Meneroka Fungsi NumPy: Panduan Komprehensif

Pemahaman mendalam tentang fungsi NumPy: Panduan lengkap

Pengenalan:
NumPy (Numerical Python) ialah perpustakaan asas untuk pengkomputeran saintifik dalam Python. Ia menyediakan operasi yang cekap dan keupayaan pengkomputeran untuk tatasusunan berbilang dimensi, menjadikan pemprosesan data berskala besar lebih mudah dan lebih cekap. Artikel ini akan memperkenalkan penggunaan fungsi NumPy secara mendalam dan menyediakan contoh kod khusus untuk membantu pembaca lebih memahami dan menguasai fungsi dan penggunaan fungsi NumPy.

1. Pengenalan kepada NumPy
NumPy ialah salah satu perpustakaan asas untuk pengkomputeran saintifik dalam Python Ia menyediakan operasi yang cekap dan keupayaan pengkomputeran untuk tatasusunan berbilang dimensi. Teras NumPy ialah objek ndarray (tatasusunan N-dimensi), yang merupakan tatasusunan berbilang dimensi yang boleh menyimpan jenis data yang sama. Menggunakan NumPy, kami boleh melakukan operasi matriks secara langsung tanpa menulis gelung, sekali gus meningkatkan kecekapan operasi.

2. Penggunaan asas fungsi NumPy

1. Mencipta ndarray
   Menggunakan fungsi NumPy boleh mencipta ndarray dengan mudah. Pertama, kita perlu mengimport perpustakaan NumPy:

import numpy as np

Seterusnya, kita boleh mencipta ndarray menggunakan fungsi yang disediakan oleh NumPy. Sebagai contoh, kita boleh menggunakan fungsi numpy.array() untuk mencipta tatasusunan satu dimensi: numpy.array()函数创建一个一维数组：

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

输出结果为：[1 2 3 4 5]

除了使用numpy.array()函数，还可以使用其他一些NumPy函数来创建不同类型的数组，如numpy.zeros()、numpy.ones()、numpy.arange()等。下面是一些常用的创建ndarray的函数及其示例代码：

• 使用numpy.zeros()创建一个全零数组：

a = np.zeros((2, 3))
print(a)

输出结果为：

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

• 使用numpy.ones()创建一个全一数组：

a = np.ones((3, 4))
print(a)

输出结果为：

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

• 使用numpy.arange()

  a = np.arange(0, 10, 2)
  print(a)

Hasil output ialah: [1 2 3 4 5]

Selain menggunakan numpy.array() , anda juga boleh menggunakan beberapa fungsi NumPy lain untuk mencipta tatasusunan jenis yang berbeza, seperti numpy.zeros(), numpy.ones( ), numpy.arange()dsb. Berikut ialah beberapa fungsi yang biasa digunakan untuk mencipta ndarray dan kod sampelnya:

2. Gunakan numpy.zeros() untuk mencipta tatasusunan semua sifar:
   

a = np.array([1, 2, 3, 4, 5])
print(a[0])  # 输出第一个元素
print(a[1:4])  # 输出第2到第4个元素（不包括第4个元素）

Hasil output ialah:

1
[2 3 4]

• 
  Gunakan numpy.ones() mencipta tatasusunan kesemuanya:

a = np.arange(10)
print(a)
b = np.reshape(a, (2, 5))
print(b)

Hasil output ialah:

[0 1 2 3 4 5 6 7 8 9]
[[0 1 2 3 4]
 [5 6 7 8 9]]

• Gunakan numpy.arange() untuk mencipta tatasusunan jujukan aritmetik:
  

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

Hasil keluaran ialah: [0 2 4 6 8]

Operasi asas tatasusunan
• NumPy menyediakan pelbagai fungsi operasi tatasusunan, termasuk pengindeksan, penghirisan, transformasi bentuk dan lain-lain, penggabungan . Berikut ialah beberapa fungsi operasi tatasusunan yang biasa digunakan dan kod sampelnya:
  

Pengindeksan dan penghirisan tatasusunan:

Anda boleh mengakses elemen tatasusunan melalui pengindeksan dan penghirisan.

3. a = np.array([1, 2, 3])
   b = np.array([4, 5, 6])
   c = a + b  # 数组相加
   print(c)

   
   Hasil keluarannya ialah:

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
c = np.dot(a, b)  # 矩阵乘法
print(c)

Tukar bentuk tatasusunan:
• Anda boleh menggunakan fungsi bentuk semula dan fungsi ubah saiz untuk menukar bentuk tatasusunan.
  

[[19 22]
 [43 50]]

Hasil keluarannya ialah:

a = np.array([True, True, False, False])
b = np.array([True, False, True, False])
c = np.logical_and(a, b)  # 逻辑与
print(c)

Penggabungan tatasusunan:
• Anda boleh menggunakan fungsi gabungan dan fungsi tindanan untuk menggabungkan berbilang tatasusunan.
  
rrreee

Hasil output ialah: [1 2 3 4 5 6]

Operasi tatasusunan
• NumPy menyediakan banyak fungsi untuk operasi tatasusunan, termasuk operasi asas tambah, tolak, darab dan bahagi, serta operasi matriks, operasi logik , dsb. Berikut ialah pengenalan ringkas kepada beberapa fungsi operasi tatasusunan yang biasa digunakan dan kod sampelnya:
  

Operasi asas:

Tatasusunan dalam NumPy menyokong operasi asas matematik, seperti penambahan, penolakan, pendaraban, pembahagian, dsb.

rrreee

Hasil output ialah: [5 7 9]🎜🎜🎜Operasi matriks: 🎜NumPy menyediakan banyak fungsi operasi matriks, seperti pendaraban matriks, transpos matriks, dsb. 🎜🎜rrreee🎜Hasil output ialah: 🎜rrreee🎜🎜Operasi logik: 🎜 Tatasusunan dalam NumPy juga menyokong operasi logik, seperti DAN, ATAU, BUKAN, dsb. 🎜🎜rrreee🎜Hasil output ialah: [True False False False]🎜🎜Kesimpulan: 🎜Artikel ini memberikan pengenalan mendalam kepada penggunaan fungsi NumPy dan menyediakan contoh kod khusus. Diharapkan para pembaca dapat menguasai penggunaan fungsi NumPy dengan lebih baik melalui kajian artikel ini dan seterusnya meningkatkan kecekapan pengkomputeran saintifik. Sudah tentu, fungsi fungsi NumPy adalah lebih daripada ini. Pembaca juga boleh belajar dan meneroka lebih lanjut melalui dokumen rasmi dan sumber pembelajaran lain. 🎜

Atas ialah kandungan terperinci Meneroka Fungsi NumPy: Panduan Komprehensif. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!