NumPy は、Python の重要な科学計算ライブラリであり、強力な多次元配列オブジェクトとブロードキャスト関数に加え、配列操作と計算のための多くの関数を提供します。データ サイエンスと機械学習の分野では、NumPy は配列演算や数値計算に広く使用されています。この記事では、NumPy の一般的な機能を包括的に分析し、アプリケーションと例を示し、具体的なコード例を示します。
1. NumPy 関数の概要
NumPy 関数は主に、配列演算関数、数学関数、統計関数、論理関数などのいくつかのカテゴリに分類されます。これらの関数については、以下で詳しく紹介します。
(1) 配列の作成: NumPy の関数 np.array() を使用して配列を作成します。リストまたはタプルを渡すだけです。
サンプルコード:
import numpy as np a = np.array([1, 2, 3]) b = np.array((4, 5, 6)) print(a) print(b)
出力結果:
[1 2 3] [4 5 6]
(2) 配列の形状: 配列の形状情報は、関数のshapeを使用して取得できます。配列。
サンプルコード:
import numpy as np a = np.array([[1, 2, 3], [4, 5, 6]]) print(a.shape)
出力結果:
(2, 3)
(3) 配列のインデックス付けとスライス: 配列のインデックス付けとスライス操作を使用して、配列内の要素を簡単に取得できます。要素と部分配列。
サンプル コード:
import numpy as np a = np.array([[1, 2, 3], [4, 5, 6]]) print(a[0, 1]) print(a[:, 1:3])
出力結果:
2 [[2 3] [5 6]]
NumPy は、次のような一般的に使用される多くの数学関数を提供します。指数関数、対数関数、三角関数など
(1) 指数関数: np.exp() 関数を使用して、配列内の各要素の指数を計算します。
サンプルコード:
import numpy as np a = np.array([1, 2, 3]) print(np.exp(a))
出力結果:
[ 2.71828183 7.3890561 20.08553692]
(2) 対数関数: np.log() 関数を使用して、関数内の各要素の自然対数を計算します。配列の対数。
サンプルコード:
import numpy as np a = np.array([1, 2, 3]) print(np.log(a))
出力結果:
[0. 0.69314718 1.09861229]
(3) 三角関数: np.sin()、np.cos()、np.tan(使用される) 関数は、配列内の各要素のサイン、コサイン、タンジェントを計算します。
サンプルコード:
import numpy as np a = np.array([0, np.pi/2, np.pi]) print(np.sin(a))
出力結果:
[0.00000000e+00 1.00000000e+00 1.22464680e-16]
NumPy は、次のような統計分析のための関数を多数提供します。最大値、平均値、分散など。
(1) 平均: np.mean() 関数を使用して、配列の平均を計算します。
サンプルコード:
import numpy as np a = np.array([1, 2, 3, 4, 5]) print(np.mean(a))
出力結果:
3.0
(2) 最大値と最小値: np.max() 関数と np.min() 関数は次のようになります。それぞれ使用される配列の最大値と最小値を計算します。
サンプルコード:
import numpy as np a = np.array([1, 2, 3, 4, 5]) print(np.max(a)) print(np.min(a))
出力結果:
5 1
(3) 分散と標準偏差: np.var() と np.std() を使用して個別に計算できます。 ) 関数 配列の分散と標準偏差。
サンプルコード:
import numpy as np a = np.array([1, 2, 3, 4, 5]) print(np.var(a)) print(np.std(a))
出力結果:
2.0 1.4142135623730951
論理関数は主にブール演算を実行するために使用されます。配列と論理判断。
(1) 論理演算: np.logical_and()、np.logical_or()、np.logical_not() などの関数を使用して、論理 AND、論理 OR、および論理 NOT 演算を実行できます。
サンプルコード:
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))
出力結果:
[False False True] [ True True True] [False True False]
(2) 論理判定:np.all()、np.any()関数を使用して判定することができます。要素がすべて特定の条件を満たすかどうか。
サンプルコード:
import numpy as np a = np.array([1, 2, 3, 4, 5]) print(np.all(a > 0)) print(np.any(a > 3))
出力結果:
True True
2. 応用例と使用例
具体的な応用例と使用例を 2 つ示します。 NumPy 関数の説明。
ユークリッド距離は、2 つのベクトル間の距離を計算するために使用される一般的な方法です。
サンプルコード:
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)
出力結果:
5.196152422706632
ワンホットエンコーディングとは、離散特徴をデジタル特徴に変換する方法は、分類問題でよく使用されます。
サンプル コード:
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)
出力結果:
[[1. 0. 0.] [0. 1. 0.] [0. 0. 1.] [0. 1. 0.] [1. 0. 0.]]
上記は、NumPy 関数の包括的な分析と、2 つの具体的なアプリケーションと例です。 NumPy 関数の使用法を学ぶことで、配列データをより柔軟に処理および計算できるようになり、データ サイエンスや機械学習の実践において重要な役割を果たします。この記事が読者の NumPy 関数の学習と応用に役立つことを願っています。
以上がNumPy 関数の詳細な分析: 実際のアプリケーションと例の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。