Analisis parameter biasa dan penggunaan fungsi numpy

Analisis parameter biasa dan penggunaan fungsi numpy

Numpy ialah perpustakaan pengiraan berangka yang biasa digunakan dalam Python Ia menyediakan pelbagai fungsi operasi berangka dan struktur data, serta boleh melaksanakan operasi tatasusunan dan pengiraan berangka dengan mudah dan cepat. Artikel ini akan menganalisis parameter biasa dan penggunaan fungsi numpy dan memberikan contoh kod khusus.

1. Parameter biasa fungsi numpy

1. array_like: Ini ialah parameter yang paling biasa dalam fungsi numpy, yang bermaksud ia menerima pelbagai objek boleh lelar (seperti senarai, tuple, tatasusunan, dll.) sebagai input. Ia boleh menjadi tatasusunan berbilang dimensi atau tatasusunan satu dimensi.

Contoh:

import numpy as np

a = np.array([1, 2, 3, 4])  # 定义一维数组
b = np.array([[1, 2], [3, 4]])  # 定义二维数组

print(a)  # 输出：[1 2 3 4]
print(b)  # 输出：[[1 2]
          #       [3 4]]

2. dtype: Ini ialah parameter yang menentukan jenis data elemen tatasusunan. Numpy menyokong pelbagai jenis data, seperti int, float, bool, dll.

Contoh:

import numpy as np

a = np.array([1, 2, 3], dtype=np.float)  # 指定数组元素为浮点型
b = np.array([1, 2, 3], dtype=np.int)  # 指定数组元素为整型

print(a)  # 输出：[1. 2. 3.]
print(b)  # 输出：[1 2 3]

3. shape: Ini ialah parameter yang menentukan dimensi tatasusunan. Boleh menjadi nombor atau tupel (atau senarai).

Contoh:

import numpy as np

a = np.array([1, 2, 3, 4])  # 一维数组
b = np.array([[1, 2], [3, 4]])  # 二维数组

print(a.shape)  # 输出：(4,)
print(b.shape)  # 输出：(2, 2)

4. paksi: Ini ialah parameter yang menentukan operasi pada paksi. Paksi mewakili dimensi tatasusunan, bermula dari 0 dan meningkat satu demi satu.

Contoh:

import numpy as np

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

print(np.sum(a, axis=0))  # 按列求和，输出：[4 6]
print(np.sum(a, axis=1))  # 按行求和，输出：[3 7]

5. out: Ini ialah parameter yang menentukan lokasi di mana keputusan output disimpan. Ia boleh menjadi tatasusunan sedia ada atau tatasusunan baharu.

Contoh:

import numpy as np

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.zeros(3)

np.add(a, b, out=c)  # 将a和b相加，结果放在c中

print(c)  # 输出：[5. 7. 9.]

2. Penggunaan biasa fungsi numpy

1. Mencipta tatasusunan: Anda boleh menggunakan pelbagai fungsi ciptaan yang disediakan oleh numpy untuk mencipta tatasusunan, seperti np.array()、np.zeros()、np.ones()、np.arange()dsb.

Contoh:

import numpy as np

a = np.array([1, 2, 3])  # 创建一维数组
b = np.zeros((2, 2))  # 创建全0的二维数组
c = np.ones((3, 3))  # 创建全1的二维数组
d = np.arange(0, 10, 2)  # 创建一个等差数列

print(a)  # 输出：[1 2 3]
print(b)  # 输出：[[0. 0.]
          #       [0. 0.]]
print(c)  # 输出：[[1. 1. 1.]
          #       [1. 1. 1.]
          #       [1. 1. 1.]]
print(d)  # 输出：[0 2 4 6 8]

2. Operasi tatasusunan: Numpy menyediakan pelbagai fungsi operasi tatasusunan, seperti penambahan, penolakan, pendaraban, pembahagian, penjumlahan, purata, dsb.

Contoh:

import numpy as np

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

print(np.add(a, b))  # 数组相加，输出：[5 7 9]
print(np.subtract(a, b))  # 数组相减，输出：[-3 -3 -3]
print(np.multiply(a, b))  # 数组相乘，输出：[4 10 18]
print(np.divide(a, b))  # 数组相除，输出：[0.25 0.4 0.5]
print(np.sum(a))  # 数组求和，输出：6
print(np.mean(a))  # 数组平均值，输出：2

3. Transformasi tatasusunan: Numpy menyediakan pelbagai fungsi transformasi tatasusunan, seperti transpose, bentuk semula, cantum, dsb.

Contoh:

import numpy as np

a = np.array([[1, 2], [3, 4]])
b = np.transpose(a)  # 转置数组
c = np.reshape(a, (1, 4))  # 将数组重塑为1行4列的数组
d = np.concatenate((a, b), axis=1)  # 按列合并数组

print(b)  # 输出：[[1 3]
          #       [2 4]]
print(c)  # 输出：[[1 2 3 4]]
print(d)  # 输出：[[1 2 1 3]
          #       [3 4 2 4]]

Artikel ini memperkenalkan parameter biasa dan penggunaan fungsi numpy, dan menyediakan contoh kod khusus. Menguasai penggunaan fungsi ini boleh melakukan operasi tatasusunan dan pengiraan berangka dengan lebih cekap dan meningkatkan kecekapan pengaturcaraan.

Atas ialah kandungan terperinci Analisis parameter biasa dan penggunaan fungsi numpy. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!