Umfassende Sammlung häufig verwendeter Funktionen in der Numpy-Bibliothek: Erschließung effizienter wissenschaftlicher Rechentechniken

Umfassende Liste häufig verwendeter Funktionen in der Numpy-Bibliothek: Erschließung effizienter wissenschaftlicher Rechenfähigkeiten

Für wissenschaftliches Rechnen in Python ist die Numpy-Bibliothek ein unverzichtbares Werkzeug. Sie bietet eine Vielzahl leistungsstarker Funktionen und anderer praktischer Tools. Um den Lesern zu helfen, die Numpy-Bibliothek besser zu nutzen, werden in diesem Artikel einige häufig verwendete Numpy-Funktionen sowie deren Verwendung und Beispiele vorgestellt.

1. Arrays erstellen

• np.array(): Arrays aus Python-Listen und Tupeln erstellen.
• np.zeros(): Erstellt ein Array aller Nullen.
• np.ones(): Erstellt ein Array aller Einsen.
• np.full(): Erstellt ein Array beliebiger Werte.
• np.arange(): Erstellt ein Array ähnlich der Python-Range-Funktion.
• np.linspace(): Erstellt ein Array innerhalb des angegebenen Intervalls.

Beispiel:

import numpy as np

# 从 Python 列表和元组创建数组
arr1 = np.array([1, 2, 3, 4, 5])
arr2 = np.array((1, 2, 3))

# 创建全 0 数组
zeros_arr = np.zeros((2, 3))

# 创建全 1 数组
ones_arr = np.ones((2, 3))

# 创建一个任意值的数组
full_arr = np.full((2, 3), 4)

# 创建一个类似于 Python range 函数的数组
range_arr = np.arange(0, 10, 2)

# 创建一个在指定间隔内的数组
linspace_arr = np.linspace(0, 1, 5)

2. Grundlegende mathematische Funktionen

• np.add(): Addition von zwei Arrays.
• np.subtract(): Subtraktion zweier Arrays.
• np.multiply(): Multiplikation zweier Arrays.
• np.divide(): Division zweier Arrays.
• np.power(): Berechnet eine Reihe von Zahlen, die auf die angegebene Potenz erhöht sind.
• np.sqrt(): Finden Sie die Quadratwurzel jedes Elements.

Beispiel:

import numpy as np

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

# 两个数组的加法
add_arr = np.add(arr1, arr2)

# 两个数组的减法
sub_arr = np.subtract(arr1, arr2)

# 两个数组的乘法
mul_arr = np.multiply(arr1, arr2)

# 两个数组的除法
div_arr = np.divide(arr1, arr2)

# 将一组数按照指定的次数幂进行计算
power_arr = np.power(arr1, 2)

# 对每个元素求开方
sqrt_arr = np.sqrt(arr2)

3. Array-Operationen

• np.transpose(): Vertauschen Sie die Achsen des Arrays.
• np.reshape(): Definieren Sie die Array-Form neu.
• np.concatenate(): Mehrere Arrays verketten.
• np.split(): Teilen Sie ein Array in mehrere Arrays auf.
• np.sort(): Sortieren Sie das Array gemäß den angegebenen Anforderungen.

Beispiel:

import numpy as np

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

# 交换数组的轴
transpose_arr = np.transpose(arr)

# 重新定义数组形状
reshape_arr = np.reshape(arr, (2, 3))

# 对多个数组进行拼接
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
concat_arr = np.concatenate((arr1, arr2), axis=0)

# 将一个数组分裂成多个数组
split_arr = np.split(concat_arr, 2)

# 按照指定要求进行数组排序
sort_arr = np.sort(arr1)

4. Statistische Funktion

• np.sum(): Summenberechnung für Arrays durchführen.
• np.mean(): Berechnen Sie den Durchschnitt eines Arrays.
• np.std(): Berechnen Sie die Standardabweichung eines Arrays.
• np.var(): Berechnet die Varianz des Arrays.
• np.max(): Berechnen Sie den Maximalwert eines Arrays.
• np.min(): Berechnen Sie den Mindestwert eines Arrays.

Beispiel:

import numpy as np

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

# 对数组进行求和计算
sum_arr = np.sum(arr)

# 对数组进行求平均数计算
mean_arr = np.mean(arr)

# 对数组进行求标准差计算
std_arr = np.std(arr)

# 对数组进行求方差计算
var_arr = np.var(arr)

# 对数组进行求最大值计算
max_arr = np.max(arr)

# 对数组进行求最小值计算
min_arr = np.min(arr)

Zusammenfassung

Die Numpy-Bibliothek bietet sehr leistungsstarke Werkzeugfunktionen, mit denen Sie verschiedene wissenschaftliche Rechenaufgaben schnell und effizient erledigen können. In diesem Artikel werden einige häufig verwendete Funktionen und deren Verwendung vorgestellt, darunter das Erstellen von Arrays, grundlegende mathematische Funktionen, Array-Operationen, statistische Funktionen usw. Wir hoffen, dass die Leser die Verwendung dieser Funktionen beherrschen und die Arbeitseffizienz im eigentlichen wissenschaftlichen Berechnungsprozess verbessern können.

Das obige ist der detaillierte Inhalt vonUmfassende Sammlung häufig verwendeter Funktionen in der Numpy-Bibliothek: Erschließung effizienter wissenschaftlicher Rechentechniken. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!