Penjelasan terperinci tentang perpustakaan numpy dalam Python

Python ialah bahasa pengaturcaraan yang berkuasa, terutamanya popular dalam bidang sains data dan pembelajaran mesin. Dalam Python, analisis data dan pengiraan matematik adalah bahagian penting, dan perpustakaan numpy adalah salah satu alat yang sangat penting.

Pustaka numpy ialah pemalam Python yang digunakan khas untuk pengkomputeran saintifik dan analisis berangka. Ia menyediakan objek tatasusunan berbilang dimensi yang cekap, serta pelbagai objek terbitan (seperti tatasusunan bertopeng dan matriks), untuk pengendalian fungsi matematik, dan boleh membaca dan menulis data pada cakera dengan cekap.

Berikut ialah beberapa ciri penting pustaka numpy:

1. Operasi tatasusunan pantas: Teras numpy ialah objek tatasusunannya, yang membolehkan operasi cekap dalam Python.
2. Pustaka pengkomputeran saintifik yang kaya: numpy ialah perpustakaan untuk pengkomputeran saintifik dan analisis data, jadi ia menyediakan sejumlah besar fungsi dan algoritma matematik yang cekap, seperti algebra linear, transformasi Fourier, penjanaan nombor rawak, dsb.
3. Sokongan merentas platform: Kod Numpy berjalan pada berbilang sistem pengendalian dan perkakasan.
4. Sokongan set data berskala besar: Numpy menyediakan sokongan yang sangat baik untuk pemprosesan set data berskala besar. Ia boleh mengendalikan data berbilang dimensi dan menyokong pengindeksan dan penghirisan tatasusunan, menjadikannya lebih mudah untuk program mengendalikan set data besar yang merangkumi berbilang pembolehubah.
5. Sokongan perpustakaan sambungan: numpy ialah perpustakaan yang menyokong perpustakaan sambungan kaya. Banyak alat pengkomputeran saintifik dan analisis data lain bergantung pada perpustakaan numpy sebagai asasnya.

Dalam perpustakaan numpy, salah satu ciri yang paling penting ialah objek tatasusunan berbilang dimensinya. Objek ini dipanggil ndarrays dan merupakan struktur data teras perpustakaan numpy. Ndarray terdiri daripada dua bahagian: tatasusunan n-dimensi elemen data daripada jenis yang sama dan dimensi serta bentuk yang dikaitkan dengan tatasusunan. Dimensi dan bentuk ndarray boleh diperolehi melalui atribut bentuk. Takrif jenis ndarray adalah seperti berikut:

import numpy as np

arr = np.array([1, 2, 3, 4, 5]) # 一维数组
print(arr)

# 输出结果:
# [1 2 3 4 5]

Seperti yang anda lihat, tatasusunan numpy dicipta melalui senarai Python.

Pengiraan matriks dan vektor boleh menjadi sangat mudah melalui perpustakaan numpy:

import numpy as np

# 矩阵相乘
a = np.array([[1,2], [3,4]])
b = np.array([[-1,-2], [-3,-4]])
print(np.dot(a,b))

# 向量运算
a = np.array([1,2,3,4,5])
b = np.array([2,2,2,2,2])
print(a + b)

# 输出结果:
# [[-7, -10], [-15, -22]]
# [3 4 5 6 7]

Perpustakaan numpy juga menyediakan banyak fungsi matematik, seperti fungsi logaritma, fungsi trigonometri, fungsi kuasa, dan fungsi fungsi eksponen dll. Fungsi ini berfungsi pada setiap elemen dalam tatasusunan numpy.

import numpy as np

a = np.array([[1, 2], [3, 4]])
print(np.log(a))
print(np.sin(a))
print(np.multiply(a, a))

# 输出结果:
# [[0.         0.69314718], [1.09861229 1.38629436]]
# [[0.84147098 0.90929743], [0.14112001 -0.7568025 ]]
# [[ 1  4], [ 9 16]]

Pustaka numpy juga menyediakan beberapa operasi tatasusunan asas seperti pengindeksan, penghirisan, perbandingan dan pengisihan. Operasi tatasusunan asas ini membolehkan pengguna melakukan pelbagai operasi logik asas pada tatasusunan.

import numpy as np

arr = np.array([[1, 2], [3, 4], [5, 6]])
# 切片数组
a = arr[:,1]
# 索引数组
b = arr[1]
# 与标量比较
c = arr > 2
# 对列进行排序
d = arr[arr[:, 1].argsort()]

print(a)
print(b)
print(c)
print(d)

# 输出结果
# [2 4 6]
# [3 4]
# [[False False], [ True  True], [ True  True]]
# [[1 2], [5 6], [3 4]]

Seperti yang dapat dilihat daripada contoh di atas, perpustakaan numpy sangat sesuai untuk memproses tatasusunan dan matriks yang besar, menyediakan fungsi matematik yang cekap, operasi matriks dan operasi tatasusunan, dan menyediakan sokongan yang baik untuk sains dan mesin data Python pembelajaran.

Atas ialah kandungan terperinci Penjelasan terperinci tentang perpustakaan numpy dalam Python. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!