Mit dem Aufkommen des Informationszeitalters sind Datenanalyse und wissenschaftliches Rechnen zu einem wichtigen Bestandteil in immer mehr Bereichen geworden. Dabei ist der Einsatz von Computern zur Datenverarbeitung und -analyse zu einem unverzichtbaren Werkzeug geworden. In Python ist die Numpy-Bibliothek ein sehr wichtiges Werkzeug, das es uns ermöglicht, Daten effizienter zu verarbeiten und zu analysieren und schneller Ergebnisse zu erhalten. In diesem Artikel werden die allgemeinen Funktionen und die Verwendung von numpy vorgestellt und einige spezifische Codebeispiele gegeben, die Ihnen beim tieferen Erlernen helfen.
Bevor wir beginnen, müssen wir zuerst die Numpy-Bibliothek installieren. Geben Sie einfach den folgenden Befehl in die Befehlszeile ein:
!pip install numpy
Nachdem die Installation abgeschlossen ist, müssen wir die Numpy-Bibliothek im Programm aufrufen. Sie können die folgende Anweisung verwenden:
import numpy as np
Hier verwenden wir den Befehl import, um die Numpy-Bibliothek in das Programm einzuführen, und verwenden den Alias np, um den Namen von zu ersetzen die Bibliothek. Dieser Alias kann je nach persönlichen Vorlieben geändert werden. 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。
numpy库是一款专门用于科学计算的库，具有以下特点：
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]
Die Numpy-Bibliothek ist eine Bibliothek, die speziell für wissenschaftliches Rechnen verwendet wird und die folgenden Eigenschaften aufweist:
Hochleistungsfähige mehrdimensionale Array-Berechnungen
Paar-Arrays Führen Sie schnelle mathematische Operationen und logische Operationen aus.
Eine große Anzahl mathematischer Funktionsbibliotheken und Matrixberechnungsbibliotheken.
Tools zum Lesen und Schreiben von Festplattendateien.
2.1 Numpy-Array erstellen
Eine der wichtigsten Funktionen von Numpy ist das Erstellen von Arrays. Der einfachste Weg, ein Array zu erstellen, ist die Verwendung der Funktion np.array(). Zum Beispiel:
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
Diese Codezeile erstellt ein eindimensionales Array mit den Werten [1, 2, 3].
Wir können auch mehrdimensionale Arrays erstellen, zum Beispiel:
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
[1,2,3] und [ 4,5,6] s zweidimensionales Array. Sie können auch einige voreingestellte Funktionen verwenden, um Arrays zu erstellen, wie zum Beispiel: 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 Indizierung und Slicing von Arrays
Durch Indizierung und Slicing können wir auf Numpy-Arrays zugreifen und diese ändern. Für eindimensionale Arrays können wir die folgenden Methoden für den Zugriff verwenden:
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
Für mehrdimensionale Arrays können wir die folgenden Methoden für den Zugriff verwenden:
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 Array-Operationen
numpy bietet eine Vielzahl von Array-Operationsmethoden. Zu diesen Operationen gehören insbesondere Addition, Subtraktion, Multiplikation, Division, Durchschnitt, Varianz, Standardabweichung, Skalarprodukt und mehr.
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 Array-Formtransformation
Manchmal müssen wir das Numpy-Array formen. Numpy stellt hierfür viele praktische Tools zur Verfügung.
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 Matrixberechnung
🎜numpy bietet auch eine große Anzahl von Matrixberechnungstools, wie Skalarprodukte und Transformationen. 🎜[[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
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
1.4142135623730951 2.0
arr1 = np.array([[1, 2], [3, 4]]) arr2 = np.array([[5, 6], [7, 8]]) mat1 = np.mat(arr1) # 将数组转换成矩阵 mat2 = np.mat(arr2) print(mat1 * mat2) # 计算矩阵点积
[[19 22] [43 50]]
Das obige ist der detaillierte Inhalt vonErfahren Sie, wie Sie die Numpy-Bibliothek für Datenanalyse und wissenschaftliches Rechnen verwenden. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
![[Web-Frontend] Node.js-Schnellstart](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
