


Explication détaillée du fonctionnement des tableaux par la bibliothèque Python Numpy
1. Introduction
NumPy (Numerical Python) est une bibliothèque d'extensions du langage Python qui prend en charge un grand nombre d'opérations matricielles et de tableaux dimensionnels, en plus de fournir un grand nombre de bibliothèques de fonctions mathématiques pour les opérations sur les tableaux. La structure de données principale est le tableau ndarray.
NumPy est souvent utilisé avec SciPy (Scientific Python) et Matplotlib (bibliothèque de traçage), une combinaison largement utilisée en remplacement de MatLab.
SciPy est une bibliothèque d'algorithmes Python open source et une boîte à outils mathématiques. SciPy contient des modules d'optimisation, d'algèbre linéaire, d'intégration, d'interpolation, de fonctions spéciales, de transformation de Fourier rapide, de traitement du signal et de traitement d'image, de résolution d'équations différentielles ordinaires et d'autres calculs couramment utilisés en science et en ingénierie.
Matplotlib est une interface visuelle pour le langage de programmation Python et son package d'extension de mathématiques numériques NumPy.
2. Créer
Créer un tableau unidimensionnel
(1) Créer directement : np.array([1, 2, 3, 4, 5, 6])
(2) Créez une constante à partir de la liste de python : np.array(list([1, 2, 3, 4, 5, 6]))
Données unidimensionnelles de valeur
(1) Créer une valeur constante avec 0 : np.zeros(n,dytpe=float/int)
(2) Créer une valeur constante avec 1 Valeur : np.ones(n)
(3) Créez un tableau vide : np.empty(4)
Créez un tableau avec des éléments croissants
( 1) Tableau incrémentiel à partir de 0 : np.arange(8)
(2) Intervalle donné, taille de pas personnalisée : np.arange(0,1,0.2)
(3 ) Étant donné un intervalle, personnalisez le nombre : np.linspace(-1,1,50)
Créez un tableau multidimensionnel : créez un tableau unidimensionnel et ajoutez-le au tableau multidimensionnel
# 数组的结构一定是np.array([]) 无论数组中间存放的是多少“层”数据 # 二维数组相当于存放的是“两层”数组而已 arr1=np.array(list([1, 2, 3, 4, 5])) arr2=np.array([arr1,[1,0,0,1,0]]) # 2*5的两维数组 arr3=np.array(list([[0,0,1,1,1],[1,1,1,0,0],[2,3,4,5,6]])) # 3*5的两维数组 arrx=np.array([arr1,list([1, 2, 3, 4, 5],[1,1,1,0,0])]) # 报错 arry=np.array([list([[ 1,2,3, 7, 11],[2,3,4,5,6]]),[1, 2, 3, 4, 5]]) # 报错
Recommandations associées : "Tutoriel vidéo Python"
Créer des données dimensionnelles (n*m) avec des valeurs constantes
(1) Créer un valeur constante de 0 : np.zeros((n*m),dytpe=float/int)
(2) Créez une valeur constante avec 1 : np.ones((n*m))
(3)Créez un tableau vide : np.empty((n*m))
Créez un tableau de nombres aléatoires
Générez une graine de nombres aléatoires :
(1) np.random.seed()
(2) np.random.RandomState()
Générer des nombres aléatoires :
Générer avec un tableau aléatoire avec une distribution régulière
(1) Distribution binomiale : np.random.binomial(n, p, size)
(2) Distribution normale : np. random.normal(loc, scale, size)
Convertir le fichier csv en tableau ou tableau
Utiliser le np.genfromtxt('csv file name', delimiter = 'delimiter dans le fichier') fonction Convertir le fichier en tableau
csv_array = np.genfromtxt('sample.csv', delimiter=',') print(csv_array)
3. Transformation du tableau
Générer la fonction de transposition tableau/matrice, c'est-à-dire la fonction échange de numéros de lignes et de colonnes, utilisez .T
a = np.array([[32, 15, 6, 9, 14], [12, 10, 5, 23, 1], [2, 16, 13, 40, 37]]) print(a.T) ------------------- # 结果如下 [[32 12 2] [15 10 16] [ 6 5 13] [ 9 23 40] [14 1 37]]
Changez la forme du tableau :
(1) arr.resize(n,m) : Le arr.resize(n,m ) la fonction modifie le tableau en place, nécessitant : le nombre d'éléments doit être cohérent
a=np.arange(8) a.resize(2,4) print(a) --------------------------- [[0 1 2 3] [4 5 6 7]]
(2) arr.reshape(n,m) : Si le paramètre d'une certaine dimension est -1, cela signifie que le nombre total d'éléments sera calculé en fonction de l'autre dimension.
a=np.arange(8).reshape(-1,1) print(a) ----------------- [[0] [1] [2] [3] [4] [5] [6] [7]]
sera un. La dimension est augmentée à deux dimensions : np.newaxis
np.newaxis signifie en fait augmenter directement la dimension. . Nous n'ajoutons généralement pas trop de dimensions au tableau. Voici un exemple d'augmentation d'une dimension à deux dimensions :
(1) Augmenter la dimension de la ligne : arr[np.newaxis, :]
(2) Augmenter la dimension de la colonne : arr[: , np.newaxis]
a=np.arange(8) a # array([0, 1, 2, 3, 4, 5, 6, 7]) a.shape # (8,) a[np.newaxis, :] # array([[0, 1, 2, 3, 4, 5, 6, 7]]) a.shape # (8,) a[: , np.newaxis] # array([[0],[1],[2],[3],[4],[5],[6],[7]]) a.shape # (8,)
Réduire la dimensionnalité : arr.ravel()
Lorsque la fonction arr.ravel() réduit les dimensions : la valeur par défaut est de générer un nouveau tableau dans l'ordre des lignes (c'est-à-dire lire ligne par ligne) ; si le paramètre "F" est transmis, l'ordre des colonnes est réduit.
a=np.array([[1,2],[3,4]]) a.ravel() a.ravel('F') ---------------------------- # 结果 array([1, 2, 3, 4]) # 结果 array([1, 3, 2, 4])
<. 🎜>4. Calcul
Effectuer des opérations de calcul sur le tableau (1) Ajouter et soustraire des élémentsa=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]]) b=np.random.randint(8,size=(2,4)) # array([[1, 2, 5, 3], [4, 1, 0, 6]]) a+b a-b ---------------------------- # a+b和a-b结果分别是: array([[ 1, 3, 7, 6], [ 8, 6, 6, 13]]) array([[-1, -1, -3, 0], [ 0, 4, 6, 1]])
a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]]) b=np.random.randint(8,size=(2,4)) # array([[1, 2, 5, 3], [4, 1, 0, 6]]) a**2 a*b ----------------------- # a矩阵平方/a*b矩阵中元素相乘结果分别: array([[ 0, 1, 4, 9], [16, 25, 36, 49]]) array([[ 0, 2, 10, 9], [16, 5, 0, 42]])
# 要求a矩阵的行要等于b矩阵的列数;且a矩阵的列等于b矩阵的行数 a=np.arange(8).reshape(2,4) # array([[0, 1, 2, 3], [4, 5, 6, 7]]) b=np.random.randint(8,size=(4,2)) # array([[3, 0],[3, 3],[5, 6],[6, 7]]) c1 = np.dot(a,b) c2 = a.dot(b) ---------------------- # ab矩阵相乘的结果:c1=c2 array([[ 31, 36], [ 99, 100]])
# 结果返回:一个数组,其中每个元素根据逻辑判断的布尔类型的结果 a > 3 ----------------------------- # 结果如下: array([[False, False, False, False], [ True, True, True, True]])
5. Récupérer la valeur
pour obtenir un élément dans un tableau unidimensionnel : l'opération est la même que l'index de la listea = np.array([5, 2, 7, 0, 11]) a[0] # 结果为 5 a[:4] # 结果为 从头开始到索引为4结束 a[2:] # 结果为 从索引为2的开始到结尾 a[::2] # 结果为 从头开始到结尾,每2个取一个值
a = np.array([[32, 15, 6, 9, 14], [12, 10, 5, 23, 1], [2, 16, 13, 40, 37]]) a[2,1] # 结果是一个元素 16 a[2][1] # 结果是一个元素 16 a[1] # 第2行 array([12, 10, 5, 23, 1]) a[:,2] # 取出全部行,第2列 [15,10,16] a[1:3, :] # 取出[1,3)行,全部列 a[1,1:] # array([10, 5, 23, 1])
# 需要注意的是,我们数据进行逻辑计算操作得到的仍然是一个数组 # 如果我们想要的是一个过滤后的数组,就需要将"逻辑判断"传入数组中 a = np.array([[32, 15, 6, 9, 14], [12, 10, 5, 23, 1], [2, 16, 13, 40, 37]]) a[a > 3] a[(a > 3) | (a < 2)] ------------------------------ # 结果分别是: array([32, 15, 6, 9, 14, 12, 10, 5, 23, 16, 13, 40, 37]) array([32, 15, 6, 9, 14, 12, 10, 5, 23, 1, 16, 13, 40, 37])
a = np.array([[32, 15, 6, 9, 14], [12, 10, 5, 23, 1], [2, 16, 13, 40, 37]]) for x in a: print(x) -------------------- [32 15 6 9 14] [12 10 5 23 1] [ 2 16 13 40 37]
6. Copier/ Fractionner/Fusionner
Copier : arr.cope() Fractionner : (1 ) Divisé également : np.split(arr, n, axis=0 /1) (C'est-à-dire uniquement lorsque le nombre de lignes ou de colonnes peut être divisé par n) (2) Division inégale : np. array_split(arr, n) La valeur par défaut est divisée en n parties par lignea = np.array([[32, 15, 6, 9, 14, 21], [12, 10, 5, 23, 1, 10], [2, 16, 13, 40, 37, 8]]) # 可以看到a矩阵是(3*6),所以使用np.split()只能尝试行分成3份;或者列分成2/3/6份 np.split(a,3,axis=0) np.split(a,3,axis=1) np.array_split(a,2) np.array_split(a,4,axis=1) ------------------------------------------- [array([[32, 15, 6, 9, 14, 21]]), array([[12, 10, 5, 23, 1, 10]]), array([[ 2, 16, 13, 40, 37, 8]])] [array([[32, 15], [12, 10], [ 2, 16]]), array([[ 6, 9], [ 5, 23], [13, 40]]), array([[14, 21], [ 1, 10], [37, 8]])] [array([[32, 15, 6, 9, 14, 21], [12, 10, 5, 23, 1, 10]]), array([[ 2, 16, 13, 40, 37, 8]])] [array([[32, 15], [12, 10], [ 2, 16]]), array([[ 6, 9], [ 5, 23], [13, 40]]), array([[14], [ 1], [37]]), array([[21], [10], [ 8]])]
a=np.random.rand(2,3) b=np.random.randint(1,size=(2,3)) np.concatenate((a,b,a)) # 接在下面 np.concatenate((a,b,a),axis=1) # 接在后面 ------------------------ array([[0.95912866, 0.81396527, 0.809493 ], [0.4539276 , 0.24173315, 0.63931439], [0. , 0. , 0. ], [0. , 0. , 0. ], [0.95912866, 0.81396527, 0.809493 ], [0.4539276 , 0.24173315, 0.63931439]]) array([[0.95912866, 0.81396527, 0.809493 , 0. , 0. , 0. , 0.95912866, 0.81396527, 0.809493 ], [0.4539276 , 0.24173315, 0.63931439, 0. , 0. , 0. , 0.4539276 , 0.24173315, 0.63931439]])
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds

Pour les petits fichiers XML, vous pouvez remplacer directement le contenu d'annotation par un éditeur de texte; Pour les fichiers volumineux, il est recommandé d'utiliser l'analyseur XML pour le modifier pour garantir l'efficacité et la précision. Soyez prudent lors de la suppression des commentaires XML, le maintien des commentaires aide généralement à coder la compréhension et la maintenance. Les conseils avancés fournissent un exemple de code Python pour modifier les commentaires à l'aide de l'analyseur XML, mais l'implémentation spécifique doit être ajustée en fonction de la bibliothèque XML utilisée. Faites attention aux problèmes d'encodage lors de la modification des fichiers XML. Il est recommandé d'utiliser le codage UTF-8 et de spécifier le format de codage.

La modification du contenu XML nécessite une programmation, car elle nécessite une recherche précise des nœuds cibles pour ajouter, supprimer, modifier et vérifier. Le langage de programmation dispose de bibliothèques correspondantes pour traiter XML et fournit des API pour effectuer des opérations sûres, efficaces et contrôlables comme les bases de données de fonctionnement.

Une application qui convertit le XML directement en PDF ne peut être trouvée car ce sont deux formats fondamentalement différents. XML est utilisé pour stocker des données, tandis que PDF est utilisé pour afficher des documents. Pour terminer la transformation, vous pouvez utiliser des langages de programmation et des bibliothèques telles que Python et ReportLab pour analyser les données XML et générer des documents PDF.

La vitesse du XML mobile à PDF dépend des facteurs suivants: la complexité de la structure XML. Méthode de conversion de configuration du matériel mobile (bibliothèque, algorithme) Méthodes d'optimisation de la qualité du code (sélectionnez des bibliothèques efficaces, optimiser les algorithmes, les données de cache et utiliser le multi-threading). Dans l'ensemble, il n'y a pas de réponse absolue et elle doit être optimisée en fonction de la situation spécifique.

Utiliser la plupart des éditeurs de texte pour ouvrir des fichiers XML; Si vous avez besoin d'un affichage d'arbre plus intuitif, vous pouvez utiliser un éditeur XML, tel que Oxygen XML Editor ou XMLSPY; Si vous traitez les données XML dans un programme, vous devez utiliser un langage de programmation (tel que Python) et des bibliothèques XML (telles que XML.ETREE.ElementTree) pour analyser.

Problèmes de définition de l'énumération constante de la chaîne à Protobuf Lorsque vous utilisez Protobuf, vous rencontrez souvent des situations où vous devez associer le type d'énumération aux constantes de chaîne ...

Pour convertir les images XML, vous devez d'abord déterminer la structure des données XML, puis sélectionner une bibliothèque graphique appropriée (telle que Matplotlib de Python) et la méthode, sélectionner une stratégie de visualisation basée sur la structure de données, considérer le volume de données et le format d'image, effectuer un traitement par lots ou utiliser des bibliothèques efficaces, et enfin les enregistrer sous le nom de PNG, JPEG, ou SVG selon les besoins.

Convertir XML en PDF avec une qualité de haute qualité sur votre téléphone mobile nécessite: analyser le XML dans le cloud et générer des PDF à l'aide d'une plate-forme informatique sans serveur. Choisissez un analyseur XML efficace et une bibliothèque de génération PDF. Gérer correctement les erreurs. Faites une utilisation complète de la puissance de cloud computing pour éviter les tâches lourdes sur votre téléphone. Ajustez la complexité en fonction des exigences, notamment le traitement des structures XML complexes, la génération de PDF de plusieurs pages et l'ajout d'images. Imprimez les informations du journal pour aider à déboguer. Optimiser les performances, sélectionner des analyseurs efficaces et des bibliothèques PDF et peut utiliser une programmation asynchrone ou des données XML prétraitées. Assurez-vous une bonne qualité de code et maintenabilité.
