Analyse des paramètres communs et utilisation des fonctions numpy

Analyse des paramètres courants et utilisation de la fonction numpy

Numpy est une bibliothèque de calcul numérique couramment utilisée en Python. Elle fournit une multitude de fonctions d'opérations numériques et de structures de données, et peut effectuer des opérations sur tableaux et des calculs numériques de manière pratique et rapide. Cet article analysera les paramètres courants et l'utilisation des fonctions numpy et fournira des exemples de code spécifiques.

1. Paramètres communs de la fonction numpy

1. array_like : Il s'agit du paramètre le plus courant dans la fonction numpy, ce qui signifie qu'il accepte divers objets itérables (tels que des listes, des tuples, des tableaux, etc.) en entrée. Il peut s'agir d'un tableau multidimensionnel ou d'un tableau unidimensionnel.

Exemple :

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 : Il s'agit d'un paramètre qui spécifie le type de données des éléments du tableau. Numpy prend en charge plusieurs types de données, tels que int, float, bool, etc.

Exemple :

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 : Il s'agit d'un paramètre qui spécifie les dimensions du tableau. Peut être un nombre ou un tuple (ou une liste).

Exemple :

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. axis : Il s'agit d'un paramètre qui spécifie l'opération sur un axe. L'axe représente la dimension du tableau, en commençant par 0 et en augmentant un par un.

Exemple :

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 : Il s'agit d'un paramètre qui spécifie l'emplacement où les résultats de sortie sont stockés. Il peut s'agir d'un tableau existant ou d'un nouveau tableau.

Exemple :

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. Utilisations courantes des fonctions numpy

1. Création de tableaux : Vous pouvez utiliser diverses fonctions de création fournies par numpy pour créer des tableaux, tels que np.array()、np.zeros()、np.ones()、np.arange()etc.

Exemple :

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. Opérations sur les tableaux : Numpy fournit une multitude de fonctions d'opération sur les tableaux, telles que l'addition, la soustraction, la multiplication, la division, la sommation, la moyenne, etc.

Exemple :

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. Transformation de tableau : Numpy fournit diverses fonctions de transformation de tableau, telles que transposer, remodeler, fusionner, etc.

Exemple :

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]]

Cet article présente les paramètres courants et l'utilisation des fonctions numpy, et fournit des exemples de code spécifiques. Maîtriser l'utilisation de ces fonctions peut effectuer des opérations sur les tableaux et des calculs numériques plus efficacement et améliorer l'efficacité de la programmation.

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!