Pengaturcaraan Pelayan Python: Pengiraan Berangka dengan NumPy

Sebagai bahasa pengaturcaraan yang cekap, mudah dipelajari dan berskala, Python juga mempunyai kelebihan dalam pengaturcaraan sebelah pelayan. Dari segi pemprosesan data dan pengiraan berangka, perpustakaan NumPy dalam Python menyediakan fungsi berkuasa yang boleh meningkatkan kelajuan pemprosesan dan kecekapan Python pada bahagian pelayan.

Dalam artikel ini, kami akan memperkenalkan cara memprogram dalam Python pada bahagian pelayan dan melakukan pengiraan berangka menggunakan NumPy. Kami akan menelusuri konsep asas NumPy dan menyediakan contoh program untuk membantu anda memahami dengan lebih baik cara menggunakannya untuk melakukan pengiraan berangka.

1. Apakah NumPy?

NumPy ialah perpustakaan Python yang menyediakan sejumlah besar alatan dan fungsi matematik untuk memproses dan mengira data berangka. Tujuan NumPy adalah untuk menjadi perpustakaan asas untuk pengiraan berangka dalam Python. Ia membolehkan pengguna melakukan pengiraan berangka menggunakan operasi tatasusunan yang cekap, dan menyediakan pelbagai fungsi dan fungsi matematik seperti pengisihan pantas, penjanaan nombor rawak dan I/O fail.

NumPy memperkenalkan jenis data baharu - "ndarray", iaitu tatasusunan n-dimensi (tatasusunan N-dimensi), juga dikenali sebagai tatasusunan NumPy. Ia adalah tatasusunan berbilang dimensi yang terdiri daripada unsur-unsur jenis yang sama dan boleh menyimpan bukan sahaja data berangka tetapi juga sebarang jenis data lain.

2. Bagaimana hendak memasang NumPy?

Anda boleh menggunakan pip untuk memasang NumPy, iaitu pengurus pakej dalam Python, yang boleh membantu kami memasang dan menaik taraf perpustakaan dengan cepat. Anda boleh menggunakan kod berikut dalam arahan terminal untuk memasang NumPy:

pip install numpy

3 Cipta tatasusunan NumPy

Dalam Python, kita boleh menggunakan perpustakaan NumPy untuk mencipta objek tatasusunan berbilang dimensi. Berikut ialah cara berbeza untuk mencipta tatasusunan NumPy:

1. Menggunakan senarai dalam Python

Anda boleh mencipta tatasusunan NumPy menggunakan senarai dalam Python. Berikut ialah contoh:

import numpy as np

my_list = [1, 2, 3]
my_array = np.array(my_list)

Output:

[1 2 3]

2. Menggunakan fungsi dalam NumPy

Dalam perpustakaan NumPy, terdapat banyak fungsi yang boleh mencipta tatasusunan, seperti " arange ()", yang mencipta tatasusunan menggunakan sintaks yang serupa dengan fungsi julat() dalam Python. Berikut ialah contoh:

import numpy as np

my_array = np.arange(10)

Output:

[0 1 2 3 4 5 6 7 8 9]

3 Menggunakan fungsi rawak

NumPy juga menyediakan beberapa fungsi rawak yang boleh digunakan untuk menjana tatasusunan nombor rawak. Berikut ialah contoh:

import numpy as np

my_random_array = np.random.rand(5)

Output:

[0.94326482 0.19496915 0.80260931 0.28997978 0.2489395 ]

4. Memanipulasi tatasusunan NumPy

Pustaka NumPy menyediakan beberapa fungsi berkuasa untuk tatasusunan pengendalian, yang boleh digunakan dalam pelbagai pengkomputeran matematik dan pemprosesan data. Berikut ialah beberapa fungsi yang biasa digunakan untuk tatasusunan pengendalian:

1 Penambahan dan penolakan tatasusunan

Tatasusunan NumPy boleh ditambah dan ditolak, seperti ditunjukkan di bawah:

import numpy as np

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

c = a + b
d = a - b

print(c)
print(d)

Output:

[5 7 9]
[-3 -3 -3]

2. Pendaraban dan pembahagian tatasusunan

Tasusunan NumPy boleh didarab dan dibahagikan seperti berikut:

import numpy as np

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

c = a * b
d = a / b

print(c)
print(d)

Output:

[ 4 10 18]
[0.25 0.4  0.5 ]

3 🎜>

Anda boleh menggunakan fungsi "transpose()" NumPy untuk melaksanakan operasi transpose tatasusunan, seperti berikut:

import numpy as np

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

print(b)

Output:

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

5. Gunakan NumPy Melaksanakan Operasi Matematik

Pustaka NumPy menyediakan beberapa fungsi matematik yang boleh digunakan untuk melaksanakan pelbagai operasi matematik pada tatasusunan. Berikut ialah beberapa fungsi matematik yang biasa digunakan:

1 Operasi eksponen

Anda boleh menggunakan fungsi "kuasa()" dalam pustaka NumPy untuk melaksanakan operasi eksponen, seperti yang ditunjukkan di bawah: <🎜. >

import numpy as np

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

print(b)

Output:

[1 4 9]

2. Mencari punca kuasa dua

Anda boleh menggunakan fungsi "sqrt()" dalam perpustakaan NumPy untuk melaksanakan operasi punca kuasa dua, seperti berikut:

import numpy as np

a = np.array([4,9,16])
b = np.sqrt(a)

print(b)

Output:

[2. 3. 4.]

3. Cari fungsi eksponen

Anda boleh menggunakan fungsi "exp()" dalam perpustakaan NumPy untuk melaksanakan operasi eksponen, seperti ditunjukkan di bawah :

import numpy as np

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

print(b)

Output:

[ 2.71828183  7.3890561  20.08553692]

6 Gunakan NumPy untuk memproses sejumlah besar data

Untuk pembangunan bahagian pelayan, kelajuan dan kecekapan pemprosesan data adalah sangat penting. Menggunakan NumPy boleh membantu kami memproses sejumlah besar data dengan cepat dan cekap. Berikut ialah program contoh untuk mengira nilai statistik ​​​​bagi beberapa jumlah data yang besar:

import numpy as np

# 生成随机数据
data = np.random.rand(1000000)

# 计算平均值和方差
mean = np.mean(data)
variance = np.var(data)

print('平均值：{}'.format(mean))
print('数据方差：{}'.format(variance))

Output:

平均值：0.500170053072905
数据方差：0.08331254680620618

7. Ringkasan

NumPy adalah sangat alat yang mudah digunakan dalam Python Perpustakaan menyediakan banyak fungsi dan alatan matematik yang berkuasa yang boleh membantu kami memproses data berangka dengan lebih baik. Menggunakan NumPy, anda boleh mengira formula matematik kompleks dengan cepat dan memproses sejumlah besar data, meningkatkan kelajuan dan kecekapan pembangunan sisi pelayan.

Atas ialah kandungan terperinci Pengaturcaraan Pelayan Python: Pengiraan Berangka dengan NumPy. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!