Exemple de tableau Python Numpy

L'utilisation de tableaux Numpy comprend: 1. Créer un tableau (comme à partir d'une liste, tous les zéros, tous ceux et les plages); 2. Opérations de forme (remodeler, transposer); 3. Opérations de vectorisation (addition, soustraction, multiplication et division, diffusion, fonctions mathématiques); 4. Indexation et tranchage (opérations unidimensionnelles et bidimensionnelles); 5. Calculs statistiques (maximum, minimum, moyenne, écart type, sommation et opérations axiales); Ces opérations sont efficaces et ne nécessitent pas de boucles et conviennent aux calculs numériques à grande échelle. Enfin, vous devez pratiquer davantage.

Numpy est la bibliothèque de base utilisée dans Python pour l'informatique scientifique, et est particulièrement bon pour gérer les tableaux multidimensionnels et les opérations de matrice. Voici quelques exemples courants pour montrer comment utiliser des tableaux Numpy ( ndarray ).

1. Créez un tableau Numpy de base

 Importer Numpy comme NP

# Créez un tableau unidimensionnel à partir d'une liste arr1 = np.array ([1, 2, 3, 4])
Print ("Array unidimensionnel:", Arr1) # [1 2 3 4]

# Créez un tableau bidimensionnel Arr2 = np.array ([[1, 2], [3, 4]])
print ("Array 2D: \ n", arr2)
# [[1 2]
# [3 4]]

# Créer un tableau de Zeros Zeros Zeros = np.zeros ((2, 3))
Print ("2x3 Zero Array: \ n", Zeros)

# Créer un tableau complet = np.ones ((3, 2))
print ("3x2 un tableau: \ n", un)

# Créer un tableau de plage (similaire à la plage, mais renvoie le tableau)
range_arr = np.arange (0, 10, 2)
print ("tableau de plage avec une taille de pas de 2:", range_arr) # [0 2 4 6 8]

2. Opérations de réseau communes

 # Fonctionnement de la forme du tableau a = np.array ([[1, 2, 3], [4, 5, 6]])
Imprimer ("Forme d'origine:", A.Shape) # (2, 3)

# Remodeler
b = A.Reshape (3, 2)
Print ("Reshape à 3x2: \ n", b)

# TRANSPOSE TABLE Impression ("Transpose: \ n", AT)
# [[1 4]
# [2 5]
# [3 6]]

3. Fonctionnement du tableau (opération vectorisée)

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

# Ajout de niveau d'élément, soustraction, multiplication et imprimé de division ("Addition:", xy) # [5 7 9]
print ("multiple:", x * y) # [4 10 18]

# Mécanisme de diffusion (peut être calculé ainsi que différentes formes)
scalaire = 2
print ("Multiply par Scalar:", x * Scalar) # [2 4 6]

# Print de fonction mathématique ("Square Root:", np.sqrt (x)) # [1. 1.41421356 1.73205081]
print ("Exposant:", np.exp (x)) # [2.71828183 7.3890561 20.08553692]

4. Indexation et tranchage

 données = np.array ([10, 20, 30, 40, 50])

# Basic Index Print ("2ème élément:", données [1]) # 20

# Slice: [Début: arrêt: étape]
print ("3 premiers éléments:", data [: 3]) # [10 20 30]

# 2D Matrix d'index de tableau = NP.Array ([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
Imprimer ("Ligne 2, colonne 3:", matrice [1, 2]) # 6
print ("Ligne 1 Tous les éléments:", matrice [0 ,:]) # [1 2 3]
print ("Colonne 2 Tous les éléments:", matrice [:, 1]) # [2 5 8]

5. Opérations statistiques communes

 valeurs = np.array ([1, 5, 3, 9, 2])

print ("maximum:", valeurs.max ()) # 9
print ("min:", valeurs.min ()) # 1
print ("moyen:", valeurs.mean ()) # 4.0
print ("écart-type:", valeurs.std ()) # environ 2,828
print ("sum:", valeurs.sum ()) # 20

# Opérez le long de l'axe (pour les tableaux bidimensionnels)
matrice = np.array ([[1, 2], [3, 4]])
print ("somme de chaque colonne:", matrix.sum (axe = 0)) # [4 6]
print ("somme de chaque ligne:", matrix.sum (axe = 1)) # [3 7]

Fondamentalement, ces opérations communes. array de Numpy est plus rapide et plus économique que les listes natifs de Python, et convient particulièrement pour le traitement de grandes quantités de données numériques. N'oubliez pas lorsque vous l'utilisez pour la première fois:

• Créé avec np.array()
• Soutien des opérations vectorisées (pas besoin d'écrire des boucles)
• Les index sont similaires aux tranches et aux listes, mais plus puissants

Sachez-le après avoir pratiqué quelques fois de plus.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!