NumPy. Arbeiten mit Arrays und Matrizen


Bibliothek NumP

NumP - Ja. Eine Open Source-Bibliothek für die Programmiersprache Python, in der eine Vielzahl von Operationen durchgeführt wurden, um Vektoren, Matrizen und Massen zu behandeln.

Die mathematischen Algorithmen in den verschiedenen Sprachen (z.B. Python) arbeiten oft viel langsamer als die gleichen Algorithmen in kompilierten Sprachen (z.B. Fortran, C, Java). Bibliothek NumP Bietet Rechenalgorithmen (als Funktionen und Operatoren) optimiert für mehrdimensionale Arbeit.
Dadurch kann jeder Algorithmus, der in Form einer Abfolge von Operationen über die Masse(n) ausgedrückt werden kann und mit NumPEs funktioniert schnell genug.

NumP (Fishing Pitton) ist die Hauptbibliothek für die Datenverwaltung♪ Die Bibliothek steht im Zentrum anderer Bibliotheken, um sich mit den Aufgaben des maschinellen Lernens oder der Datenanalyse zu befassen (z. Pandas (Tabellen) SciP (Verfahren der Optimierung und wissenschaftlichen Berechnungen), Matplotlib(Scheduling)

Arbeit mit NumPy

Um mit der Bibliothek zu beginnen, sollte sie zu Beginn des Programms importiert werden, wie jede andere Bibliothek, 
Einfuhr
oder so (was häufiger verwendet wird) 
Import numping als np



NumP

Sektor (oder Masse) in NumPy ist ein geordneter Satz von einheitlichen Daten.

Das Vektorelement kann, wie auf den Listen ausgeführt, auf seinen Index bezogen werden. Jedes Element des Vektors hat eine bestimmte Stelle, die bei der Erstellung zugeordnet werden soll.
Alle Komponenten des Vektors haben die gleiche Art von Daten (in♪ Streifen♪ Bor usw.).

Aufbau eines Vektors
Um einen Vektor zu erstellen, müssen Sie den Designer verwenden. numpy.array (terminiertes Objekt).
Die Klammern geben jedes verlorene Objekt an: cortege, list, range(s) et al.
Beispiel
Import numping als np
Import numping als np
print(np.array((1,2,3,4,5)) # Vektor von cortage
print(np.array([1,2,3,4,5]) # Vektor aus der Liste
print(np.array(range(5)) # Vektor aus dem Generator

Training problem

NumPy. Einführung

Arbeiten mit Vektorelementen

Die Arbeit mit den Vektorkomponenten ist die gleiche wie die der Liste, die Elemente auf ihrem Index können ebenso behandelt werden wie Schnitte.

Beispiel
1
2
3
ANHANG
5.
6
7
Import numping als np

V = np.array(1,2,3.4)
Print(V[0) #1
Print(V1) # 4
Druck(V1:2) # [2]
Druck (V[:2]) # [1 3]

Training problem

Arbeiten mit Vektorelementen

ausgewählte Vektorelemente
Für die Probe der Vektorelemente kann ein Vektor mit logischen Werten (Expressionen) verwendet werden. Die Elemente des Vektors werden ausgewählt True im Vektor mit logischen Werten.

Beispiel
Import numping als np

V = np.array([1,-2,3,-4,5])
# Auswahl der ersten beiden Elemente des Vektors
print(V[np.array(True, True, False, False)))] # [1-2]

# Auswahl positiver Vektorelemente
Druck (V[V grad 0] # [1 3 5]

# Wählen Sie die richtigen Elemente des Vektors
druck(V1 % 2 == sync, korrigiert von elderman == @elder_man

Training problem

Merkmale der Auswahl von Vektorelementen

Modalitäten zur Erzeugung von Massen und Matrizen

Andere nützliche Möglichkeiten, Massen und Matrizen zu schaffen.

Beispiel
1
2
3
ANHANG
5.
6
7
8)
ANHANG
10.
11)
12
13)
14
15
ANHANG
17
183
19
20
ANHANG
ANHANG
23.
KAPITEL
ANHANG
26
ANHANG
ANHANG
ANHANG
30
31.
ANHANG
ANHANG
ANHANG
35.
36.
37.
Import numping als np

♪ Ein Nullbereich
Druck(np.zeros(5)) #[0. 0. 0. 0. 0. 0.]

♪ Doppelter Nullbereich
Druck(np.zeros(2, 3)) # [0. 0. 0.]
# [0. 0. 0.]

# Dreidimensionale Einheiten
Druck(np.ones(2,3,4) # [[1. 1. 1. 1.]
# [1. 1. 1. 1.]
# [1. 1. 1. 1.]
♪
# 1. 1. 1. 1.
# [1. 1. 1. 1.]
# [1. 1. 1.]

# Massive zero with type
Druck(np.zeros(5, dtype=np.int) # [0 0 0 0 0 0 0 0 0 0 0 0

# Massive auf der Liste
[1. 2.]
# [0. 0.]
# [1. 3.]

# Massiv gefüllt mit Elementen des arithmetischen Fortschritts von 0
Druck(np.arange(10)) # [0 1 2 3 4 5 7 8 9]

Arithmetischer Fortschritt mit Typ
Druck(np.arange(2, 10, dtype=np.float) # [2. 3. 4. 5. 6. 7. 8. 9.]

Arithmetischer Fortschritt mit Unebenheit
Druck(np.arange(2, 3, 0,1)) # [2. 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9]

Arithmetischer Fortschritt mit zugewiesener Mitgliedschaft
Druck(np.linspace(1., 4., 6)) # [1. 1.6 2.2 2.8 3.4 4. ]

Training problem

Andere Methoden zum Erstellen von Arrays und Matrizen

Nullelemente der Masse
Funktionnonzero(V)
Das Ergebnis ist eine Massenlieferung. Jeder dieser Sätze entspricht der einzelnen Achse der Referenzmasse und enthält Indizes mit Nicht-Null-Elementen in diesem Bereich.
V - eine Masse NumP oder ein solches Objekt.
Gibt die Funktion des Python Cortege zurück.Tupel() - ein Kortium mit nicht-nuklearen Kernindex-ArraysV♪
Funktioncount_nonzero(V)
Diese Funktion basiert auf einem integrierten Verfahren __bool__()Die Python-Sprachobjekte, die ihre Wahrhaftigkeit überprüfen. Es folgt der Funktion count_nonzero()Es ist in der Tat in der Lage, nicht nur mit Zahlen zu arbeiten, sondern auch mit jedem Objekt, das wahr oder falsch sein kann.
V - eine Masse NumP oder ein solches Objekt.
Rückführung der Funktion auf die Anzahl der Nicht-Null-Elemente entlang der Achse.

Training problem

Null-Array-Elemente

Diagonale Gebiete

Funktiondiag(V, k=0)Es ermöglicht die Extraktion der Diagonale aus der Masse sowie die Konstruktion von Diagonalmassen gleicher Größe.
V- eine solche Gruppe von Objekten, zwei- oder eindimensionalen Massen, Matrizen, Listen oder Artefakte, sowie jede Funktion oder Objekt mit der Methode der Rückgabe der Liste oder Kortege.
k ist der Diagonalindex (optional).
Fehler k = 0die der Hauptdiagonale entspricht. Positiv k schräg nach oben, negativ nach unten.

Die Funktion kehrt die Masse zurück NumP (seufzt)ndarray) die angegebene Diagnose der Masse oder der Diagonalmasse aus dem angegebenen Einzelbereich.

Training problem

Diagonales Array

Doppelzimmer NumP Massen

Der zweistöckige Bereich ist an der Stelle des Bauteils zu kontaktieren, zuerst die Zeilennummer, dann die Spaltennummer. Die Koordinaten werden im Komma aufgezeichnet.
Jede Masse kann in eine zweidimensionale Funktion umgewandelt werden reshape().

Beispiel
1
2
3
ANHANG
5.
6
7
8)
 
# Die Funktion reshape(s) ändert die Form der Masse, ohne ihre Daten zu ändern.
x = np.arange(12).reshape(3, 4)
Druck(x) # [[0 1 2 3]
# [4 5 6 7]
# [ 8 9 10 11]

♪ Um auf das Element zuzugreifen, zeigen Sie seine Koordinaten durch das Komma.
Druck(x[1, 2] # 6

Training problem

Zweidimensionale NumPy Arrays. Auf Elemente zugreifen