Collection complète de fonctions couramment utilisées dans la bibliothèque Numpy : débloquer des techniques de calcul scientifique efficaces

Liste complète des fonctions couramment utilisées dans la bibliothèque Numpy : débloquer des compétences efficaces en calcul scientifique

Pour le calcul scientifique en Python, la bibliothèque Numpy est un outil essentiel. Elle fournit une variété de fonctions puissantes et d'autres outils pratiques. Afin d'aider les lecteurs à mieux utiliser la bibliothèque Numpy, cet article présentera certaines fonctions Numpy couramment utilisées, ainsi que leur utilisation et des exemples.

1. Créer des tableaux

• np.array() : Créez des tableaux à partir de listes et de tuples Python.
• np.zeros() : crée un tableau de tous les zéros.
• np.ones() : créez un tableau de tous les uns.
• np.full() : crée un tableau de valeurs arbitraires.
• np.arange() : crée un tableau similaire à la fonction de plage Python.
• np.linspace() : crée un tableau dans l'intervalle spécifié.

Exemple :

import numpy as np

# 从 Python 列表和元组创建数组
arr1 = np.array([1, 2, 3, 4, 5])
arr2 = np.array((1, 2, 3))

# 创建全 0 数组
zeros_arr = np.zeros((2, 3))

# 创建全 1 数组
ones_arr = np.ones((2, 3))

# 创建一个任意值的数组
full_arr = np.full((2, 3), 4)

# 创建一个类似于 Python range 函数的数组
range_arr = np.arange(0, 10, 2)

# 创建一个在指定间隔内的数组
linspace_arr = np.linspace(0, 1, 5)

2. Fonctions mathématiques de base

• np.add() : Ajout de deux tableaux.
• np.subtract() : Soustraction de deux tableaux.
• np.multiply() : Multiplication de deux tableaux.
• np.divide() : Division de deux tableaux.
• np.power() : calcule un ensemble de nombres élevés à la puissance spécifiée.
• np.sqrt() : Trouvez la racine carrée de chaque élément.

Exemple :

import numpy as np

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])

# 两个数组的加法
add_arr = np.add(arr1, arr2)

# 两个数组的减法
sub_arr = np.subtract(arr1, arr2)

# 两个数组的乘法
mul_arr = np.multiply(arr1, arr2)

# 两个数组的除法
div_arr = np.divide(arr1, arr2)

# 将一组数按照指定的次数幂进行计算
power_arr = np.power(arr1, 2)

# 对每个元素求开方
sqrt_arr = np.sqrt(arr2)

3. Opérations sur le tableau

• np.transpose() : échangez les axes du tableau.
• np.reshape() : redéfinit la forme du tableau.
• np.concatenate() : concatène plusieurs tableaux.
• np.split() : divisez un tableau en plusieurs tableaux.
• np.sort() : Triez le tableau en fonction des exigences spécifiées.

Exemple :

import numpy as np

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

# 交换数组的轴
transpose_arr = np.transpose(arr)

# 重新定义数组形状
reshape_arr = np.reshape(arr, (2, 3))

# 对多个数组进行拼接
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
concat_arr = np.concatenate((arr1, arr2), axis=0)

# 将一个数组分裂成多个数组
split_arr = np.split(concat_arr, 2)

# 按照指定要求进行数组排序
sort_arr = np.sort(arr1)

4. Fonction statistique

• np.sum() : effectuez un calcul de somme sur des tableaux.
• np.mean() : Calcule la moyenne d'un tableau.
• np.std() : Calcule l'écart type d'un tableau.
• np.var() : Calcule la variance du tableau.
• np.max() : Calcule la valeur maximale d'un tableau.
• np.min() : Calcule la valeur minimale d'un tableau.

Exemple :

import numpy as np

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

# 对数组进行求和计算
sum_arr = np.sum(arr)

# 对数组进行求平均数计算
mean_arr = np.mean(arr)

# 对数组进行求标准差计算
std_arr = np.std(arr)

# 对数组进行求方差计算
var_arr = np.var(arr)

# 对数组进行求最大值计算
max_arr = np.max(arr)

# 对数组进行求最小值计算
min_arr = np.min(arr)

Résumé

La bibliothèque Numpy fournit des fonctions d'outils très puissantes pour aider à accomplir diverses tâches de calcul scientifique rapidement et efficacement. Cet article présente certaines fonctions couramment utilisées et comment les utiliser, notamment la création de tableaux, les fonctions mathématiques de base, les opérations sur les tableaux, les fonctions statistiques, etc. On espère que les lecteurs pourront maîtriser l'utilisation de ces fonctions et améliorer l'efficacité du travail dans le processus de calcul scientifique actuel.

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!