Referenzseite: Unverzichtbar, wenn Sie Python verwenden! So verwenden Sie Numpy, um Vorgänge zu beschleunigen!
Python verfügt über viele nützliche Bibliotheken, die Sie frei verwenden können. Mithilfe der Bibliothek können Sie problemlos erweiterte Berechnungen und komplizierte Verarbeitungen durchführen. Unter solchen Bibliotheken wird NumPy besonders häufig verwendet. NumPy wird verwendet, um Array- und Matrixoperationen in wissenschaftlichen und technologischen Berechnungen mit hoher Geschwindigkeit durchzuführen. Es ist eine sehr effektive Bibliothek, wenn Sie mathematische Berechnungen in der Forschung durchführen möchten.
Dieses Mal werde ich die grundlegende Verwendung eines solchen NumPy erklären.
NumPy kann einfach mit dem Befehl pip installiert werden. Geben Sie den folgenden Befehl über die zu installierende Konsole ein.
pip install numpy
Abhängig von der Version von Python usw. kann die Installation mit pip jedoch fehlschlagen. Laden Sie in diesem Fall NumPy von der folgenden Seite herunter und installieren Sie die heruntergeladene Datei mit dem Befehl pip.
http://www.lfd.uci.edu/~gohlke/pythonlibs/
Es gibt mehrere NumPy-Dateien. Laden Sie daher die Datei herunter, die Ihrer Python-Version und der Betriebssystemversion entspricht. Im Dateinamen gibt cp ○○ die Python-Version und win_amd ○○ die Betriebssystemversion an.
Beispielsweise bedeutet die Datei "numpy-1.12.0rc2 + mkl-cp36-cp36m-win_amd64.whl", dass die Python-Version 3.6 und die Betriebssystemversion 64bitOS ist.
Installieren Sie die Datei nach dem Herunterladen mit pip. Der Befehl lautet wie folgt.
pip install Pfad zu der gerade heruntergeladenen Datei
Import von NumPy
Importieren Sie nach der Installation von NumPy NumPy. Jetzt können Sie NumPy verwenden.
import numpy #Muss bei Verwendung von NumPy erforderlich sein
NumPy ist eine Bibliothek, die Array- und Matrixberechnungen mit hoher Geschwindigkeit durchführen kann. Generieren Sie zunächst ein Array mit NumPy. Mit der Array-Methode kann ein Array von NumPy generiert werden.
import numpy
n_array = numpy.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(n_array)
Ausführungsergebnis
[[1 2 3] [4 5 6] [7 8 9]]
Darüber hinaus kann NumPy in der Mathematik verwendete Matrizen ausdrücken. Verwenden Sie die Matrix, um eine Matrix zu generieren.
n_matrix = numpy.matrix('1,2 ; 3, 4')
print(n_matrix)
Implementierungsergebnis [[1 2] [3 4]]
NumPy-Arrays können wie normale Python-Listen behandelt werden, und Matrizen sind mit anderen Worten fast identisch mit zweidimensionalen Listen. Was ist der Unterschied zu einer regulären Liste? Es ist einfach, mathematische Operationen an Matrizen und Arrays durchzuführen.
Wenn Sie beispielsweise eine normale Liste mit einer Konstanten multiplizieren, wird die Liste dupliziert. Wenn Sie jedoch ein NumPy-Array mit einer Konstanten multiplizieren, wird eine Operation ausgeführt, bei der die Matrix mit einer Konstanten multipliziert wird. Dies führt zu einem Array, in dem jedes Element mit einer Konstanten multipliziert wird.
n_array = numpy.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(n_array * 3)
Ausführungsergebnis
[[ 3 6 9] [12 15 18] [21 24 27]]
Darüber hinaus können Sie vier Regeloperationen zwischen Arrays und Konstanten sowie zwischen Arrays ausführen. Darüber hinaus verfügt NumPy über viele Funktionen für die Arithmetik. Sie können auch die mathematischen Funktionen verwenden, die im Mathematikmodul definiert sind, bei dem es sich um eine Standardbibliothek handelt. Die in NumPy verfügbaren Funktionen umfassen:
| Funktion | bewirken |
|---|---|
| numpy.add(Array,Konstante) | Arrayに定数を足す |
| numpy.multiply(Array,Konstante) | Arrayに定数を掛ける |
| Array.dot(Array) | Array（行列）の内積を計算する |
| numpy.mean(Array) | Arrayの平均を計算する |
| numpy.median(Array) | Arrayの中央値を計算する |
| numpy.std(Array) | Arrayの標準偏差を計算する |
| numpy.var(Array) | Arrayの分散を計算する |
n_array = numpy.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print('n_Durchschnittswert des Arrays:{}'.format(numpy.mean(n_array)))
print('n_Medianwert des Arrays:{}'.format(numpy.median(n_array)))
print('n_Standardabweichung des Arrays:{}'.format(numpy.std(n_array)))
Ausführungsergebnis
Durchschnittswert von n_array: 5.0 Median n_array: 5.0 Standardabweichung von n_array: 2.581988897471611