입문부터 숙련까지: numpy 라이브러리의 기본 작동 및 일반 기능을 마스터하세요.

numpy 라이브러리는 Python에서 가장 널리 사용되는 과학 컴퓨팅 라이브러리 중 하나입니다. 다차원 배열 및 행렬에 대한 빠른 작업을 제공하고 다양한 수학 연산, 선형 대수 연산, 난수 생성 및 기타 기능을 지원합니다. numpy의 기본 작동과 공통 기능을 익히면 데이터 분석 및 과학 컴퓨팅의 효율성을 향상시킬 수 있을 뿐만 아니라 데이터 시각화 및 기계 학습과 같은 분야의 개발에도 도움이 됩니다.

이 글에서는 numpy 배열 생성, 인덱싱 및 슬라이싱, 배열 연산, 통계 함수, 선형 대수 연산 및 난수 생성을 포함하여 numpy 라이브러리의 기본 연산과 일반적인 기능을 소개합니다. 독자가 빠르게 시작할 수 있도록 특정 코드 예제도 제공됩니다.

1. numpy 배열 만들기

numpy 배열을 만드는 가장 기본적인 방법은 목록이나 튜플을 매개변수로 받아 numpy 배열을 만드는 numpy.array() 함수를 사용하는 것입니다. 다음은 간단한 예입니다.

import numpy as np

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

출력 결과는 다음과 같습니다.

[1 2 3]

또한 numpy에는 배열을 생성하는 다른 기능도 있습니다. 예:

• numpy.zeros()는 모든 항목의 배열을 만드는 데 사용됩니다. 0s
• numpy.ones()는 모든 1로 구성된 배열을 만드는 데 사용됩니다.
• numpy.random.rand()는 난수 배열을 만드는 데 사용됩니다.

2 인덱싱 및 슬라이싱

Python의 목록과 유사합니다. , numpy 배열도 인덱싱 및 슬라이싱 작업을 사용할 수 있습니다. 다음은 몇 가지 예입니다.

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]

numpy 배열에서 슬라이싱 작업은 새 배열이 아닌 원래 배열의 보기를 반환합니다. 따라서 슬라이스를 수정하면 원래 배열도 변경됩니다.

3. 배열 연산

Numpy 배열은 덧셈, 뺄셈, 곱셈, 나눗셈은 물론 다항 함수, 삼각 함수 등 다양한 수학 연산을 지원합니다. 다음은 몇 가지 일반적인 배열 연산입니다.

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. 통계 함수

numpy는 합계, 평균, 표준 편차, 최대값 및 최소값 등과 같은 다양한 통계 함수도 제공합니다. 다음은 몇 가지 일반적인 통계 함수입니다.

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. 선형 대수 연산

numpy는 행렬 곱셈, 행렬식 계산, 고유값 및 고유벡터 계산 등과 같은 풍부한 선형 대수 연산 함수를 제공합니다. 다음은 몇 가지 일반적인 선형 대수 연산입니다.

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. 난수 생성

numpy는 난수 생성, 정규 분포 난수 생성, 지정된 모양의 난수 배열 생성 등과 같은 다양한 난수 함수를 제공합니다. 다음은 몇 가지 일반적인 임의 함수입니다.

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]]

위는 numpy 라이브러리의 기본 작업 및 일반적인 기능에 대한 소개 및 코드 예제입니다. 이 기사가 독자가 numpy 사용을 빠르게 시작하고 능숙해지는 데 도움이 되기를 바랍니다.

위 내용은 입문부터 숙련까지: numpy 라이브러리의 기본 작동 및 일반 기능을 마스터하세요.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!