Analisis mendalam tentang fungsi teras dan aplikasi perpustakaan fungsi numpy

Kajian mendalam tentang fungsi numpy: analisis fungsi teras perpustakaan numpy dan aplikasinya

Pengenalan:

NumPy (Numerical Python) ialah salah satu perpustakaan asas untuk pengkomputeran saintifik dalam Python, yang menyediakan pelbagai- objek tatasusunan dimensi (ndarray) dan satu siri fungsi matematik yang membolehkan kami melakukan pengiraan berangka yang pantas dan ringkas dalam Python. Artikel ini akan menyelidiki fungsi teras dan aplikasi perpustakaan NumPy, dan membantu pembaca lebih memahami dan menggunakan perpustakaan NumPy melalui contoh kod tertentu.

1. Pengenalan kepada perpustakaan NumPy:

NumPy ialah perpustakaan Python sumber terbuka Ia bukan sahaja menyediakan fungsi pengiraan tatasusunan yang cekap untuk Python, tetapi juga mempunyai sejumlah besar perpustakaan fungsi dan alat untuk menyelesaikan pengkomputeran saintifik, analisis data dan. pembelajaran mesin dalam bidang lain. Ciri paling penting NumPy ialah objek ndarray (tatasusunan N-dimensi), yang merupakan tatasusunan berbilang dimensi. Tatasusunan berbilang dimensi NumPy menyokong operasi peringkat elemen yang cekap, serta pengiraan berangka dan fungsi statistik pada keseluruhan tatasusunan.

2. Analisis fungsi teras:

1. numpy.array() fungsi:

numpy.array() fungsi digunakan untuk mencipta objek ndarray, yang boleh menerima senarai, tuple, tatasusunan atau objek lelaran lain sebagai input , tukarkannya kepada objek ndarray. Berikut ialah contoh mencipta objek ndarray:

import numpy as np

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

Hasil output ialah: [1 2 3 4 5]

2. numpy.shape() fungsi:

numpy.shape() fungsi digunakan untuk mendapatkan maklumat dimensi objek ndarray , mengembalikan tuple yang mengandungi saiz objek ndarray dalam setiap dimensi. Berikut ialah contoh mendapatkan maklumat dimensi objek ndarray:

import numpy as np

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

Hasil output ialah: (2, 3)

3. numpy.reshape() fungsi:

numpy.reshape() fungsi digunakan untuk menukar bentuk objek ndarray, Mengembalikan objek ndarray baharu, mengekalkan data asal. Berikut ialah contoh menukar bentuk objek ndarray:

import numpy as np

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

Hasil output ialah:

array([[1, 2],
       [3, 4],
       [5, 6]])

4. numpy.mean() fungsi:

numpy.mean() fungsi digunakan untuk mengira purata ndarray objek. Berikut ialah contoh purata:

import numpy as np

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

Hasil keluaran ialah: 3.0

5. numpy.max() fungsi dan numpy.min() fungsi:

numpy.max() fungsi digunakan untuk mengira maksimum Nilai objek ndarray, fungsi numpy.min() digunakan untuk mengira nilai minimum objek ndarray. Berikut ialah contoh mencari nilai maksimum dan minimum:

import numpy as np

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

Hasil keluaran ialah: 5 dan 1

3. Contoh aplikasi fungsi teras:

1. Pengindeksan dan penghirisan tatasusunan:

NumPy menyokong tatasusunan menggunakan subskrip Operasi pengindeksan dan penghirisan, berikut ialah contoh:

import numpy as np

a = np.array([1, 2, 3, 4, 5])
print(a[0])
print(a[1:4])

Hasil output ialah: 1 dan [2 3 4]

2. Operasi tatasusunan:

Salah satu fungsi teras NumPy ialah operasi tatasusunan, termasuk tahap elemen operasi dan operasi matriks menunggu. Berikut ialah contoh operasi peringkat elemen:

import numpy as np

a = np.array([1, 2, 3, 4, 5])
b = np.array([2, 4, 6, 8, 10])
c = a + b
print(c)

Hasil output ialah: [3 6 9 12 15]

3. Statistik tatasusunan:

NumPy menyediakan sejumlah besar fungsi statistik untuk analisis statistik tatasusunan. Berikut ialah contoh pengiraan min dan varians tatasusunan:

import numpy as np

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

Hasil keluaran ialah: 3.0 dan 2.0

Kesimpulan:

Melalui pengenalan artikel ini, kami mempunyai pemahaman yang lebih mendalam tentang fungsi teras Pustaka NumPy, termasuk penciptaan tatasusunan , transformasi bentuk, fungsi statistik, dsb. Pada masa yang sama, kami menunjukkan penggunaan fungsi ini melalui contoh kod tertentu. Saya harap artikel ini dapat membantu pembaca lebih memahami dan menggunakan perpustakaan NumPy serta memainkan peranan dalam pengkomputeran saintifik dan analisis data yang sebenar.

Atas ialah kandungan terperinci Analisis mendalam tentang fungsi teras dan aplikasi perpustakaan fungsi numpy. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!