Apprenez quelques fonctions courantes et l'utilisation de numpy

Explorez les fonctions courantes et l'utilisation de NumPy

NumPy est une bibliothèque de calcul scientifique Python open source qui fournit de puissants objets et fonctions de tableaux multidimensionnels pour traiter ces tableaux. C'est l'une des bibliothèques les plus couramment utilisées dans le domaine de la science des données et de l'apprentissage automatique. Grâce à ses performances efficaces et à sa flexibilité, elle est devenue un « outil puissant » pour les analystes de données et les scientifiques. Cet article approfondira les fonctions et l'utilisation courantes de NumPy et fournira des exemples de code spécifiques.

1. Création de tableaux

Tout d'abord, apprenons à créer un tableau NumPy. Un tableau NumPy est un objet conteneur multidimensionnel efficace qui peut stocker des données du même type.

import numpy as np

# 创建一维数组
a = np.array([1, 2, 3, 4, 5])
print(a)

# 创建二维数组
b = np.array([[1, 2, 3], [4, 5, 6]])
print(b)

Résultats de sortie :

[1 2 3 4 5]
[[1 2 3]
 [4 5 6]]

2. Propriétés du tableau

NumPy fournit de nombreuses propriétés utiles pour décrire la forme, la taille et le type de données du tableau.

import numpy as np

a = np.array([[1, 2, 3], [4, 5, 6]])

# 数组形状
print(a.shape)

# 数组维度
print(a.ndim)

# 数组大小
print(a.size)

# 数组数据类型
print(a.dtype)

Résultats de sortie :

(2, 3)
2
6
int64

3. Opérations sur les tableaux

NumPy fournit de nombreuses fonctions puissantes pour faire fonctionner les tableaux.

import numpy as np

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

# 数组求和
print(np.sum(a))

# 数组最小值和最大值
print(np.min(a))
print(np.max(a))

# 数组平均值和标准差
print(np.mean(a))
print(np.std(a))

# 数组排序
print(np.sort(a))

# 数组反转
print(np.flip(a))

Résultats de sortie :

15
1
5
3.0
1.4142135623730951
[1 2 3 4 5]
[5 4 3 2 1]

4. Découpage et indexation de tableaux

NumPy prend en charge les opérations de découpage et d'indexation sur les tableaux pour accéder à des parties ou des éléments spécifiques du tableau.

import numpy as np

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

# 数组切片
print(a[1:4])

# 数组索引
print(a[0])
print(a[-1])

Résultats de sortie :

[2 3 4]
1
5

5. Opérations sur les tableaux

NumPy peut effectuer des opérations mathématiques et logiques de base.

import numpy as np

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

# 数组加法
print(np.add(a, b))

# 数组减法
print(np.subtract(a, b))

# 数组乘法
print(np.multiply(a, b))

# 数组除法
print(np.divide(a, b))

# 数组平方根
print(np.sqrt(a))

Résultat de sortie :

[6 6 6 6 6]
[-4 -2  0  2  4]
[5 8 9 8 5]
[0.2 0.5 1.  2.  5. ]
[1.         1.41421356 1.73205081 2.         2.23606798]

Les éléments ci-dessus ne sont que des exemples de quelques fonctions et utilisations courantes dans NumPy. NumPy fournit également plus de fonctions et d'outils pour traiter les données du tableau. Grâce à l'apprentissage et à l'exploration, nous pouvons progressivement nous familiariser avec les puissantes fonctions de NumPy et les appliquer de manière flexible dans des projets réels.

Grâce à l'introduction de cet article, je pense que les lecteurs auront une compréhension plus approfondie des fonctions et de l'utilisation courantes de NumPy, et pourront les appliquer de manière flexible dans des projets réels. Nous espérons que les lecteurs pourront mieux maîtriser les compétences d'utilisation de NumPy et améliorer l'efficacité du traitement et de l'analyse des données grâce à une pratique et un apprentissage continus.

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!