Senarai lengkap fungsi yang biasa digunakan dalam perpustakaan Numpy: panduan permulaan dan amalan pantas

Pustaka Numpy ialah salah satu perpustakaan pemprosesan data yang paling biasa digunakan dalam Python Ia disukai secara meluas oleh penganalisis data kerana kaedah operasinya yang cekap dan mudah. Dalam perpustakaan Numpy, terdapat banyak fungsi yang biasa digunakan yang boleh membantu kami menyelesaikan tugas pemprosesan data dengan cepat dan cekap. Artikel ini akan memperkenalkan beberapa fungsi Numpy yang biasa digunakan, dan menyediakan contoh kod dan senario aplikasi praktikal supaya pembaca boleh bermula dengan perpustakaan Numpy dengan lebih cepat.

1. Cipta tatasusunan

1. numpy.array

Prototaip fungsi: numpy.array(objek, dtype=Tiada, copy=True, order='K', subok=False, ndmin=0)

penerangan : Tukar objek seperti senarai kepada tatasusunan.

Contoh kod:

import numpy as np

a = np.array([1, 2, 3])
print(a)  # 输出 [1 2 3]

numpy.zeros

Prototaip fungsi: numpy.zeros(shape, dtype=float, order='C')

Penerangan fungsi: Cipta tatasusunan bentuk sifar semua.

Contoh kod:

import numpy as np

a = np.zeros((2, 3))
print(a)  # 输出 [[0. 0. 0.]
          #      [0. 0. 0.]]

numpy.ones

Prototaip fungsi: numpy.ones(shape, dtype=None, order='C')

Penerangan fungsi: Buat tatasusunan semua-satu bagi yang ditentukan

Contoh kod:

import numpy as np

a = np.ones((2, 3))
print(a)  # 输出 [[1. 1. 1.]
          #      [1. 1. 1.]]

numpy.arange

Prototaip fungsi: numpy.arange(mula, berhenti, langkah, dtype=Tiada)

Penerangan fungsi: Buat tatasusunan jujukan aritmetik.

Contoh kod:

import numpy as np

a = np.arange(0, 10, 2)
print(a)  # 输出 [0 2 4 6 8]

2. Operasi tatasusunan

numpy.reshape

Prototaip fungsi: numpy.reshape(a, newshape, order='C')

action

Convert array to the specified Aunction susunan bentuk baharu.

Contoh kod:

import numpy as np

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

numpy.transpose

Prototaip fungsi: numpy.transpose(a, axes=None)

Penerangan fungsi: Transpose array.

Contoh kod:

import numpy as np

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

numpy.concatenate

Prototaip fungsi: numpy.concatenate((a1, a2, ...), axis=0)

Penerangan fungsi: Lakukan operasi penyambungan pada tatasusunan.

Contoh kod:

import numpy as np

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
c = np.concatenate((a, b), axis=0)
print(c)  # 输出 [[1 2] 
          #      [3 4] 
          #      [5 6] 
          #      [7 8]]

3. Pengiraan tatasusunan

numpy.abs

Prototaip fungsi: numpy.abs(x,

args, *kwargs nilai mutlak: dalam setiap elemen: nilai tatasusunan.

Contoh kod:

import numpy as np

a = np.array([-1, 2, -3])
b = np.abs(a)
print(b)  # 输出 [1 2 3]

numpy.round

Prototaip fungsi: numpy.round(a, decimals=0, out=None)

Penerangan fungsi: Bundarkan elemen dalam tatasusunan.

Contoh kod:

import numpy as np

a = np.array([1.3, 2.6, 3.2])
b = np.round(a)
print(b)  # 输出 [1. 3. 3.]

numpy.sum

Prototaip fungsi: numpy.sum(a, axis=None)

Penerangan fungsi: Kira jumlah setiap elemen dalam tatasusunan.

Contoh kod:

import numpy as np

a = np.array([[1, 2], [3, 4]])
b = np.sum(a, axis=0)
print(b)  # 输出 [4 6]

4. Fungsi matematik yang biasa digunakan

numpy.exp

Prototaip fungsi: numpy.exp(x,

args,

args, *kwargs) huraian setiap elemen dalam nilai fungsi tatasusunan.

Contoh kod:

import numpy as np

a = np.array([1, 2, 3])
b = np.exp(a)
print(b)  # 输出 [ 2.71828183  7.3890561  20.08553692]

numpy.log

Prototaip fungsi: numpy.log(x,

args,

*kwargs)Penerangan fungsi: Kira setiap logari elemen semula jadi

Contoh kod:

import numpy as np

a = np.array([1, 2, 3])
b = np.log(a)
print(b)  # 输出 [0.         0.69314718 1.09861229]

numpy.sqrt

Prototaip fungsi: numpy.sqrt(x,

args,

*kwargs)Penerangan fungsi: Hitung punca kuasa dua dalam setiap elemen

Contoh kod:

import numpy as np

a = np.array([1, 4, 9])
b = np.sqrt(a)
print(b)  # 输出 [1. 2. 3.]

5. Senario aplikasi praktikal

Simulasi fungsi polinomial

1. import numpy as np
   import matplotlib.pyplot as plt
   
   x = np.linspace(-5, 5, num=50)
   y = np.power(x, 3) - 3 * np.power(x, 2) + 2 * x + 1
   
   plt.plot(x, y)
   plt.show()

Jumlah berwajaran tatasusunan

2. tatasusunan berwajaran

import numpy as np

a = np.array([1, 2, 3, 4])
b = np.array([0.1, 0.2, 0.3, 0.4])

result = np.sum(a * b)
print(result)  # 输出 2.0

Ringkasan:
3. Artikel ini memperkenalkan Beberapa fungsi dan aplikasi biasa senario perpustakaan Numpy termasuk penciptaan tatasusunan, operasi, pengiraan dan beberapa fungsi matematik. Kita boleh menggunakan fungsi ini secara fleksibel mengikut senario aplikasi sebenar untuk menjadikan pemprosesan data lebih cekap dan mudah. Adalah disyorkan agar pembaca menulis sendiri kod tersebut dan mempraktikkannya untuk mendalami pemahaman dan penguasaan mereka terhadap perpustakaan Numpy.

Atas ialah kandungan terperinci Senarai lengkap fungsi yang biasa digunakan dalam perpustakaan Numpy: panduan permulaan dan amalan pantas. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!