Pengenalan pantas kepada fungsi yang biasa digunakan dalam numpy

Pahami dengan cepat set fungsi yang biasa digunakan dalam numpy, contoh kod khusus diperlukan

Dengan peningkatan sains data dan pembelajaran mesin, numpy telah menjadi salah satu perpustakaan pengkomputeran saintifik yang paling biasa digunakan dalam Python. Numpy bukan sahaja menyediakan objek tatasusunan berbilang dimensi yang berkuasa, tetapi juga menyediakan set fungsi yang kaya yang boleh melaksanakan operasi matematik, operasi tatasusunan, analisis statistik, algebra linear dan operasi lain.

Untuk memahami dengan cepat set fungsi yang biasa digunakan dalam numpy, beberapa fungsi yang biasa digunakan akan diperkenalkan di bawah dan contoh kod khusus akan disediakan.

1. Buat tatasusunan

numpy menyediakan fungsi berbeza untuk mencipta tatasusunan, termasuk menukar senarai kepada tatasusunan, menjana jujukan aritmetik atau nombor rawak, dsb.

import numpy as np

array1 = np.array([1, 2, 3, 4, 5])  # 将列表转换为数组
print(array1)

array2 = np.arange(1, 10, 2)  # 生成等差数列，起始值为1，结束值为10，步长为2
print(array2)

array3 = np.random.random((2, 3))  # 生成2行3列的随机数数组
print(array3)

2. Operasi tatasusunan

numpy menyediakan pelbagai fungsi operasi matematik, termasuk penambahan, penolakan, pendaraban dan pembahagian, eksponen, logaritma, fungsi trigonometri, dsb.

import numpy as np

array1 = np.array([1, 2, 3, 4, 5])
array2 = np.array([6, 7, 8, 9, 10])

array_sum = np.add(array1, array2)  # 数组相加
print(array_sum)

array_diff = np.subtract(array1, array2)  # 数组相减
print(array_diff)

array_mult = np.multiply(array1, array2)  # 数组相乘
print(array_mult)

array_div = np.divide(array1, array2)  # 数组相除
print(array_div)

array_exp = np.exp(array1)  # 数组指数
print(array_exp)

array_log = np.log(array1)  # 数组对数
print(array_log)

array_sin = np.sin(array1)  # 数组正弦值
print(array_sin)

3. Operasi tatasusunan

numpy menyediakan pelbagai fungsi untuk beroperasi pada tatasusunan, termasuk transformasi bentuk tatasusunan, penyambungan tatasusunan, penghirisan tatasusunan, dsb.

import numpy as np

array1 = np.array([[1, 2, 3], [4, 5, 6]])
array2 = np.array([[7, 8, 9], [10, 11, 12]])

array_transpose = np.transpose(array1)  # 数组转置
print(array_transpose)

array_concatenate = np.concatenate((array1, array2), axis=0)  # 数组垂直拼接
print(array_concatenate)

array_slice = array1[0:2, 1:3]  # 数组切片
print(array_slice)

4. Analisis statistik

numpy menyediakan pelbagai fungsi untuk analisis statistik, termasuk jumlah, purata, varians dan sisihan piawai, dsb.

import numpy as np

array1 = np.array([1, 2, 3, 4, 5])

array_sum = np.sum(array1)  # 数组元素求和
print(array_sum)

array_mean = np.mean(array1)  # 数组元素求平均值
print(array_mean)

array_std = np.std(array1)  # 数组元素求标准差
print(array_std)

5. Algebra linear

numpy menyediakan set kaya fungsi algebra linear yang boleh melaksanakan operasi seperti pendaraban matriks, penyongsangan matriks dan nilai eigen matriks.

import numpy as np

matrix1 = np.array([[1, 2], [3, 4]])
matrix2 = np.array([[5, 6], [7, 8]])

matrix_dot = np.dot(matrix1, matrix2)  # 矩阵相乘
print(matrix_dot)

matrix_inv = np.linalg.inv(matrix1)  # 求矩阵的逆
print(matrix_inv)

matrix_eigen = np.linalg.eig(matrix1)  # 求矩阵的特征值
print(matrix_eigen)

Di atas adalah contoh kod koleksi fungsi yang biasa digunakan dalam numpy. Dengan memahami fungsi ini, kita boleh melakukan pengiraan seperti operasi tatasusunan, operasi matematik, analisis statistik dan algebra linear dengan lebih fleksibel. Saya harap artikel ini dapat membantu pembaca memahami dengan lebih baik fungsi biasa dalam numpy.

Atas ialah kandungan terperinci Pengenalan pantas kepada fungsi yang biasa digunakan dalam numpy. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!