Liste complète des fonctions numpy et leurs utilisations : explication détaillée de toutes les fonctions de la bibliothèque numpy

Encyclopédie des fonctions numpy : Explication détaillée de toutes les fonctions et de leurs utilisations dans la bibliothèque numpy, des exemples de code spécifiques sont requis

Introduction :
Dans les domaines de l'analyse de données et du calcul scientifique, des données numériques à grande échelle doivent souvent être traité. Numpy est la bibliothèque open source la plus couramment utilisée en Python, fournissant des objets de tableau multidimensionnels efficaces et une série de fonctions pour faire fonctionner les tableaux. Cet article présentera en détail toutes les fonctions de la bibliothèque numpy et leurs utilisations, et donnera des exemples de code spécifiques pour aider les lecteurs à mieux comprendre et utiliser la bibliothèque numpy.

1. Création et transformation de tableaux

1. np.array() : Créez un tableau et convertissez les données d'entrée en un objet ndarray.

import numpy as np

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

Le résultat de sortie est :

[1 2 3 4 5]

2. np.arange() : crée un tableau arithmétique.

import numpy as np

arr = np.arange(0, 10, 2)
print(arr)

Le résultat de sortie est :

[0 2 4 6 8]

3. np.zeros() : Créez un tableau dont tous les éléments sont 0.

import numpy as np

arr = np.zeros((2, 3))
print(arr)

Le résultat de sortie est :

[[0. 0. 0.]
 [0. 0. 0.]]

4. np.ones() : Créez un tableau dont tous les éléments sont égaux à 1.

import numpy as np

arr = np.ones((2, 3))
print(arr)

Le résultat de sortie est :

[[1. 1. 1.]
 [1. 1. 1.]]

5. np.linspace() : Créez un tableau équidistant.

import numpy as np

arr = np.linspace(0,1,5)
print(arr)

Le résultat de sortie est :

[0.   0.25 0.5  0.75 1.  ]

6. np.eye() : Créez une matrice avec une diagonale de 1.

import numpy as np

arr = np.eye(3)
print(arr)

Le résultat de sortie est :

[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

2. Opérations et opérations sur le tableau

1. Opérations sur la forme du tableau

• np.reshape() : Changez la forme du tableau.

import numpy as np

arr = np.arange(1, 10)
arr_reshape = np.reshape(arr, (3, 3))
print(arr_reshape)

Le résultat de sortie est :

[[1 2 3]
 [4 5 6]
 [7 8 9]]

• arr.flatten() : Convertit un tableau multidimensionnel en un tableau unidimensionnel.

import numpy as np

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

Le résultat de sortie est :

[1 2 3 4 5 6]

2. Opération sur les éléments du tableau

• np.sort() : Trier les éléments du tableau.

import numpy as np

arr = np.array([3, 1, 5, 2, 4])
arr_sorted = np.sort(arr)
print(arr_sorted)

Le résultat de sortie est :

[1 2 3 4 5]

• np.argmax() : renvoie l'index du plus grand élément du tableau.

import numpy as np

arr = np.array([3, 1, 5, 2, 4])
max_index = np.argmax(arr)
print(max_index)

Le résultat de sortie est :

2

3. Opérations sur les tableaux

• np.add() : ajoutez deux tableaux.

import numpy as np

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

Le résultat de sortie est :

[5 7 9]

• np.dot() : Multiplication de points de deux tableaux.

import numpy as np

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

Le résultat de sortie est :

32

3. Fonctions statistiques et fonctions d'algèbre linéaire

1. Fonctions statistiques

• np.mean() : Calculez la moyenne du tableau.

import numpy as np

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

Le résultat de sortie est :

3.0

• np.std() : Calculez l'écart type du tableau.

import numpy as np

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

Le résultat de sortie est :

1.4142135623730951

2. Fonction d'algèbre linéaire

• np.linalg.det() : Calcule le déterminant de la matrice.

import numpy as np

matrix = np.array([[1, 2], [3, 4]])
det = np.linalg.det(matrix)
print(det)

Le résultat de sortie est :

-2.0000000000000004

• np.linalg.inv() : Calcule la matrice inverse de la matrice.

import numpy as np

matrix = np.array([[1, 2], [3, 4]])
inv = np.linalg.inv(matrix)
print(inv)

Le résultat de sortie est :

[[-2.   1. ]
 [ 1.5 -0.5]]

4. Fonctions auxiliaires et fonctions générales

1. Fonctions auxiliaires

• np.loadtxt() : Charger des données à partir d'un fichier texte.

import numpy as np

arr = np.loadtxt('data.txt')
print(arr)

• np.savetxt() : Enregistrez les données dans un fichier texte.

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
np.savetxt('data.txt', arr)

2. Fonction universelle

• np.sin() : Calcule la valeur sinusoïdale des éléments du tableau.

import numpy as np

arr = np.array([0, np.pi / 2, np.pi])
sin_val = np.sin(arr)
print(sin_val)

Le résultat de sortie est :

[0.         1.         1.2246468e-16]

• np.exp() : Calcule la valeur de l'exposant des éléments du tableau.

import numpy as np

arr = np.array([1, 2, 3])
exp_val = np.exp(arr)
print(exp_val)

Le résultat de sortie est :

[ 2.71828183  7.3890561  20.08553692]

Cet article ne montre qu'une petite partie des fonctions de la bibliothèque numpy. numpy a des fonctions et des fonctions plus puissantes. J'espère que les lecteurs pourront utiliser de manière flexible les fonctions de la bibliothèque numpy dans la programmation réelle pour améliorer l'efficacité et la précision du traitement des données.

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!