Maison > Article > développement back-end > Liste complète des fonctions numpy et leurs utilisations : explication détaillée de toutes les fonctions de la bibliothèque numpy
Encyclopédie des fonctions numpy : Explication détaillée de toutes les fonctions et de leurs utilisations dans la bibliothèque numpy, des exemples de code spécifiques sont requis
Introduction :
Dans les domaines de l'analyse de données et du calcul scientifique, des données numériques à grande échelle doivent souvent être traité. Numpy est la bibliothèque open source la plus couramment utilisée en Python, fournissant des objets de tableau multidimensionnels efficaces et une série de fonctions pour faire fonctionner les tableaux. Cet article présentera en détail toutes les fonctions de la bibliothèque numpy et leurs utilisations, et donnera des exemples de code spécifiques pour aider les lecteurs à mieux comprendre et utiliser la bibliothèque numpy.
import numpy as np arr = np.array([1, 2, 3, 4, 5]) print(arr)
Le résultat de sortie est :
[1 2 3 4 5]
import numpy as np arr = np.arange(0, 10, 2) print(arr)
Le résultat de sortie est :
[0 2 4 6 8]
import numpy as np arr = np.zeros((2, 3)) print(arr)
Le résultat de sortie est :
[[0. 0. 0.] [0. 0. 0.]]
import numpy as np arr = np.ones((2, 3)) print(arr)
Le résultat de sortie est :
[[1. 1. 1.] [1. 1. 1.]]
import numpy as np arr = np.linspace(0,1,5) print(arr)
Le résultat de sortie est :
[0. 0.25 0.5 0.75 1. ]
import numpy as np arr = np.eye(3) print(arr)
Le résultat de sortie est :
[[1. 0. 0.] [0. 1. 0.] [0. 0. 1.]]
import numpy as np arr = np.arange(1, 10) arr_reshape = np.reshape(arr, (3, 3)) print(arr_reshape)
Le résultat de sortie est :
[[1 2 3] [4 5 6] [7 8 9]]
import numpy as np arr = np.array([[1, 2, 3], [4, 5, 6]]) arr_flatten = arr.flatten() print(arr_flatten)
Le résultat de sortie est :
[1 2 3 4 5 6]
import numpy as np arr = np.array([3, 1, 5, 2, 4]) arr_sorted = np.sort(arr) print(arr_sorted)
Le résultat de sortie est :
[1 2 3 4 5]
import numpy as np arr = np.array([3, 1, 5, 2, 4]) max_index = np.argmax(arr) print(max_index)
Le résultat de sortie est :
2
import numpy as np arr1 = np.array([1, 2, 3]) arr2 = np.array([4, 5, 6]) result = np.add(arr1, arr2) print(result)
Le résultat de sortie est :
[5 7 9]
import numpy as np arr1 = np.array([1, 2, 3]) arr2 = np.array([4, 5, 6]) result = np.dot(arr1, arr2) print(result)
Le résultat de sortie est :
32
import numpy as np arr = np.array([1, 2, 3, 4, 5]) mean = np.mean(arr) print(mean)
Le résultat de sortie est :
3.0
import numpy as np arr = np.array([1, 2, 3, 4, 5]) std = np.std(arr) print(std)
Le résultat de sortie est :
1.4142135623730951
import numpy as np matrix = np.array([[1, 2], [3, 4]]) det = np.linalg.det(matrix) print(det)
Le résultat de sortie est :
-2.0000000000000004
import numpy as np matrix = np.array([[1, 2], [3, 4]]) inv = np.linalg.inv(matrix) print(inv)
Le résultat de sortie est :
[[-2. 1. ] [ 1.5 -0.5]]
import numpy as np arr = np.loadtxt('data.txt') print(arr)
import numpy as np arr = np.array([1, 2, 3, 4, 5]) np.savetxt('data.txt', arr)
import numpy as np arr = np.array([0, np.pi / 2, np.pi]) sin_val = np.sin(arr) print(sin_val)
Le résultat de sortie est :
[0. 1. 1.2246468e-16]
import numpy as np arr = np.array([1, 2, 3]) exp_val = np.exp(arr) print(exp_val)
Le résultat de sortie est :
[ 2.71828183 7.3890561 20.08553692]
Cet article ne montre qu'une petite partie des fonctions de la bibliothèque numpy. numpy a des fonctions et des fonctions plus puissantes. J'espère que les lecteurs pourront utiliser de manière flexible les fonctions de la bibliothèque numpy dans la programmation réelle pour améliorer l'efficacité et la précision du traitement des données.
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!