[Python] Verschiedene Datenverarbeitung mit Numpy-Array
Vorbereitung
Erstellen Sie ein Array mit 11 Elementen von 0 bis 10
arr = np.arange(11)
arr
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
Ich werde damit rechnen
Finden Sie die Quadratwurzel jedes Arrays
np.sqrt(arr)
array([ 0. , 1. , 1.41421356, 1.73205081, 2. ,
2.23606798, 2.44948974, 2.64575131, 2.82842712, 3. ,
3.16227766])
Finden Sie den Wert, mit dem Sie die Basis e des natürlichen Logarithmus versorgen möchten
Die Potenz von e ist erforderlich
np.exp(arr)
array([ 1.00000000e+00, 2.71828183e+00, 7.38905610e+00,
2.00855369e+01, 5.45981500e+01, 1.48413159e+02,
4.03428793e+02, 1.09663316e+03, 2.98095799e+03,
8.10308393e+03, 2.20264658e+04])
Eine Funktion, die Zufallszahlen zurückgibt, die einer Normalverteilung folgen
10 zufällige Rückgaben aus einer Verteilung mit einem Mittelwert von 0 und einer Varianz von 1
A = np.random.randn(10)
A
array([ 1.58618601, 1.04344798, -1.27389788, 0.96399318, -0.01948978,
1.74715498, -1.74566889, 0.22554911, -0.89309691, 0.64486646])
Fügen Sie zwei Normalverteilungen hinzu
B = np.random.randn(10)
B
array([ 0.24123105, -1.68669802, 1.89703691, 0.13287126, -1.77419931,
-1.1523576 , -0.23598222, 0.03143082, 1.86305367, 0.21272997])
np.add(A,B)
array([ 1.82741706, -0.64325005, 0.62313903, 1.09686444, -1.79368909,
0.59479738, -1.98165111, 0.25697993, 0.96995677, 0.85759643])
Geben Sie den größeren Wert jedes Elements zurück
Geben Sie das größere Element von A und B zurück
np.maximum(A,B)
array([ 1.58618601, 1.04344798, 1.89703691, 0.96399318, -0.01948978,
1.74715498, -0.23598222, 0.22554911, 1.86305367, 0.64486646])
Datenverarbeitung mit Numpy Array
Vorbereiten des Zeichnens des Diagramms
import matplotlib.pyplot as plt
%matplotlib inline
Vorbereitung
-5 bis 5 in Schritten von 0,01
points = np.arange(-5,5,0.01)
dx, dy = np.meshgrid(points,points)
Von -5 bis 5 wächst es in Schritten von 0,01
dx
array([[-5. , -4.99, -4.98, ..., 4.97, 4.98, 4.99],
[-5. , -4.99, -4.98, ..., 4.97, 4.98, 4.99],
[-5. , -4.99, -4.98, ..., 4.97, 4.98, 4.99],
...,
[-5. , -4.99, -4.98, ..., 4.97, 4.98, 4.99],
[-5. , -4.99, -4.98, ..., 4.97, 4.98, 4.99],
[-5. , -4.99, -4.98, ..., 4.97, 4.98, 4.99]])
Das Gegenteil von dx
dy
array([[-5. , -5. , -5. , ..., -5. , -5. , -5. ],
[-4.99, -4.99, -4.99, ..., -4.99, -4.99, -4.99],
[-4.98, -4.98, -4.98, ..., -4.98, -4.98, -4.98],
...,
[ 4.97, 4.97, 4.97, ..., 4.97, 4.97, 4.97],
[ 4.98, 4.98, 4.98, ..., 4.98, 4.98, 4.98],
[ 4.99, 4.99, 4.99, ..., 4.99, 4.99, 4.99]])
Versuchen Sie, diese zu zeichnen
plt.imshow(dx)
Sie können sehen, dass es von links nach rechts wächst
plt.imshow(dy)
Sie können sehen, dass es von oben nach unten wächst
Versuchen Sie, komplizierte Berechnungen durchzuführen
Die Summe von dx und dy unter Verwendung der Dreiecksfunktion sin.
z = (np.sin(dx) + np.sin(dy))
z
array([[ 1.91784855e+00, 1.92063718e+00, 1.92332964e+00, ...,
-8.07710558e-03, -5.48108704e-03, -2.78862876e-03],
[ 1.92063718e+00, 1.92342581e+00, 1.92611827e+00, ...,
-5.28847682e-03, -2.69245827e-03, -5.85087534e-14],
[ 1.92332964e+00, 1.92611827e+00, 1.92881072e+00, ...,
-2.59601854e-03, -5.63993297e-14, 2.69245827e-03],
...,
[ -8.07710558e-03, -5.28847682e-03, -2.59601854e-03, ...,
-1.93400276e+00, -1.93140674e+00, -1.92871428e+00],
[ -5.48108704e-03, -2.69245827e-03, -5.63993297e-14, ...,
-1.93140674e+00, -1.92881072e+00, -1.92611827e+00],
[ -2.78862876e-03, -5.85087534e-14, 2.69245827e-03, ...,
-1.92871428e+00, -1.92611827e+00, -1.92342581e+00]])
Versuche zu zeichnen
plt.imshow(z)
plt.colorbar()
Verschiedene Datenverarbeitung mit Arrays
Bereiten Sie eine experimentelle Sequenz vor
A = np.array([1,2,3,4])
B = np.array([1000,2000,3000,4000])
Identifizieren Sie den Wert, der die Bedingungen erfüllt
condition = np.array([True, True, False, False])
answer = [(a if cond else b) for a,b,cond in zip(A,B,condition)]
answer
[1,2,3000,4000]
Die Einschlussnotation der Liste hat die Nachteile, dass sie langsam ist und nicht in der Lage ist, mehrere Dimensionen zu verarbeiten. Erhöhen Sie die Geschwindigkeit, um mehrdimensionale Arrays aufzunehmen
answer2 = np.where(condition, A, B)
answer2
array([ 1, 2, 3000, 4000])
np.where kann auch für zweidimensionale Arrays verwendet werden Erstellen Sie zufällige Werte aus einer Standard-5x5-Normalverteilung
from numpy.random import randn
arr = randn(5,5)
arr
array([[-1.00937032, 1.23348883, 0.1267633 , 0.6637059 , 0.96770594],
[ 0.29606946, -0.63752513, 0.97016509, 0.42688117, -2.38404912],
[ 1.0549739 , -0.12309795, -0.22361239, 1.91466958, -0.35711905],
[ 0.22359192, -1.60330203, 1.23216518, -0.99154743, 0.52558739],
[-1.11301393, 0.1911824 , 1.14858049, -0.19331843, 0.42102773]])
Versuchen Sie, für diese Werte 0 zurückzugeben, wenn sie kleiner als 0 sind. Andernfalls geben Sie den ursprünglichen Wert zurück
np.where(arr < 0, 0, arr)
array([[ 0. , 1.23348883, 0.1267633 , 0.6637059 , 0.96770594],
[ 0.29606946, 0. , 0.97016509, 0.42688117, 0. ],
[ 1.0549739 , 0. , 0. , 1.91466958, 0. ],
[ 0.22359192, 0. , 1.23216518, 0. , 0.52558739],
[ 0. , 0.1911824 , 1.14858049, 0. , 0.42102773]])
Alle negativen Zahlen sind 0. Es ist sehr einfach zu schreiben.
Schauen Sie sich andere Numpy-Funktionen an
Vorbereitung
arr = np.array([[1,2,3],[4,5,6],[7,8,9]])
arr
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
Summenfunktion
Berechnung des Gesamtwertes
arr.sum()
45
Die Summenfunktion kann unterstützen, welche Achse mit der Berechnung fortzufahren ist. Wenn beispielsweise Argument 0 gesetzt ist, wird die Berechnung in Zeilenrichtung ausgeführt, und wenn Argument 1 gesetzt ist, wird die Berechnung in Spaltenrichtung durchgeführt.
arr.sum(0)
array([12, 15, 18])
arr.sum(1)
array([ 6, 15, 24])
mittlere Funktion
Durchschnittswert
arr.mean()
5.0
Standardfunktion
Standardabweichung
arr.std()
2.5819888974716112
var Funktion
Verteilt
arr.var()
6.666666666666667
Bequeme Funktion von numpy any, all
Vorbereitung
bool_arr = np.array([True, False, True])
bool_arr
array([ True, False, True], dtype=bool)
jede Funktion
Wenn auch nur einer wahr ist, geben Sie True zurück
bool_arr.any()
True
alle funktionieren
Gibt True zurück, wenn alles wahr ist
bool_arr.all()
False
Recommended Posts