De l'entrée à la maîtrise : Maîtriser les opérations de base et les fonctions courantes de la bibliothèque numpy

La bibliothèque numpy est l'une des bibliothèques de calcul scientifique les plus populaires en Python. Elle fournit des opérations rapides sur des tableaux et des matrices multidimensionnels et prend en charge une variété d'opérations mathématiques, d'opérations d'algèbre linéaire, de génération de nombres aléatoires et d'autres fonctions. La maîtrise des opérations de base et des fonctions communes de numpy peut non seulement améliorer l'efficacité de l'analyse des données et du calcul scientifique, mais également contribuer au développement de domaines tels que la visualisation des données et l'apprentissage automatique.

Cet article présentera les opérations de base et les fonctions courantes de la bibliothèque numpy, y compris la création, l'indexation et le découpage de tableaux numpy, les opérations sur les tableaux, les fonctions statistiques, les opérations d'algèbre linéaire et la génération de nombres aléatoires. Des exemples de code spécifiques sont également fournis pour aider les lecteurs à démarrer rapidement.

1. Créer un tableau numpy

Le moyen le plus simple de créer un tableau numpy est d'utiliser la fonction numpy.array(), qui reçoit une liste ou un tuple en tant que paramètre et crée un tableau numpy. Voici un exemple simple :

import numpy as np

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

Le résultat de sortie est :

[1 2 3]

De plus, numpy a également d'autres fonctions pour créer des tableaux, telles que :

• numpy.zeros() est utilisé pour créer un tableau de tous 0s
• numpy.ones() est utilisé pour créer un tableau de tous les uns
• numpy.random.rand() est utilisé pour créer un tableau de nombres aléatoires

2 Indexation et découpage

Semblable aux listes en Python. , les tableaux numpy sont également des opérations d'indexation et de découpage peuvent être utilisées. Voici quelques exemples :

import numpy as np

a = np.array([1, 2, 3])
print(a[0])  # 输出1
print(a[-1])  # 输出3 

b = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(b[0][1])  # 输出2

c = np.array([1, 2, 3, 4, 5, 6])
print(c[1:4])  # 输出[2 3 4]

Notez que dans les tableaux numpy, l'opération de découpage renvoie une vue du tableau d'origine plutôt qu'un nouveau tableau. Par conséquent, lorsque des modifications sont apportées à la tranche, le tableau d'origine change également.

3.Opérations sur les tableaux

Le tableau Numpy prend en charge une variété d'opérations mathématiques, telles que l'addition, la soustraction, la multiplication, la division, ainsi que les fonctions polynomiales, les fonctions trigonométriques, etc. Voici quelques opérations de tableau courantes :

import numpy as np

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

print(a + b)  # 输出[5 7 9]
print(a - b)  # 输出[-3 -3 -3]
print(a * b)  # 输出[4 10 18]
print(b / a)  # 输出[4.         2.5        2.        ]

c = np.array([[1, 2], [3, 4]])
d = np.array([[5, 6], [7, 8]])

print(c.dot(d))  # 矩阵乘法，输出[[ 19  22] [ 43  50]]

4. Fonctions statistiques

numpy fournit également un grand nombre de fonctions statistiques, telles que la somme, la moyenne, l'écart type, le maximum et le minimum, etc. Voici quelques fonctions statistiques courantes :

import numpy as np

a = np.array([1, 2, 3, 4])
print(np.sum(a))  # 求和，输出10
print(np.mean(a))  # 均值，输出2.5
print(np.std(a))  # 标准差，输出1.118033988749895
print(np.max(a))  # 最大值，输出4
print(np.min(a))  # 最小值，输出1

b = np.array([[1, 2], [3, 4]])
print(np.sum(b, axis=0))  # 按列求和，输出[4 6]
print(np.sum(b, axis=1))  # 按行求和，输出[3 7]

5. Opérations d'algèbre linéaire

numpy fournit une multitude de fonctions d'opération d'algèbre linéaire, telles que la multiplication matricielle, le calcul des déterminants, le calcul des valeurs propres et des vecteurs propres, etc. Voici quelques opérations courantes d'algèbre linéaire :

import numpy as np

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])

print(np.dot(a, b))  # 矩阵乘法，输出[[19 22] [43 50]]

c = np.array([[1, 2], [3, 4]])
print(np.linalg.det(c))  # 行列式计算，输出-2.0000000000000004

d = np.array([[1, 2], [2, 1]])
print(np.linalg.eig(d))  # 特征值和特征向量的计算，输出(array([ 3., -1.]), array([[ 0.70710678, -0.70710678], [ 0.70710678,  0.70710678]]))

6. Génération de nombres aléatoires

numpy fournit une variété de fonctions aléatoires, telles que la génération d'entiers aléatoires, la génération de nombres aléatoires distribués normaux, la génération de tableaux aléatoires de formes spécifiées, etc. Voici quelques fonctions aléatoires courantes :

import numpy as np

print(np.random.randint(0, 10, 5))  # 生成5个0到10之间的随机整数，输出[1 5 8 7 3]

print(np.random.normal(0, 1, 5))  # 生成5个均值为0，方差为1的正态分布随机数，输出[-0.60690706  2.01738925 -0.58946246 -1.42619268  0.72589716]

print(np.random.rand(3, 4))  # 生成3行4列的随机数组，输出[[0.9004391  0.50630644 0.31150836 0.90425598] [0.13734967 0.53890228 0.20053875 0.00617321] [0.96756345 0.80763172 0.21116666 0.09858394]]

Ce qui précède est une introduction et des exemples de code des opérations de base et des fonctions courantes de la bibliothèque numpy. J'espère que cet article pourra aider les lecteurs à démarrer rapidement et à maîtriser l'utilisation de numpy.

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!