Python Numpy Array 예제

Numpy Array의 사용에는 다음이 포함됩니다. 1. 배열을 만듭니다 (예 : 목록, 모든 0, 모든 것, 범위); 2. 모양 작동 (recape, transpose); 3. 벡터화 작업 (첨가, 빼기, 곱셈 및 분할, 방송, 수학적 함수); 4. 인덱싱 및 슬라이싱 (1 차원 및 2 차원 작업); 5. 통계 계산 (최대, 최소, 평균, 표준 편차, 합계 및 축 연산); 이러한 작업은 효율적이며 루프가 필요하지 않으며 대규모 수치 계산에 적합합니다. 마지막으로, 당신은 더 많은 연습을해야합니다.

Numpy는 과학 컴퓨팅에 Python에서 사용되는 핵심 라이브러리이며, 특히 다차원 배열 및 매트릭스 작업을 처리하는 데 능숙합니다. 다음은 Numpy Array ( ndarray )를 사용하는 방법을 보여주는 몇 가지 일반적인 예입니다.

1. 기본적인 Numpy 배열을 만듭니다

 Numpy를 NP로 가져옵니다

# 목록에서 1 차원 배열 생성 arr1 = np.array ([1, 2, 3, 4])
print ( "1 차원 배열 :", arr1) # [1 2 3 4]

# 2 차원 배열 생성 arr2 = np.array ([[1, 2], [3, 4]]).
print ( "2d 어레이 : \ n", arr2)
# [[1 2]
# [3 4]]

# Zeros Zeros Zeros의 배열 생성 = np.zeros ((2, 3)).
print ( "2x3 Zero 배열 : \ n", 0)

# 전체 배열 생성 = np.ones ((3, 2))
print ( "3x2 배열 : \ n", Ones)

# 범위 배열 생성 (범위와 유사하지만 배열을 반환)
range_arr = np.arange (0, 10, 2)
print ( "스텝 크기가 2 인 범위의 배열 :", Range_arr) # [0 2 4 6 8]

2. 공통 어레이 작업

 # 배열 모양 작동 a = np.array ([[1, 2, 3], [4, 5, 6]))
print ( "원래 모양 :", a.shape) # (2, 3)

# 재구성
b = a.reshape (3, 2)
print ( "3x2 : \ n으로 다시 선택하십시오", b)

# 배열 인쇄 ( "전환 : \ n", at)
# [[1 4]
# [2 5]
# [3 6]]

3. 배열 작동 (벡터화 된 작동)

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

# 요소 레벨 추가, 뺄셈, 곱셈 및 분할 인쇄 ( "첨가 :", XY) # [5 7 9]
print ( "배수 :", x * y) # [4 10 18]

# 방송 메커니즘 (다른 모양뿐만 아니라 계산할 수 있음)
스칼라 = 2
인쇄 ( "스칼라 곱하기 :", x * 스칼라) # [2 4 6]

# 수학적 함수 print ( "제곱근 :", np.sqrt (x)) # [1. 1.41421356 1.73205081]
print ( "지수 :", np.exp (x)) # [2.71828183 7.3890561 20.08553692]

4. 인덱싱 및 슬라이스

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

# 기본 색인 인쇄 ( "2 차 요소 :", 데이터 [1]) # 20

# 슬라이스 : [시작 : 중지 : 단계]
print ( "처음 3 가지 요소 :", data [: 3]) # [10 20 30]

# 2d 배열 인덱스 매트릭스 = np.array ([[1, 2, 3], [4, 5, 6], [7, 8, 9]))
print ( "라인 2, 열 3 :", 매트릭스 [1, 2]) # 6
print ( "1 행 1 모든 요소 :", matrix [0, :]) # [1 2 3]
print ( "열 2 모든 요소 :", matrix [:, 1]) # [2 5 8]

5. 일반적인 통계 작업

 값 = np.array ([1, 5, 3, 9, 2])

print ( "maximum :", values.max ()) # 9
print ( "min :", values.min ()) # 1
print ( "평균 :", values.mean ()) # 4.0
print ( "표준 편차 :", values.std ()) # 약 2.828
print ( "sum :", values.sum ()) # 20

# 축을 따라 작동합니다 (2 차원 배열의 경우)
matrix = np.array ([[1, 2], [3, 4]])
print ( "각 열의 합 :", matrix.sum (axis = 0)) # [4 6]
print ( "각 줄의 합 :", matrix.sum (axis = 1)) # [3 7]

기본적으로 이러한 일반적인 작업. Numpy의 array Python Native 목록보다 더 빠르고 메모리 절약형이며 특히 많은 양의 수치 데이터를 처리하는 데 적합합니다. 처음 사용할 때를 기억하십시오.

• np.array() 로 생성
• 벡터화 된 작업 지원 (루프 작성 필요 없음)
• 인덱스는 슬라이스 및 목록과 유사하지만 더 강력합니다.

몇 번 더 연습 한 후에 익숙해 지십시오.

위 내용은 Python Numpy Array 예제의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!