische Funktionen, logarithmische Funktionen, Exponentialfunktionen usw. Häufig verwendete Funktionen sind:

3.1 np.mean(): Berechnen Sie den Durchschnitt eines Arrays.

import numpy as np

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

# 输出：3.0

3.2 np.sin(): Berechnen Sie den Sinuswert von Array-Elementen.

import numpy as np

arr = np.array([0, np.pi/2, np.pi])
sin = np.sin(arr)
print(sin)

# 输出：[0.         1.         1.2246468e-16]

3.3 np.exp(): Exponentielle Operation für Array-Elemente ausführen.

import numpy as np

arr = np.array([1, 2, 3])
exp = np.exp(arr)
print(exp)

# 输出：[ 2.71828183  7.3890561  20.08553692]

4. Statistische Funktionen
   NumPy bietet häufig verwendete statistische Funktionen, einschließlich Maximum, Minimum, Median, Varianz und Standardabweichung usw. Häufig verwendete Funktionen sind:

4.1 np.max(): Berechnen Sie den Maximalwert eines Arrays.

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
max_value = np.max(arr)
print(max_value)

# 输出：5

4.2 np.min(): Berechnen Sie den Mindestwert des Arrays.

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
min_value = np.min(arr)
print(min_value)

# 输出：1

4.3 np.median(): Berechnen Sie den Median des Arrays.

import numpy as np

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

# 输出：3.0

4.4 np.var(): Berechnet die Varianz des Arrays.

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
variance = np.var(arr)
print(variance)

# 输出：2.0

5. Lineare Algebra
   NumPy bietet grundlegende lineare Algebra-Operationsfunktionen wie Matrixmultiplikation, Matrixinversion, Matrixdeterminante usw. Häufig verwendete Funktionen sind:

5.1 np.dot(): Berechnen Sie das Skalarprodukt zweier Arrays.

import numpy as np

arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])
dot_product = np.dot(arr1, arr2)
print(dot_product)

"""
输出：
[[19 22]
 [43 50]]
"""

5.2 np.linalg.inv(): Berechnen Sie die Umkehrung einer Matrix.

import numpy as np

arr = np.array([[1, 2], [3, 4]])
inverse = np.linalg.inv(arr)
print(inverse)

"""
输出：
[[-2.   1. ]
 [ 1.5 -0.5]]
"""

Die oben genannten Funktionen sind nur ein Teil der Funktionen in der NumPy-Bibliothek. Wenn wir verstehen, wie diese allgemeinen Funktionen verwendet werden, können wir NumPy effizienter verwenden, um Rechenaufgaben wie Array-Operationen, mathematische Operationen, statistische Analysen und lineare Algebra auszuführen. Gleichzeitig können wir durch eingehendes Studium der relevanten Dokumente der NumPy-Bibliothek leistungsfähigere Funktionen und Funktionen entdecken, die unsere wissenschaftliche Rechenarbeit stark unterstützen.

Das obige ist der detaillierte Inhalt vonEine vollständige Anleitung zum Parsen von NumPy-Funktionen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!