Explication détaillée de la bibliothèque numpy en Python

Python est un langage de programmation puissant, particulièrement populaire dans les domaines de la science des données et de l'apprentissage automatique. En Python, l'analyse des données et les calculs mathématiques sont des éléments essentiels, et la bibliothèque numpy est l'un des outils les plus importants.

La bibliothèque numpy est un plug-in Python spécialement utilisé pour le calcul scientifique et l'analyse numérique. Il fournit un objet tableau multidimensionnel efficace, ainsi que divers objets dérivés (tels que des tableaux masqués et des matrices), pour le fonctionnement de fonctions mathématiques, et peut lire et écrire efficacement des données sur disque.

Voici quelques fonctionnalités importantes de la bibliothèque numpy :

1. Opérations rapides sur les tableaux : le cœur de numpy est son objet tableau, qui permet des opérations efficaces en Python.
2. Riche bibliothèque de calcul scientifique : numpy est une bibliothèque pour le calcul scientifique et l'analyse de données, elle fournit donc un grand nombre de fonctions et d'algorithmes mathématiques efficaces, tels que l'algèbre linéaire, la transformée de Fourier, la génération de nombres aléatoires, etc.
3. Prise en charge multiplateforme : le code de numpy s'exécute sur plusieurs systèmes d'exploitation et matériels.
4. Prise en charge des ensembles de données à grande échelle : Numpy offre une excellente prise en charge du traitement des ensembles de données à grande échelle. Il peut gérer des données multidimensionnelles et prend en charge l'indexation et le découpage de tableaux, ce qui permet aux programmes de gérer plus facilement de grands ensembles de données couvrant plusieurs variables.
5. Prise en charge de la bibliothèque étendue : numpy est une bibliothèque qui prend en charge de riches bibliothèques étendues. De nombreux autres outils de calcul scientifique et d'analyse de données s'appuient sur la bibliothèque numpy comme base.

Dans la bibliothèque numpy, l'une des fonctionnalités les plus importantes est ses objets tableau multidimensionnels. Ces objets sont appelés ndarrays et constituent la structure de données de base de la bibliothèque numpy. Un ndarray se compose de deux parties : un tableau à n dimensions d'éléments de données du même type et les dimensions et la forme associées au tableau. Les dimensions et la forme d'un ndarray peuvent être obtenues via l'attribut shape. La définition du type ndarray est la suivante :

import numpy as np

arr = np.array([1, 2, 3, 4, 5]) # 一维数组
print(arr)

# 输出结果:
# [1 2 3 4 5]

Comme vous pouvez le voir, les tableaux numpy sont créés via des listes Python.

Le calcul de matrices et de vecteurs peut être très simple grâce à la bibliothèque numpy :

import numpy as np

# 矩阵相乘
a = np.array([[1,2], [3,4]])
b = np.array([[-1,-2], [-3,-4]])
print(np.dot(a,b))

# 向量运算
a = np.array([1,2,3,4,5])
b = np.array([2,2,2,2,2])
print(a + b)

# 输出结果:
# [[-7, -10], [-15, -22]]
# [3 4 5 6 7]

La bibliothèque numpy fournit également une multitude de fonctions mathématiques, telles que des fonctions logarithmiques, des fonctions trigonométriques, des fonctions puissance, des fonctions exponentielles, etc. Ces fonctions fonctionnent sur chaque élément d'un tableau numpy.

import numpy as np

a = np.array([[1, 2], [3, 4]])
print(np.log(a))
print(np.sin(a))
print(np.multiply(a, a))

# 输出结果:
# [[0.         0.69314718], [1.09861229 1.38629436]]
# [[0.84147098 0.90929743], [0.14112001 -0.7568025 ]]
# [[ 1  4], [ 9 16]]

La bibliothèque numpy fournit également certaines opérations de base sur les tableaux telles que l'indexation, le découpage, la comparaison et le tri. Ces opérations de base sur les tableaux permettent aux utilisateurs d'effectuer diverses opérations logiques de base sur les tableaux.

import numpy as np

arr = np.array([[1, 2], [3, 4], [5, 6]])
# 切片数组
a = arr[:,1]
# 索引数组
b = arr[1]
# 与标量比较
c = arr > 2
# 对列进行排序
d = arr[arr[:, 1].argsort()]

print(a)
print(b)
print(c)
print(d)

# 输出结果
# [2 4 6]
# [3 4]
# [[False False], [ True  True], [ True  True]]
# [[1 2], [5 6], [3 4]]

Comme le montrent les exemples ci-dessus, la bibliothèque numpy est très adaptée au traitement de grands tableaux et matrices, fournit des fonctions mathématiques, des opérations matricielles et des opérations sur tableaux efficaces, et fournit un bon support de bibliothèque de base pour la science des données Python et l'apprentissage automatique.

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!