Erste Schritte mit NumPy: Das Schweizer Taschenmesser der Datenverarbeitung

NumPy (Numerical Python) ist eine leistungsstarke Python-Bibliothek, die fortschrittliche Tools für wissenschaftliches Rechnen und Datenverarbeitung bereitstellt. Es ist bekannt für seine Fähigkeit, mehrdimensionale Arrays (sogenannte n-dimensionale Arrays) zu verarbeiten, was es zum Werkzeug der Wahl für Datenwissenschaftler, Forscher und Ingenieure macht.

Installation und Import

Um NumPy mit Python zu verwenden, installieren Sie es mit pip:

pip install numpy

Dann importieren Sie es in Ihren Code:

import numpy as np

Grundlegende Datentypen

NumPy bietet eine Vielzahl von Datentypen zum Speichern verschiedener Datentypen, darunter:

• Integer-Typen: int8, int16, int32 und int64
• Gleitkommatypen: float16, float32 und float64
• Pluraltypen: complex64 und complex128
• Boolescher Typ: bool

Array erstellen

NumPy-Arrays sind Objekte, die mehrdimensionale Daten darstellen. Sie können ein Array erstellen mit:

• Aus Liste oder Tupel: np.array()
• aus Skalarwert: np.full() 和 np.ones()
• Aus Datei: np.loadtxt()
• NumPy-Funktionen verwenden: np.arange()、np.linspace() 和 np.random.rand()

Array-Operationen

NumPy bietet eine breite Palette von Array-Manipulationsfunktionen, darunter:

• Arithmetische Operationen: Addition (+), Subtraktion (-), Multiplikation (*) und Division (/)
• Logische Operationen: Gleich (==), Ungleich (!=), Größer als (>) und Kleiner als (<)
• Array-Operationen: Summe, Durchschnitt, Maximum und Minimum
• Boolesche Maske: Elemente aus einem Array auswählen

Indexieren und Slicing

Sie können mithilfe von Indizierung und Slicing auf Elemente in einem Array zugreifen:

• Index: Verwenden Sie eckige Klammern ([])
• Slice: Doppelpunkt (:) verwenden

Übertragung

Broadcasting ist eine leistungsstarke Funktion von NumPy, mit der elementweise Operationen an Arrays unterschiedlicher Form ausgeführt werden können.

Weitere nützliche Funktionen

Zusätzlich zu Array-Operationen bietet NumPy viele weitere nützliche Funktionen, darunter:

• Lineare Algebra: Matrixmultiplikation, Eigenwerte und Eigenvektoren
• Zufallszahlengenerierung: Generieren Sie Zufallszahlen aus verschiedenen Verteilungen
• Dateieingabe/-ausgabe: Arrays speichern und laden
• Optimierung: OptimierungTools
für wissenschaftliches Rechnen

Beispiel

Hier ist ein Beispiel für die Berechnung einfacher Statistiken mit NumPy:

import numpy as np

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

print("平均值：", np.mean(data))
print("标准差：", np.std(data))

Fazit

NumPy ist ein vielseitiges und leistungsstarkes Tool, das eine breite Palette an Datenverarbeitungsfunktionen bietet. Seine Benutzerfreundlichkeit, Effizienz und Leistung machen es zum Werkzeug der Wahl für wissenschaftliches Rechnen und Datenanalyse.

Das obige ist der detaillierte Inhalt vonErste Schritte mit NumPy: Das Schweizer Taschenmesser der Datenverarbeitung. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!