Eine kurze Einführung in häufig verwendete Funktionen in Numpy

Um den Satz häufig verwendeter Funktionen in Numpy schnell zu verstehen, sind spezifische Codebeispiele erforderlich.

Mit dem Aufkommen von Datenwissenschaft und maschinellem Lernen hat sich Numpy zu einer der am häufigsten verwendeten Bibliotheken für wissenschaftliches Rechnen in Python entwickelt. Numpy bietet nicht nur leistungsstarke mehrdimensionale Array-Objekte, sondern auch eine Vielzahl von Funktionen, mit denen mathematische Operationen, Array-Operationen, statistische Analysen, lineare Algebra und andere Operationen ausgeführt werden können.

Um die Sammlung häufig verwendeter Funktionen in Numpy schnell zu verstehen, werden im Folgenden einige häufig verwendete Funktionen vorgestellt und spezifische Codebeispiele bereitgestellt.

1. Arrays erstellen

numpy bietet verschiedene Funktionen zum Erstellen von Arrays, einschließlich der Konvertierung von Listen in Arrays, der Generierung arithmetischer Folgen oder Zufallszahlen usw.

import numpy as np

array1 = np.array([1, 2, 3, 4, 5])  # 将列表转换为数组
print(array1)

array2 = np.arange(1, 10, 2)  # 生成等差数列，起始值为1，结束值为10，步长为2
print(array2)

array3 = np.random.random((2, 3))  # 生成2行3列的随机数数组
print(array3)

2. Array-Operationen

numpy bietet eine Vielzahl mathematischer Operationsfunktionen, einschließlich Addition, Subtraktion, Multiplikation und Division, Exponenten, Logarithmen, trigonometrische Funktionen usw.

import numpy as np

array1 = np.array([1, 2, 3, 4, 5])
array2 = np.array([6, 7, 8, 9, 10])

array_sum = np.add(array1, array2)  # 数组相加
print(array_sum)

array_diff = np.subtract(array1, array2)  # 数组相减
print(array_diff)

array_mult = np.multiply(array1, array2)  # 数组相乘
print(array_mult)

array_div = np.divide(array1, array2)  # 数组相除
print(array_div)

array_exp = np.exp(array1)  # 数组指数
print(array_exp)

array_log = np.log(array1)  # 数组对数
print(array_log)

array_sin = np.sin(array1)  # 数组正弦值
print(array_sin)

3. Array-Operationen

numpy bietet eine Vielzahl von Funktionen für die Bearbeitung von Arrays, einschließlich Array-Formtransformation, Array-Spleißen, Array-Slicing usw.

import numpy as np

array1 = np.array([[1, 2, 3], [4, 5, 6]])
array2 = np.array([[7, 8, 9], [10, 11, 12]])

array_transpose = np.transpose(array1)  # 数组转置
print(array_transpose)

array_concatenate = np.concatenate((array1, array2), axis=0)  # 数组垂直拼接
print(array_concatenate)

array_slice = array1[0:2, 1:3]  # 数组切片
print(array_slice)

4. Statistische Analyse

numpy bietet eine Vielzahl von Funktionen für die statistische Analyse, einschließlich Summe, Durchschnitt, Varianz und Standardabweichung usw.

import numpy as np

array1 = np.array([1, 2, 3, 4, 5])

array_sum = np.sum(array1)  # 数组元素求和
print(array_sum)

array_mean = np.mean(array1)  # 数组元素求平均值
print(array_mean)

array_std = np.std(array1)  # 数组元素求标准差
print(array_std)

5. Lineare Algebra

numpy bietet einen umfangreichen Satz linearer Algebrafunktionen, die Operationen wie Matrixmultiplikation, Matrixinversion und Matrixeigenwerte ausführen können.

import numpy as np

matrix1 = np.array([[1, 2], [3, 4]])
matrix2 = np.array([[5, 6], [7, 8]])

matrix_dot = np.dot(matrix1, matrix2)  # 矩阵相乘
print(matrix_dot)

matrix_inv = np.linalg.inv(matrix1)  # 求矩阵的逆
print(matrix_inv)

matrix_eigen = np.linalg.eig(matrix1)  # 求矩阵的特征值
print(matrix_eigen)

Das Obige sind Codebeispiele für häufig verwendete Funktionssammlungen in Numpy. Durch das Verständnis dieser Funktionen können wir Berechnungen wie Array-Operationen, mathematische Operationen, statistische Analysen und lineare Algebra flexibler durchführen. Ich hoffe, dass dieser Artikel den Lesern helfen kann, die allgemeinen Funktionen von Numpy besser zu verstehen.

Das obige ist der detaillierte Inhalt vonEine kurze Einführung in häufig verwendete Funktionen in Numpy. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!