Panduan yang mudah difahami untuk melihat versi numpy

NumPy ialah pakej pengkomputeran saintifik yang penting dalam Python Ia menyediakan banyak fungsi berkaitan matematik dan digunakan secara meluas dalam analisis data, pembelajaran mesin, pembelajaran mendalam dan bidang lain. Dalam NumPy, tatasusunan ialah struktur data utama, dan operasi tatasusunan ialah salah satu fungsi teras NumPy.

Artikel ini akan memperkenalkan operasi asas dan kaedah melihat tatasusunan NumPy, membolehkan pembaca memahami cara mengakses elemen tatasusunan, mengubah suai bentuk tatasusunan, melihat sifat tatasusunan, dsb.

1. Buat tatasusunan

Dalam NumPy, anda boleh menggunakan fungsi numpy.array() untuk mencipta tatasusunan, seperti yang ditunjukkan di bawah:

import numpy as np
arr = np.array([1, 2, 3, 4, 5])

Pada masa ini, arr ialah tatasusunan satu dimensi yang mengandungi 5 elemen. Kita juga boleh mencipta tatasusunan satu dimensi melalui fungsi numpy.arange() atau fungsi numpy.linspace():

arr1 = np.arange(10)   # 生成一个0到9的一维数组
arr2 = np.linspace(0, 10, 11)   # 生成一个0到10之间，含11个元素的一维数组

2. Mengakses elemen

Mengakses elemen dalam tatasusunan NumPy boleh dicapai melalui subskrip tatasusunan Beri perhatian kepada subskrip tatasusunan Mula dari 0. Untuk tatasusunan berbilang dimensi, anda boleh menggunakan berbilang subskrip untuk mengakses elemen tertentu. Contohnya:

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr[0, 0])   # 访问第一个元素 1
print(arr[1, 2])   # 访问第二行第三列的元素 6

3. Ubah suai bentuk

Dalam NumPy, kita boleh menggunakan fungsi numpy.reshape() untuk mengubah suai bentuk tatasusunan. Contohnya:

arr = np.array([1, 2, 3, 4, 5, 6])
new_arr = arr.reshape(2, 3)   # 将一维数组变为二维数组，形状为(2,3)

Pada masa ini, bentuk new_arr ialah (2,3), iaitu matriks dengan dua baris dan tiga lajur Elemennya ialah:

1  2  3
4  5  6

4. Lihat sifat tatasusunan

Dalam NumPy, kami. boleh menyemak bentuk tatasusunan, Atribut seperti bilangan elemen dan jenis data. Contohnya:

arr = np.array([1, 2, 3, 4, 5, 6])
print(arr.shape)   # 输出形状 (6,)
print(arr.size)   # 输出元素个数 6
print(arr.dtype)   # 输出数据类型 int32

Antaranya, bentuk mewakili bentuk tatasusunan, saiz mewakili bilangan elemen tatasusunan, dan dtype mewakili jenis data tatasusunan.

5. Operasi tatasusunan lain

(1) Untuk melaksanakan operasi penghirisan pada tatasusunan, anda boleh menggunakan pengendali ":". Contohnya:

arr = np.array([1, 2, 3, 4, 5, 6])
print(arr[1:4])   # 输出[2 3 4]

(2) Lakukan beberapa operasi statistik pada tatasusunan, seperti mengira jumlah, min, sisihan piawai, dsb. unsur-unsur dalam tatasusunan. Contohnya:

arr = np.array([1, 2, 3, 4, 5, 6])
print(np.sum(arr))   # 计算元素的和，输出21
print(np.mean(arr))   # 计算平均值，输出3.5
print(np.std(arr))   # 计算标准差，输出1.707825127659933

(3) Lakukan beberapa operasi logik pada tatasusunan, seperti menapis elemen dalam tatasusunan yang memenuhi syarat. Contohnya:

arr = np.array([1, 2, 3, 4, 5, 6])
print(arr[arr > 3])   # 输出[4 5 6]

Di atas ialah kaedah asas menggunakan NumPy untuk mengendalikan tatasusunan Kita boleh menggunakan kaedah ini untuk mengakses dan mengubah suai bentuk dan unsur tatasusunan, serta melakukan beberapa operasi statistik dan logik.

Atas ialah kandungan terperinci Panduan yang mudah difahami untuk melihat versi numpy. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!