Une analyse approfondie des fonctions NumPy : applications pratiques et exemples

NumPy est une importante bibliothèque de calcul scientifique en Python, fournissant de puissants objets de tableau multidimensionnels et des fonctions de diffusion, ainsi que de nombreuses fonctions pour les opérations et les calculs de tableau. Dans les domaines de la science des données et de l'apprentissage automatique, NumPy est largement utilisé pour les opérations sur les tableaux et les calculs numériques. Cet article analysera de manière approfondie les fonctions courantes de NumPy, donnera des applications et des exemples, ainsi que des exemples de code spécifiques.

1. Présentation des fonctions NumPy

Les fonctions NumPy sont principalement divisées en fonctions d'opération de tableau, fonctions mathématiques, fonctions statistiques et fonctions logiques. Ces fonctions seront présentées en détail ci-dessous :

1. Fonction d'opération de tableau

(1) Créer un tableau : utilisez la fonction np.array() de NumPy pour créer un tableau, transmettez simplement une liste ou un tuple.

Exemple de code :

import numpy as np

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

Résultat de sortie :

[1 2 3]
[4 5 6]

(2) Forme du tableau : les informations sur la forme du tableau peuvent être obtenues en utilisant la forme de la fonction de tableau.

Exemple de code :

import numpy as np

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

Résultat de sortie :

(2, 3)

(3) Indexation et découpage de tableau : à l'aide des opérations d'indexation et de découpage de tableau, vous pouvez facilement obtenir des éléments et des sous-tableaux dans le tableau.

Exemple de code :

import numpy as np

a = np.array([[1, 2, 3], [4, 5, 6]])
print(a[0, 1])
print(a[:, 1:3])

Résultat de sortie :

2
[[2 3]
 [5 6]]

2. Fonctions mathématiques

NumPy fournit de nombreuses fonctions mathématiques couramment utilisées, telles que les fonctions exponentielles, les fonctions logarithmiques, les fonctions trigonométriques, etc.

(1) Fonction exponentielle : utilisez la fonction np.exp() pour calculer l'exposant de chaque élément d'un tableau.

Exemple de code :

import numpy as np

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

Résultat de sortie :

[ 2.71828183  7.3890561  20.08553692]

(2) Fonction logarithme : utilisez la fonction np.log() pour calculer le logarithme népérien de chaque élément d'un tableau.

Exemple de code :

import numpy as np

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

Résultat de sortie :

[0.         0.69314718 1.09861229]

(3) Fonctions trigonométriques : vous pouvez utiliser des fonctions telles que np.sin(), np.cos() et np.tan() pour calculer le sinus de chaque élément dans un tableau, valeurs du cosinus et de la tangente.

Exemple de code :

import numpy as np

a = np.array([0, np.pi/2, np.pi])
print(np.sin(a))

Résultats de sortie :

[0.00000000e+00 1.00000000e+00 1.22464680e-16]

3. Fonctions statistiques

NumPy fournit de nombreuses fonctions pour l'analyse statistique, telles que la valeur maximale, la moyenne, la variance, etc.

(1) Moyenne : utilisez la fonction np.mean() pour calculer la moyenne d'un tableau.

Exemple de code :

import numpy as np

a = np.array([1, 2, 3, 4, 5])
print(np.mean(a))

Résultat de sortie :

3.0

(2) Valeurs maximales et minimales : utilisez les fonctions np.max() et np.min() pour calculer respectivement les valeurs maximales et minimales d'un tableau.

Exemple de code :

import numpy as np

a = np.array([1, 2, 3, 4, 5])
print(np.max(a))
print(np.min(a))

Résultat de sortie :

5
1

(3) Variance et écart type : vous pouvez utiliser les fonctions np.var() et np.std() pour calculer respectivement la variance et l'écart type d'un tableau.

Exemple de code :

import numpy as np

a = np.array([1, 2, 3, 4, 5])
print(np.var(a))
print(np.std(a))

Résultat de sortie :

2.0
1.4142135623730951

4. Fonction logique

Les fonctions logiques sont principalement utilisées pour effectuer des opérations booléennes et des jugements logiques sur des tableaux.

(1) Opérations logiques : vous pouvez utiliser des fonctions telles que np.logical_and(), np.logical_or() et np.logical_not() pour effectuer des opérations ET logique, OU logique et NON logique.

Exemple de code :

import numpy as np

a = np.array([True, False, True])
b = np.array([False, True, True])
print(np.logical_and(a, b))
print(np.logical_or(a, b))
print(np.logical_not(a))

Résultat de sortie :

[False False  True]
[ True  True  True]
[False  True False]

(2) Jugement logique : vous pouvez utiliser les fonctions np.all() et np.any() pour juger si les éléments du tableau remplissent une certaine condition.

Exemple de code :

import numpy as np

a = np.array([1, 2, 3, 4, 5])
print(np.all(a > 0))
print(np.any(a > 3))

Résultat de sortie :

True
True

2. Applications et exemples

Deux applications et exemples spécifiques seront donnés ci-dessous pour montrer l'utilisation des fonctions NumPy.

1. Calculer la distance euclidienne

La distance euclidienne est une méthode courante utilisée pour calculer la distance entre deux vecteurs.

Exemple de code :

import numpy as np

def euclidean_distance(a, b):
    return np.sqrt(np.sum(np.square(a - b)))

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

Résultat de sortie :

5.196152422706632

2. Encodage à chaud

L'encodage à chaud est une méthode de conversion de caractéristiques discrètes en caractéristiques numériques, souvent utilisée dans les problèmes de classification.

Exemple de code :

import numpy as np

def one_hot_encode(labels, num_classes):
    encoded = np.zeros((len(labels), num_classes))
    for i, label in enumerate(labels):
        encoded[i, label] = 1
    return encoded

labels = np.array([0, 1, 2, 1, 0])
num_classes = 3
encoded_labels = one_hot_encode(labels, num_classes)
print(encoded_labels)

Résultat de sortie :

[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]
 [0. 1. 0.]
 [1. 0. 0.]]

Ce qui précède est une analyse complète de la fonction NumPy, ainsi que deux applications et exemples spécifiques. En apprenant à utiliser les fonctions NumPy, nous pouvons traiter et calculer les données des tableaux de manière plus flexible, jouant ainsi un rôle important dans la pratique de la science des données et de l'apprentissage automatique. J'espère que cet article sera utile aux lecteurs dans leur apprentissage et leur application des fonctions NumPy.

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!