Un guide complet pour analyser les fonctions NumPy

NumPy (Numerical Python) est une bibliothèque de calcul scientifique Python open source qui fournit des objets de tableau multidimensionnels et des outils pour fonctionner sur des tableaux. Il s'agit de l'une des bibliothèques principales de l'écosystème de science des données Python et est largement utilisée dans des domaines tels que le calcul scientifique, l'analyse de données et l'apprentissage automatique. Cet article analysera une par une les fonctions couramment utilisées dans la bibliothèque NumPy, y compris la création de tableaux, les opérations sur les tableaux, les fonctions mathématiques, les fonctions statistiques, l'algèbre linéaire, etc., et fournira des exemples de code spécifiques.

1. Création de tableaux
   NumPy fournit une variété de méthodes pour créer des tableaux. Des tableaux peuvent être créés en spécifiant des dimensions, des types de données et des valeurs d'initialisation. Les fonctions couramment utilisées sont :

1.1 numpy.array() : crée un tableau à partir d'une liste ou d'un tuple.

import numpy as np

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

# 输出：[1 2 3 4 5]

1.2 numpy.zeros() : crée un tableau entièrement nul de dimensions spécifiées.

import numpy as np

arr = np.zeros((3, 4))
print(arr)

"""
输出：
[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]
"""

1.3 numpy.ones() : crée un tableau tout-en-un de dimensions spécifiées.

import numpy as np

arr = np.ones((2, 3))
print(arr)

"""
输出：
[[1. 1. 1.]
 [1. 1. 1.]]
"""

1.4 numpy.arange() : Créez un tableau arithmétique.

import numpy as np

arr = np.arange(0, 10, 2)
print(arr)

# 输出：[0 2 4 6 8]

2. Opérations sur les tableaux
   NumPy fournit de nombreuses fonctions pour les opérations sur les tableaux, notamment les opérations de forme, l'indexation et le découpage, l'expansion et l'empilement, ainsi que la transposition de tableaux. Les fonctions couramment utilisées sont :

2.1 reshape() : Change la forme du tableau.

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6]])
new_arr = arr.reshape((3, 2))
print(new_arr)

"""
输出：
[[1 2]
 [3 4]
 [5 6]]
"""

2.2 indexation et découpage : manipulez les tableaux via l'indexation et le découpage.

import numpy as np

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

2.3 concatenate() : Concatène deux tableaux ou plus.

import numpy as np

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
arr = np.concatenate((arr1, arr2))
print(arr)

# 输出：[1 2 3 4 5 6]

2.4 transpose() : transpose le tableau.

import numpy as np

arr = np.array([[1, 2], [3, 4]])
new_arr = np.transpose(arr)
print(new_arr)

"""
输出：
[[1 3]
 [2 4]]
"""

3. Fonctions mathématiques
   NumPy fournit une multitude de fonctions mathématiques, telles que des opérations numériques, des fonctions trigonométriques, des fonctions logarithmiques, des fonctions exponentielles, etc. Les fonctions couramment utilisées sont :

3.1 np.mean() : Calcule la moyenne d'un tableau.

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
mean = np.mean(arr)
print(mean)

# 输出：3.0

3.2 np.sin() : Calcule la valeur sinusoïdale des éléments du tableau.

import numpy as np

arr = np.array([0, np.pi/2, np.pi])
sin = np.sin(arr)
print(sin)

# 输出：[0.         1.         1.2246468e-16]

3.3 np.exp() : effectue une opération exponentielle sur les éléments du tableau.

import numpy as np

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

# 输出：[ 2.71828183  7.3890561  20.08553692]

4. Fonctions statistiques
   NumPy fournit des fonctions statistiques couramment utilisées, notamment le maximum, le minimum, la médiane, la variance et l'écart type, etc. Les fonctions couramment utilisées sont :

4.1 np.max() : Calcule la valeur maximale d'un tableau.

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
max_value = np.max(arr)
print(max_value)

# 输出：5

4.2 np.min() : Calcule la valeur minimale du tableau.

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
min_value = np.min(arr)
print(min_value)

# 输出：1

4.3 np.median() : Calcule la médiane du tableau.

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
median = np.median(arr)
print(median)

# 输出：3.0

4.4 np.var() : Calcule la variance du tableau.

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
variance = np.var(arr)
print(variance)

# 输出：2.0

5. Algèbre linéaire
   NumPy fournit des fonctions d'opération de base en algèbre linéaire, telles que la multiplication matricielle, l'inversion matricielle, le déterminant matriciel, etc. Les fonctions couramment utilisées sont :

5.1 np.dot() : Calcule le produit scalaire de deux tableaux.

import numpy as np

arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])
dot_product = np.dot(arr1, arr2)
print(dot_product)

"""
输出：
[[19 22]
 [43 50]]
"""

5.2 np.linalg.inv() : Calcule l'inverse d'une matrice.

import numpy as np

arr = np.array([[1, 2], [3, 4]])
inverse = np.linalg.inv(arr)
print(inverse)

"""
输出：
[[-2.   1. ]
 [ 1.5 -0.5]]
"""

Les fonctions ci-dessus ne représentent qu'une partie des fonctions de la bibliothèque NumPy. En comprenant comment utiliser ces fonctions courantes, nous pouvons utiliser NumPy plus efficacement pour effectuer des tâches informatiques telles que les opérations sur les tableaux, les opérations mathématiques, l'analyse statistique et l'algèbre linéaire. Dans le même temps, par une étude approfondie des documents pertinents de la bibliothèque NumPy, nous pouvons découvrir des fonctions et des fonctions plus puissantes pour apporter un soutien solide à notre travail de calcul scientifique.

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!