Vollständige Liste der Numpy-Funktionen und ihrer Verwendung: Detaillierte Erklärung aller Funktionen in der Numpy-Bibliothek

Numpy-Funktionsenzyklopädie: Detaillierte Erläuterung aller Funktionen und ihrer Verwendung in der Numpy-Bibliothek, spezifische Codebeispiele sind erforderlich

Einführung:
In den Bereichen Datenanalyse und wissenschaftliches Rechnen müssen häufig umfangreiche numerische Daten erfasst werden verarbeitet. Numpy ist die am häufigsten verwendete Open-Source-Bibliothek in Python und bietet effiziente mehrdimensionale Array-Objekte und eine Reihe von Funktionen zum Betreiben von Arrays. In diesem Artikel werden alle Funktionen und ihre Verwendung in der Numpy-Bibliothek detailliert vorgestellt und spezifische Codebeispiele gegeben, um den Lesern zu helfen, die Numpy-Bibliothek besser zu verstehen und zu verwenden.

1. Erstellung und Transformation von Arrays

1. np.array(): Erstellen Sie ein Array und konvertieren Sie die Eingabedaten in ein ndarray-Objekt.

import numpy as np

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

Das Ausgabeergebnis ist:

[1 2 3 4 5]

2. np.arange(): Erstellt ein arithmetisches Array.

import numpy as np

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

Das Ausgabeergebnis ist:

[0 2 4 6 8]

3. np.zeros(): Erstellt ein Array, bei dem alle Elemente 0 sind.

import numpy as np

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

Das Ausgabeergebnis ist:

[[0. 0. 0.]
 [0. 0. 0.]]

4. np.ones(): Erstellt ein Array, bei dem alle Elemente 1 sind.

import numpy as np

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

Das Ausgabeergebnis ist:

[[1. 1. 1.]
 [1. 1. 1.]]

5. np.linspace(): Erstellt ein Array mit gleichen Abständen.

import numpy as np

arr = np.linspace(0,1,5)
print(arr)

Das Ausgabeergebnis ist:

[0.   0.25 0.5  0.75 1.  ]

6. np.eye(): Erstellen Sie eine Matrix mit einer Diagonale von 1.

import numpy as np

arr = np.eye(3)
print(arr)

Das Ausgabeergebnis ist:

[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

2. Array-Operationen und Operationen

1. Array-Formoperationen

• np.reshape(): Ändern Sie die Form des Arrays.

import numpy as np

arr = np.arange(1, 10)
arr_reshape = np.reshape(arr, (3, 3))
print(arr_reshape)

Das Ausgabeergebnis ist:

[[1 2 3]
 [4 5 6]
 [7 8 9]]

• arr.flatten(): Konvertiert ein mehrdimensionales Array in ein eindimensionales Array.

import numpy as np

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

Das Ausgabeergebnis ist:

[1 2 3 4 5 6]

2. Elementoperation des Arrays

• np.sort(): Sortiert die Elemente des Arrays.

import numpy as np

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

Das Ausgabeergebnis ist:

[1 2 3 4 5]

• np.argmax(): Gibt den Index des größten Elements im Array zurück.

import numpy as np

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

Das Ausgabeergebnis ist:

2

3. Array-Operationen

• np.add(): Zwei Arrays hinzufügen.

import numpy as np

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

Das Ausgabeergebnis ist:

[5 7 9]

• np.dot(): Punktmultiplikation zweier Arrays.

import numpy as np

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

Das Ausgabeergebnis ist:

32

3. Statistische Funktionen und lineare Algebra-Funktionen

1. Statistische Funktionen

• np.mean(): Berechnen Sie den Mittelwert des Arrays.

import numpy as np

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

Das Ausgabeergebnis ist:

3.0

• np.std(): Berechnen Sie die Standardabweichung des Arrays.

import numpy as np

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

Das Ausgabeergebnis ist:

1.4142135623730951

2. Lineare Algebra-Funktion

• np.linalg.det(): Berechnen Sie die Determinante der Matrix.

import numpy as np

matrix = np.array([[1, 2], [3, 4]])
det = np.linalg.det(matrix)
print(det)

Das Ausgabeergebnis ist:

-2.0000000000000004

• np.linalg.inv(): Berechnen Sie die inverse Matrix der Matrix.

import numpy as np

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

Das Ausgabeergebnis ist:

[[-2.   1. ]
 [ 1.5 -0.5]]

4. Hilfsfunktionen und allgemeine Funktionen

1. Hilfsfunktionen

• np.loadtxt(): Daten aus einer Textdatei laden.

import numpy as np

arr = np.loadtxt('data.txt')
print(arr)

• np.savetxt(): Daten in einer Textdatei speichern.

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
np.savetxt('data.txt', arr)

2. Universelle Funktion

• np.sin(): Berechnen Sie den Sinuswert der Elemente im Array.

import numpy as np

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

Das Ausgabeergebnis ist:

[0.         1.         1.2246468e-16]

• np.exp(): Berechnet den Exponentenwert der Elemente im Array.

import numpy as np

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

Das Ausgabeergebnis ist:

[ 2.71828183  7.3890561  20.08553692]

Dieser Artikel zeigt nur einen kleinen Teil der Funktionen in der Numpy-Bibliothek, die über leistungsfähigere Funktionen verfügt. Ich hoffe, dass die Leser die Funktionen der Numpy-Bibliothek in der tatsächlichen Programmierung flexibel nutzen können, um die Effizienz und Genauigkeit der Datenverarbeitung zu verbessern.

Das obige ist der detaillierte Inhalt vonVollständige Liste der Numpy-Funktionen und ihrer Verwendung: Detaillierte Erklärung aller Funktionen in der Numpy-Bibliothek. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!