Une introduction rapide aux fonctions couramment utilisées dans numpy

Comprenez rapidement l'ensemble des fonctions couramment utilisées dans numpy, des exemples de code spécifiques sont nécessaires

Avec l'essor de la science des données et de l'apprentissage automatique, numpy est devenue l'une des bibliothèques de calcul scientifique les plus couramment utilisées en Python. Numpy fournit non seulement de puissants objets de tableau multidimensionnels, mais fournit également un riche ensemble de fonctions capables d'effectuer des opérations mathématiques, des opérations de tableau, des analyses statistiques, de l'algèbre linéaire et d'autres opérations.

Afin de comprendre rapidement l'ensemble des fonctions couramment utilisées dans numpy, certaines fonctions couramment utilisées seront présentées ci-dessous et des exemples de code spécifiques seront fournis.

1. Créer des tableaux

numpy fournit différentes fonctions pour créer des tableaux, notamment la conversion de listes en tableaux, la génération de séquences arithmétiques ou de nombres aléatoires, etc.

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. Opérations sur les tableaux

numpy fournit une variété de fonctions d'opérations mathématiques, notamment l'addition, la soustraction, la multiplication et la division, les exposants, les logarithmes, les fonctions trigonométriques, etc.

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. Opérations sur les tableaux

numpy fournit une variété de fonctions pour opérer sur des tableaux, notamment la transformation de forme de tableau, l'épissage de tableau, le découpage de tableau, etc.

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. Analyse statistique

numpy fournit une variété de fonctions pour l'analyse statistique, notamment la somme, la moyenne, la variance et l'écart type, etc.

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. Algèbre linéaire

numpy fournit un riche ensemble de fonctions d'algèbre linéaire qui peuvent effectuer des opérations telles que la multiplication matricielle, l'inversion matricielle et les valeurs propres matricielles.

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)

Les exemples ci-dessus sont des exemples de code de collections de fonctions couramment utilisées dans numpy. En comprenant ces fonctions, nous pouvons effectuer des calculs tels que des opérations sur les réseaux, des opérations mathématiques, des analyses statistiques et de l'algèbre linéaire avec plus de flexibilité. J'espère que cet article pourra aider les lecteurs à mieux comprendre les fonctions courantes de numpy.

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!