Ketahui cara menggunakan perpustakaan numpy untuk analisis data dan pengkomputeran saintifik

Dengan kemunculan zaman maklumat, analisis data dan pengkomputeran saintifik telah menjadi bahagian penting dalam lebih banyak bidang. Dalam proses ini, penggunaan komputer untuk pemprosesan dan analisis data telah menjadi alat yang sangat diperlukan. Dalam Python, perpustakaan numpy ialah alat yang sangat penting, yang membolehkan kami memproses dan menganalisis data dengan lebih cekap dan mendapatkan hasil dengan lebih cepat. Artikel ini akan memperkenalkan fungsi umum dan penggunaan numpy, dan memberikan beberapa contoh kod khusus untuk membantu anda belajar secara mendalam.

1. Pemasangan dan panggilan perpustakaan numpy

Sebelum kita mula, kita perlu memasang perpustakaan numpy terlebih dahulu. Hanya masukkan arahan berikut pada baris arahan:

!pip install numpy

Selepas pemasangan selesai, kita perlu memanggil perpustakaan numpy dalam program. Anda boleh menggunakan pernyataan berikut:

import numpy as np

Di sini, kami menggunakan perintah import untuk memperkenalkan perpustakaan numpy ke dalam atur cara dan menggunakan alias np untuk menggantikan nama perpustakaan. Alias ​​ini boleh diubah mengikut keutamaan peribadi. import命令将numpy库引入程序中，并使用别名np来代替库的名字。这个别名可以根据个人习惯进行更改。

2. numpy库的常用功能

numpy库是一款专门用于科学计算的库，具有以下特点：

• 高性能的多维数组计算
• 对数组进行快速的数学运算和逻辑运算
• 大量的数学函数库和矩阵计算库
• 用于读写磁盘文件的工具

下面我们来介绍numpy库的一些常用功能。

2.1 创建numpy数组

numpy最重要的功能之一就是创建数组。创建数组最简单的方法就是使用np.array()函数。例如：

arr = np.array([1, 2, 3])

这一句代码创建了一个包含数值 [1, 2, 3] 的一维数组。

我们也可以创建多维数组，例如：

arr2d = np.array([[1, 2, 3], [4, 5, 6]])

这一句创建了一个包含两个一维数组 [1,2,3] 和 [4,5,6]

Fungsi biasa perpustakaan numpy

Pustaka numpy ialah perpustakaan yang digunakan khusus untuk pengkomputeran saintifik, dengan ciri-ciri berikut:

Pengiraan tatasusunan berbilang dimensi berprestasi tinggi

tatasusunan berpasangan Lakukan operasi matematik dan operasi logik yang pantas

Sebilangan besar perpustakaan fungsi matematik dan perpustakaan pengiraan matriks

Alat untuk membaca dan menulis fail cakera

Mari perkenalkan beberapa fungsi biasa perpustakaan numpy.

2.1 Cipta tatasusunan numpy

Salah satu fungsi numpy yang paling penting ialah mencipta tatasusunan. Cara paling mudah untuk mencipta tatasusunan ialah menggunakan fungsi np.array(). Contohnya:

zeros_arr = np.zeros((3, 2))   # 创建一个二维数组，每个元素为0
ones_arr = np.ones(4)          # 创建一个一维数组，每个元素为1
rand_arr = np.random.rand(3,4) # 创建一个3行4列的随机数组

Barisan kod ini mencipta tatasusunan satu dimensi yang mengandungi nilai [1, 2, 3].

Kita juga boleh mencipta tatasusunan berbilang dimensi, contohnya:

3. arr = np.array([1, 2, 3, 4, 5])
   print(arr[0])    # 输出第一个元素
   print(arr[-1])   # 输出最后一个元素
   print(arr[1:3])  # 输出索引为1到2的元素
   print(arr[:3])   # 输出前三个元素
   print(arr[3:])   # 输出后三个元素

Ayat ini mencipta tatasusunan satu dimensi yang mengandungi dua tatasusunan satu dimensi [1,2,3] dan [ 4,5,6] Tatasusunan dua dimensi.

Anda juga boleh menggunakan beberapa fungsi pratetap untuk mencipta tatasusunan, seperti:

arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr2d[0][0])   # 输出第一行第一个元素
print(arr2d[1, :])   # 输出第二行所有元素
print(arr2d[:, 1])   # 输出第二列所有元素

2.2 Pengindeksan dan penghirisan tatasusunan

Melalui pengindeksan dan penghirisan, kami boleh mengakses dan mengubah suai tatasusunan numpy. Untuk tatasusunan satu dimensi, kami boleh menggunakan kaedah berikut untuk mengakses:

arr = np.array([1, 2, 3])
print(arr + 1)   # 对数组每个元素加1
print(arr * 2)   # 对数组每个元素乘2
print(arr / 3)   # 对数组每个元素除以3
print(np.mean(arr))    # 求数组平均数
print(np.var(arr))     # 求数组方差
print(np.std(arr))     # 求数组标准差

Untuk tatasusunan berbilang dimensi, kami boleh menggunakan kaedah berikut untuk mengakses:

arr = np.array([1, 2, 3, 4, 5, 6])
print(arr.reshape((2, 3)))    # 将数组改变成两行三列的形状
print(arr.reshape((-1, 2)))   # 将数组改变成两列的形状
print(arr.reshape((3, -1)))   # 将数组改变成三行的形状

2.3 Operasi tatasusunan

numpy menyediakan pelbagai kaedah operasi tatasusunan. Khususnya, operasi ini termasuk penambahan, penolakan, pendaraban, pembahagian, purata, varians, sisihan piawai, hasil darab titik dan banyak lagi.

arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])
print(np.dot(arr1, arr2))    # 计算两个矩阵的点积
print(arr1.T)               # 将矩阵进行转置

2.4 Transformasi bentuk tatasusunan

Kadangkala, kita perlu membentuk tatasusunan numpy. Numpy menyediakan banyak alat praktikal untuk tujuan ini.

arr = np.random.rand(5, 3)    # 创建一个5行3列的随机数组
print(arr)
print(np.mean(arr))           # 计算数组元素的平均值

🎜2.5 Pengiraan matriks🎜🎜numpy juga menyediakan sejumlah besar alat pengiraan matriks, seperti produk dot dan transformasi. 🎜

[[0.36112019 0.66281023 0.76194693]
 [0.13728812 0.2015571  0.2047288 ]
 [0.90020599 0.46448655 0.31758295]
 [0.9980158  0.56503496 0.98733627]
 [0.84116752 0.68022348 0.49029864]]
0.5444867833241556

🎜🎜Contoh kod🎜🎜🎜Seterusnya, kami memberikan beberapa contoh kod khusus untuk membantu anda lebih memahami cara menggunakan numpy. . 🎜

arr = np.array([1, 2, 3, 4, 5])
print(np.std(arr))    # 计算数组的标准差
print(np.var(arr))    # 计算数组的方差

🎜Output: 🎜

1.4142135623730951
2.0

🎜Artikel ini memperkenalkan fungsi biasa dan penggunaan perpustakaan numpy, dan memberikan beberapa contoh kod khusus untuk membantu semua orang memahami penggunaan numpy dengan lebih baik. Memandangkan kepentingan analisis data dan pengkomputeran saintifik terus meningkat dalam kehidupan seharian, ia juga telah mempromosikan penggunaan meluas perpustakaan numpy. Saya harap artikel ini dapat membantu semua orang menguasai penggunaan numpy dengan lebih baik, supaya dapat memproses dan menganalisis data dengan lebih cekap. 🎜

Atas ialah kandungan terperinci Ketahui cara menggunakan perpustakaan numpy untuk analisis data dan pengkomputeran saintifik. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!