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 éléments

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+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]])

(2) Multiplication : mettre au carré/multiplier des éléments dans matrice

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]])

(3) Matrice*matrice :

# 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]])

(4) Calcul logique

[Note] La liste ne peut pas être utilisée dans son ensemble pour porter des jugements logiques sur le des éléments individuels dedans !

# 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 liste

a = 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

pour obtenir un tableau multidimensionnel Un certain élément, une certaine valeur de ligne ou de colonne

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])

obtient le

# 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])

qui satisfait l'opération logique Traversal : le résultat est sorti ligne par. rangée

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 ligne

a = 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]])]

Fusion : np.concatenate((arr1, arr2, arr3), axis=0/1) Par défaut, il est connecté en dessous des données

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!