Rumah > pembangunan bahagian belakang > Tutorial Python > Cara menggunakan numpy untuk pengiraan berangka yang cekap

Cara menggunakan numpy untuk pengiraan berangka yang cekap

WBOY
Lepaskan: 2023-08-03 11:57:26
asal
1311 orang telah melayarinya

Cara menggunakan Numpy untuk pengiraan berangka yang cekap

Ikhtisar:
Numpy ialah perpustakaan pengiraan berangka Python sumber terbuka yang menyediakan objek tatasusunan berbilang dimensi dan alat pengiraan yang cekap. Dengan menggunakan Numpy, kami boleh memberikan permainan sepenuhnya kepada prestasi perkakasan komputer dan mengoptimumkan penyelesaian kepada masalah pengiraan berangka. Artikel ini akan memperkenalkan cara menggunakan Numpy untuk pengiraan berangka yang cekap dan memberikan contoh kod yang berkaitan.

Pasang Numpy:
Sebelum kita mula menggunakan Numpy, kita perlu memasangnya terlebih dahulu. Numpy boleh dipasang dalam persekitaran Python melalui arahan berikut:

pip install numpy
Salin selepas log masuk

Import modul Numpy:
Sebelum menggunakan Numpy, kita perlu mengimport modul Numpy untuk menggunakan fungsi dan alatan yang disediakan dalam kod. Kod untuk mengimport Numpy adalah seperti berikut:

import numpy as np
Salin selepas log masuk

Cipta tatasusunan Numpy:
Struktur data paling asas Numpy ialah ndarray (tatasusunan n-dimensi), iaitu tatasusunan berbilang dimensi. Kita boleh mencipta dan memanipulasi tatasusunan berbilang dimensi menggunakan fungsi yang disediakan oleh Numpy. Berikut ialah beberapa cara untuk mencipta tatasusunan berbilang dimensi:

  1. Gunakan fungsi np.array() untuk mencipta tatasusunan berbilang dimensi daripada senarai Python:

    a = np.array([1, 2, 3])  # 创建一个一维数组
    b = np.array([[1, 2, 3], [4, 5, 6]])  # 创建一个二维数组
    Salin selepas log masuk
  2. Gunakan fungsi np.arange() untuk mencipta pelbagai dimensi tatasusunan dari 0 hingga N-1 Tatasusunan:

    c = np.arange(10)  # 创建一个一维数组,包含0到9的数字
    d = np.arange(12).reshape(3, 4)  # 创建一个3行4列的二维数组
    Salin selepas log masuk
  3. Gunakan fungsi np.zeros() untuk mencipta tatasusunan berbilang dimensi semua sifar saiz yang ditentukan:

    e = np.zeros((2, 3))  # 创建一个2行3列的全零二维数组
    Salin selepas log masuk
  4. Gunakan fungsi np.ones() untuk mencipta tatasusunan berbilang dimensi bagi semua saiz yang ditentukan:

    f = np.ones((3, 2))  # 创建一个3行2列的全一二维数组
    Salin selepas log masuk

Operasi asas:
Numpy menyediakan pelbagai fungsi operasi tatasusunan Berikut ialah beberapa contoh operasi yang biasa digunakan:

  1. Pengindeksan dan s.

    g = np.arange(10)  # 创建一个包含0到9的一维数组
    print(g[2])  # 输出数组中索引为2的元素,即2
    print(g[2:5])  # 输出数组中从索引2到索引4的元素,即[2, 3, 4]
    Salin selepas log masuk
  2. Operasi tatasusunan:

    h = np.array([1, 2, 3])
    i = np.array([4, 5, 6])
    print(h + i)  # 输出数组相加的结果,即[5, 7, 9]
    print(h * 2)  # 输出数组元素乘以2的结果,即[2, 4, 6]
    Salin selepas log masuk
  3. Transformasi bentuk tatasusunan:

    j = np.arange(12).reshape(3, 4)  # 创建一个3行4列的二维数组
    print(j)
    """
    输出:
    [[ 0  1  2  3]
     [ 4  5  6  7]
     [ 8  9 10 11]]
    """
    print(j.T)  # 输出数组的转置,即[[ 0  4  8] [ 1  5  9] [ 2  6 10] [ 3  7 11]]
    print(j.flatten())  # 输出数组的一维表示,即[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]
    Salin selepas log masuk

Operasi lanjutan:
Numpy menyediakan banyak operasi berangka lanjutan🜎 beberapa contoh pengiraan lanjutan: yang biasa digunakan

Statistik tatasusunan:
    k = np.array([[1, 2, 3], [4, 5, 6]])
    print(np.mean(k))  # 输出数组的平均值,即3.5
    print(np.max(k))  # 输出数组的最大值,即6
    print(np.min(k))  # 输出数组的最小值,即1
    Salin selepas log masuk
  1. Operasi tatasusunan:
  2. l = np.array([1, 2, 3])
    m = np.array([4, 5, 6])
    print(np.dot(l, m))  # 输出两个数组的点积,即32
    print(np.linalg.inv(k))  # 输出数组的逆矩阵
    Salin selepas log masuk
  3. Penimbunan dan pemisahan tatasusunan :
  4. n = np.array([1, 2, 3])
    o = np.array([4, 5, 6])
    print(np.stack((n, o), axis=0))  # 将两个数组按行堆叠,输出[[1, 2, 3], [4, 5, 6]]
    print(np.split(n, 3))  # 将一个数组按照指定的点分割成多个子数组,输出[array([1]), array([2]), array([3])]
    Salin selepas log masuk
  5. Ringkasan:
  6. Artikel ini memperkenalkan cara menggunakan Numpy untuk pengiraan yang cekap dan contoh kod berangka yang relevan Dengan menggunakan Numpy, kami boleh menyelesaikan masalah pengiraan berangka dengan cekap dengan objek tatasusunan berbilang dimensi dan alat pengiraan yang disediakannya. Diharapkan pembaca dapat menguasai penggunaan asas Numpy melalui pengenalan artikel ini, dan dapat menggunakan Numpy secara fleksibel untuk menyelesaikan masalah pengiraan berangka sebenar.

    Atas ialah kandungan terperinci Cara menggunakan numpy untuk pengiraan berangka yang cekap. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Label berkaitan:
sumber:php.cn
Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn
Tutorial Popular
Lagi>
Muat turun terkini
Lagi>
kesan web
Kod sumber laman web
Bahan laman web
Templat hujung hadapan