Vom Einstieg bis zur Kompetenz: Beherrschen Sie die Grundoperationen und allgemeinen Funktionen der Numpy-Bibliothek

Die Numpy-Bibliothek ist eine der beliebtesten wissenschaftlichen Computerbibliotheken in Python. Sie bietet schnelle Operationen für mehrdimensionale Arrays und Matrizen und unterstützt eine Vielzahl mathematischer Operationen, linearer Algebra-Operationen, Zufallszahlengenerierung und andere Funktionen. Die Beherrschung der Grundoperationen und allgemeinen Funktionen von Numpy kann nicht nur die Effizienz der Datenanalyse und des wissenschaftlichen Rechnens verbessern, sondern auch die Entwicklung von Bereichen wie Datenvisualisierung und maschinellem Lernen unterstützen.

In diesem Artikel werden die Grundoperationen und allgemeinen Funktionen der Numpy-Bibliothek vorgestellt, einschließlich der Erstellung, Indizierung und Slicing von Numpy-Arrays, Array-Operationen, statistischen Funktionen, linearen Algebra-Operationen und Zufallszahlengenerierung. Es werden auch spezifische Codebeispiele bereitgestellt, um den Lesern den schnellen Einstieg zu erleichtern.

1. Numpy-Array erstellen

Die einfachste Möglichkeit, ein Numpy-Array zu erstellen, ist die Verwendung der Funktion numpy.array(), die eine Liste oder ein Tupel als Parameter empfängt und ein Numpy-Array erstellt. Das Folgende ist ein einfaches Beispiel:

import numpy as np

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

Das Ausgabeergebnis ist:

[1 2 3]

Darüber hinaus verfügt numpy auch über einige andere Funktionen zum Erstellen von Arrays, wie zum Beispiel:

• numpy.zeros() wird verwendet, um ein Array von allen zu erstellen 0s
• numpy.ones() wird verwendet, um ein Array aller Einsen zu erstellen
• numpy.random.rand() wird verwendet, um ein Array von Zufallszahlen zu erstellen

2. Indizieren und Slicen

Ähnlich wie bei Listen in Python Numpy-Arrays können auch für Indizierungs- und Slicing-Operationen verwendet werden. Hier sind ein paar Beispiele:

import numpy as np

a = np.array([1, 2, 3])
print(a[0])  # 输出1
print(a[-1])  # 输出3 

b = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(b[0][1])  # 输出2

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

Beachten Sie, dass in Numpy-Arrays der Slicing-Vorgang eine Ansicht des ursprünglichen Arrays und nicht eines neuen Arrays zurückgibt. Daher ändert sich bei Änderungen am Slice auch das ursprüngliche Array.

3. Array-Operationen

Numpy-Array unterstützt eine Vielzahl mathematischer Operationen, wie Addition, Subtraktion, Multiplikation, Division sowie Polynomfunktionen, trigonometrische Funktionen usw. Im Folgenden sind einige gängige Array-Operationen aufgeführt:

import numpy as np

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

print(a + b)  # 输出[5 7 9]
print(a - b)  # 输出[-3 -3 -3]
print(a * b)  # 输出[4 10 18]
print(b / a)  # 输出[4.         2.5        2.        ]

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

print(c.dot(d))  # 矩阵乘法，输出[[ 19  22] [ 43  50]]

4. Statistische Funktionen

numpy bietet auch eine große Anzahl statistischer Funktionen wie Summe, Mittelwert, Standardabweichung, Maximum und Minimum usw. Im Folgenden sind einige gängige statistische Funktionen aufgeführt:

import numpy as np

a = np.array([1, 2, 3, 4])
print(np.sum(a))  # 求和，输出10
print(np.mean(a))  # 均值，输出2.5
print(np.std(a))  # 标准差，输出1.118033988749895
print(np.max(a))  # 最大值，输出4
print(np.min(a))  # 最小值，输出1

b = np.array([[1, 2], [3, 4]])
print(np.sum(b, axis=0))  # 按列求和，输出[4 6]
print(np.sum(b, axis=1))  # 按行求和，输出[3 7]

5. Lineare Algebra-Operationen

numpy bietet eine Fülle linearer Algebra-Operationsfunktionen wie Matrixmultiplikation, Determinantenberechnung, Berechnung von Eigenwerten und Eigenvektoren usw. Im Folgenden sind einige gängige Operationen der linearen Algebra aufgeführt:

import numpy as np

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

print(np.dot(a, b))  # 矩阵乘法，输出[[19 22] [43 50]]

c = np.array([[1, 2], [3, 4]])
print(np.linalg.det(c))  # 行列式计算，输出-2.0000000000000004

d = np.array([[1, 2], [2, 1]])
print(np.linalg.eig(d))  # 特征值和特征向量的计算，输出(array([ 3., -1.]), array([[ 0.70710678, -0.70710678], [ 0.70710678,  0.70710678]]))

6. Zufallszahlengenerierung

numpy bietet eine Vielzahl von Zufallsfunktionen, z. B. das Erzeugen zufälliger Ganzzahlen, das Erzeugen normalverteilter Zufallszahlen, das Erzeugen von Zufallsarrays mit bestimmten Formen usw. Im Folgenden sind einige gängige Zufallsfunktionen aufgeführt:

import numpy as np

print(np.random.randint(0, 10, 5))  # 生成5个0到10之间的随机整数，输出[1 5 8 7 3]

print(np.random.normal(0, 1, 5))  # 生成5个均值为0，方差为1的正态分布随机数，输出[-0.60690706  2.01738925 -0.58946246 -1.42619268  0.72589716]

print(np.random.rand(3, 4))  # 生成3行4列的随机数组，输出[[0.9004391  0.50630644 0.31150836 0.90425598] [0.13734967 0.53890228 0.20053875 0.00617321] [0.96756345 0.80763172 0.21116666 0.09858394]]

Das Obige ist eine Einführung und Codebeispiele der grundlegenden Operationen und allgemeinen Funktionen der Numpy-Bibliothek. Ich hoffe, dass dieser Artikel den Lesern helfen kann, schnell loszulegen und sich mit der Verwendung von Numpy vertraut zu machen.

Das obige ist der detaillierte Inhalt vonVom Einstieg bis zur Kompetenz: Beherrschen Sie die Grundoperationen und allgemeinen Funktionen der Numpy-Bibliothek. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!