


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.
- 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)
- 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)
- 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)
- 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)
- 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!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

Tutorial ini menunjukkan cara menggunakan Python untuk memproses konsep statistik undang -undang ZIPF dan menunjukkan kecekapan membaca dan menyusun fail teks besar Python semasa memproses undang -undang. Anda mungkin tertanya -tanya apa maksud pengedaran ZIPF istilah. Untuk memahami istilah ini, kita perlu menentukan undang -undang Zipf. Jangan risau, saya akan cuba memudahkan arahan. Undang -undang Zipf Undang -undang Zipf hanya bermaksud: Dalam korpus bahasa semulajadi yang besar, kata -kata yang paling kerap berlaku muncul kira -kira dua kali lebih kerap sebagai kata -kata kerap kedua, tiga kali sebagai kata -kata kerap ketiga, empat kali sebagai kata -kata kerap keempat, dan sebagainya. Mari kita lihat contoh. Jika anda melihat corpus coklat dalam bahasa Inggeris Amerika, anda akan melihat bahawa perkataan yang paling kerap adalah "th

Berurusan dengan imej yang bising adalah masalah biasa, terutamanya dengan telefon bimbit atau foto kamera resolusi rendah. Tutorial ini meneroka teknik penapisan imej di Python menggunakan OpenCV untuk menangani isu ini. Penapisan Imej: Alat yang berkuasa Penapis Imej

Artikel ini menerangkan cara menggunakan sup yang indah, perpustakaan python, untuk menghuraikan html. Ia memperincikan kaedah biasa seperti mencari (), find_all (), pilih (), dan get_text () untuk pengekstrakan data, pengendalian struktur dan kesilapan HTML yang pelbagai, dan alternatif (sel

Artikel ini membandingkan tensorflow dan pytorch untuk pembelajaran mendalam. Ia memperincikan langkah -langkah yang terlibat: penyediaan data, bangunan model, latihan, penilaian, dan penempatan. Perbezaan utama antara rangka kerja, terutamanya mengenai grap pengiraan

Python, kegemaran sains dan pemprosesan data, menawarkan ekosistem yang kaya untuk pengkomputeran berprestasi tinggi. Walau bagaimanapun, pengaturcaraan selari dalam Python memberikan cabaran yang unik. Tutorial ini meneroka cabaran -cabaran ini, memberi tumpuan kepada Interprete Global

Tutorial ini menunjukkan mewujudkan struktur data saluran paip tersuai di Python 3, memanfaatkan kelas dan pengendali yang berlebihan untuk fungsi yang dipertingkatkan. Fleksibiliti saluran paip terletak pada keupayaannya untuk menggunakan siri fungsi ke set data, GE

Serialization dan deserialization objek Python adalah aspek utama dari mana-mana program bukan remeh. Jika anda menyimpan sesuatu ke fail python, anda melakukan siri objek dan deserialization jika anda membaca fail konfigurasi, atau jika anda menjawab permintaan HTTP. Dalam erti kata, siri dan deserialization adalah perkara yang paling membosankan di dunia. Siapa yang peduli dengan semua format dan protokol ini? Anda mahu berterusan atau mengalirkan beberapa objek python dan mengambilnya sepenuhnya pada masa yang akan datang. Ini adalah cara yang baik untuk melihat dunia pada tahap konseptual. Walau bagaimanapun, pada tahap praktikal, skim siri, format atau protokol yang anda pilih boleh menentukan kelajuan, keselamatan, kebebasan status penyelenggaraan, dan aspek lain dari program

Modul Statistik Python menyediakan keupayaan analisis statistik data yang kuat untuk membantu kami dengan cepat memahami ciri -ciri keseluruhan data, seperti biostatistik dan analisis perniagaan. Daripada melihat titik data satu demi satu, cuma melihat statistik seperti min atau varians untuk menemui trend dan ciri dalam data asal yang mungkin diabaikan, dan membandingkan dataset besar dengan lebih mudah dan berkesan. Tutorial ini akan menjelaskan cara mengira min dan mengukur tahap penyebaran dataset. Kecuali dinyatakan sebaliknya, semua fungsi dalam modul ini menyokong pengiraan fungsi min () dan bukan hanya menjumlahkan purata. Nombor titik terapung juga boleh digunakan. Import secara rawak Statistik import dari fracti
