完整解析NumPy函數指南

NumPy（Numerical Python）是一個開源的Python科學計算函式庫，提供了多維數組物件和對陣列進行操作的工具。它是Python數據科學生態系統的核心庫之一，被廣泛用於科學計算、數據分析和機器學習等領域。本文將逐一解析NumPy庫中的常用函數，包括數組創建、數組操作、數學函數、統計函數和線性代數等方面，並提供具體的程式碼範例。

1. 陣列建立
   NumPy提供了多種建立陣列的方法，可以透過指定維度、資料類型以及初始化值等方式來建立陣列。常用的函數有：

1.1 numpy.array()：從列表或元組建立陣列。

import numpy as np

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

# 输出：[1 2 3 4 5]

1.2 numpy.zeros()：建立指定維度的全零數組。

import numpy as np

arr = np.zeros((3, 4))
print(arr)

"""
输出：
[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]
"""

1.3 numpy.ones()：建立指定維度的全一陣列。

import numpy as np

arr = np.ones((2, 3))
print(arr)

"""
输出：
[[1. 1. 1.]
 [1. 1. 1.]]
"""

1.4 numpy.arange()：建立等差數組。

import numpy as np

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

# 输出：[0 2 4 6 8]

2. 陣列操作
   NumPy提供了許多陣列操作的函數，包括形狀操作、索引和切片、擴展和堆疊以及陣列轉置等。常用的函數有：

2.1 reshape()：改變陣列的形狀。

import numpy as np

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

"""
输出：
[[1 2]
 [3 4]
 [5 6]]
"""

2.2 indexing和slicing：透過索引和切片操作數組。

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
print(arr[2])       # 输出：3
print(arr[1:4])     # 输出：[2 3 4]
print(arr[:3])      # 输出：[1 2 3]
print(arr[-3:])     # 输出：[3 4 5]

2.3 concatenate()：將兩個或多個陣列進行拼接。

import numpy as np

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
arr = np.concatenate((arr1, arr2))
print(arr)

# 输出：[1 2 3 4 5 6]

2.4 transpose()：對陣列進行轉置。

import numpy as np

arr = np.array([[1, 2], [3, 4]])
new_arr = np.transpose(arr)
print(new_arr)

"""
输出：
[[1 3]
 [2 4]]
"""

3. 數學函數
   NumPy提供了豐富的數學函數，如數值運算、三角函數、對數函數、指數函數等。常用的函數有：

3.1 np.mean()：計算陣列的平均值。

import numpy as np

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

# 输出：3.0

3.2 np.sin()：計算陣列元素的正弦值。

import numpy as np

arr = np.array([0, np.pi/2, np.pi])
sin = np.sin(arr)
print(sin)

# 输出：[0.         1.         1.2246468e-16]

3.3 np.exp()：對陣列元素進行指數運算。

import numpy as np

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

# 输出：[ 2.71828183  7.3890561  20.08553692]

4. 統計函數
   NumPy提供了常用的統計函數，包括最大值、最小值、中位數、變異數和標準差等。常用的函數有：

4.1 np.max()：計算陣列的最大值。

import numpy as np

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

# 输出：5

4.2 np.min()：計算陣列的最小值。

import numpy as np

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

# 输出：1

4.3 np.median()：計算陣列的中位數。

import numpy as np

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

# 输出：3.0

4.4 np.var()：計算陣列的變異數。

import numpy as np

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

# 输出：2.0

5. 線性代數
   NumPy提供了基本的線性代數運算函數，如矩陣乘法、矩陣求逆、矩陣行列式等。常用的函數有：

5.1 np.dot()：計算兩個陣列的點積。

import numpy as np

arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])
dot_product = np.dot(arr1, arr2)
print(dot_product)

"""
输出：
[[19 22]
 [43 50]]
"""

5.2 np.linalg.inv()：計算矩陣的逆。

import numpy as np

arr = np.array([[1, 2], [3, 4]])
inverse = np.linalg.inv(arr)
print(inverse)

"""
输出：
[[-2.   1. ]
 [ 1.5 -0.5]]
"""

以上只是NumPy函式庫中函數的一部分，透過了解這些常用函數的使用方法，我們能更有效率地使用NumPy進行陣列運算、數學運算、統計分析和線性代數等計算任務。同時，透過深入學習NumPy庫的相關文檔，我們可以發現更多強大的函數和功能，為我們的科學計算工作提供強大的支援。

以上是完整解析NumPy函數指南的詳細內容。更多資訊請關注PHP中文網其他相關文章！