Apprenez à utiliser la bibliothèque numpy pour l'analyse de données et le calcul scientifique

Avec l'avènement de l'ère de l'information, l'analyse des données et le calcul scientifique sont devenus une partie importante de domaines de plus en plus nombreux. Dans ce processus, l’utilisation d’ordinateurs pour le traitement et l’analyse des données est devenue un outil indispensable. En Python, la bibliothèque numpy est un outil très important, qui nous permet de traiter et d'analyser les données plus efficacement et d'obtenir des résultats plus rapidement. Cet article présentera les fonctions courantes et l'utilisation de numpy, et donnera quelques exemples de code spécifiques pour vous aider à apprendre en profondeur.

1. Installation et appel de la bibliothèque numpy

Avant de commencer, nous devons d'abord installer la bibliothèque numpy. Entrez simplement la commande suivante sur la ligne de commande :

!pip install numpy

Une fois l'installation terminée, nous devons appeler la bibliothèque numpy dans le programme. Vous pouvez utiliser l'instruction suivante :

import numpy as np

Ici, nous utilisons la commande import pour introduire la bibliothèque numpy dans le programme, et utilisons l'alias np pour remplacer le nom de la bibliothèque. Cet alias peut être modifié selon vos préférences personnelles. import命令将numpy库引入程序中，并使用别名np来代替库的名字。这个别名可以根据个人习惯进行更改。

2. numpy库的常用功能

numpy库是一款专门用于科学计算的库，具有以下特点：

• 高性能的多维数组计算
• 对数组进行快速的数学运算和逻辑运算
• 大量的数学函数库和矩阵计算库
• 用于读写磁盘文件的工具

下面我们来介绍numpy库的一些常用功能。

2.1 创建numpy数组

numpy最重要的功能之一就是创建数组。创建数组最简单的方法就是使用np.array()函数。例如：

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

这一句代码创建了一个包含数值 [1, 2, 3] 的一维数组。

我们也可以创建多维数组，例如：

arr2d = np.array([[1, 2, 3], [4, 5, 6]])

这一句创建了一个包含两个一维数组 [1,2,3] 和 [4,5,6]

Fonctions communes de la librairie numpy

La librairie numpy est une librairie dédiée au calcul scientifique, avec les fonctionnalités suivantes :

Calculs de tableaux multidimensionnels hautes performances

tableaux de paires Effectuez des opérations mathématiques rapides et des opérations logiques

Un grand nombre de bibliothèques de fonctions mathématiques et de bibliothèques de calcul matriciel

Des outils de lecture et d'écriture de fichiers disque

Présentons quelques fonctions courantes de la bibliothèque numpy.

2.1 Créer un tableau numpy

L'une des fonctions les plus importantes de numpy est de créer des tableaux. Le moyen le plus simple de créer un tableau est d'utiliser la fonction np.array(). Par exemple :

zeros_arr = np.zeros((3, 2))   # 创建一个二维数组，每个元素为0
ones_arr = np.ones(4)          # 创建一个一维数组，每个元素为1
rand_arr = np.random.rand(3,4) # 创建一个3行4列的随机数组

Cette ligne de code crée un tableau unidimensionnel contenant les valeurs [1, 2, 3].

Nous pouvons également créer des tableaux multidimensionnels, par exemple :

3. arr = np.array([1, 2, 3, 4, 5])
   print(arr[0])    # 输出第一个元素
   print(arr[-1])   # 输出最后一个元素
   print(arr[1:3])  # 输出索引为1到2的元素
   print(arr[:3])   # 输出前三个元素
   print(arr[3:])   # 输出后三个元素

Cette phrase crée un tableau unidimensionnel contenant deux tableaux unidimensionnels [1,2,3] et [ 4,5,6] Le tableau bidimensionnel de .

Vous pouvez également utiliser certaines fonctions prédéfinies pour créer des tableaux, tels que :

arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr2d[0][0])   # 输出第一行第一个元素
print(arr2d[1, :])   # 输出第二行所有元素
print(arr2d[:, 1])   # 输出第二列所有元素

2.2 Indexation et découpage des tableaux

Grâce à l'indexation et au découpage, nous pouvons accéder et modifier les tableaux numpy. Pour les tableaux unidimensionnels, nous pouvons utiliser les méthodes suivantes pour accéder :

arr = np.array([1, 2, 3])
print(arr + 1)   # 对数组每个元素加1
print(arr * 2)   # 对数组每个元素乘2
print(arr / 3)   # 对数组每个元素除以3
print(np.mean(arr))    # 求数组平均数
print(np.var(arr))     # 求数组方差
print(np.std(arr))     # 求数组标准差

Pour les tableaux multidimensionnels, nous pouvons utiliser les méthodes suivantes pour accéder :

arr = np.array([1, 2, 3, 4, 5, 6])
print(arr.reshape((2, 3)))    # 将数组改变成两行三列的形状
print(arr.reshape((-1, 2)))   # 将数组改变成两列的形状
print(arr.reshape((3, -1)))   # 将数组改变成三行的形状

2.3 Opérations sur les tableaux

numpy fournit une variété de méthodes d'opération sur les tableaux. Plus précisément, ces opérations incluent l'addition, la soustraction, la multiplication, la division, la moyenne, la variance, l'écart type, le produit scalaire, etc.

arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])
print(np.dot(arr1, arr2))    # 计算两个矩阵的点积
print(arr1.T)               # 将矩阵进行转置

2.4 Transformation de la forme du tableau

Parfois, nous devons façonner le tableau numpy. Numpy fournit de nombreux outils pratiques à cet effet.

arr = np.random.rand(5, 3)    # 创建一个5行3列的随机数组
print(arr)
print(np.mean(arr))           # 计算数组元素的平均值

🎜2.5 Calcul matriciel🎜🎜numpy fournit également un grand nombre d'outils de calcul matriciel, tels que les produits scalaires et les transformations. 🎜

[[0.36112019 0.66281023 0.76194693]
 [0.13728812 0.2015571  0.2047288 ]
 [0.90020599 0.46448655 0.31758295]
 [0.9980158  0.56503496 0.98733627]
 [0.84116752 0.68022348 0.49029864]]
0.5444867833241556

🎜🎜Exemple de code🎜🎜🎜Ensuite, nous donnons quelques exemples de code spécifiques pour vous aider à mieux comprendre comment utiliser numpy. 🎜🎜3.1 Créez un tableau aléatoire et calculez la moyenne 🎜

arr = np.array([1, 2, 3, 4, 5])
print(np.std(arr))    # 计算数组的标准差
print(np.var(arr))    # 计算数组的方差

🎜Sortie : 🎜

1.4142135623730951
2.0

🎜3.2 Calculez l'écart type et la variance du tableau 🎜

arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])
mat1 = np.mat(arr1)    # 将数组转换成矩阵
mat2 = np.mat(arr2)    
print(mat1 * mat2)     # 计算矩阵点积

🎜Sortie : 🎜

[[19 22]
 [43 50]]

🎜3.3 Convertissez le tableau en matrice et calculez le produit scalaire de la matrice 🎜rrreee🎜Sortie : 🎜rrreee🎜Cet article présente les fonctions courantes et l'utilisation de la bibliothèque numpy, et donne quelques exemples de code spécifiques pour aider tout le monde à mieux comprendre l'utilisation de numpy. Alors que l’importance de l’analyse des données et du calcul scientifique continue de croître dans la vie quotidienne, cela a également favorisé l’utilisation généralisée de la bibliothèque numpy. J'espère que cet article pourra aider tout le monde à mieux maîtriser l'utilisation de numpy, afin de traiter et d'analyser les données plus efficacement. 🎜

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!