[PYTHON] Ein Forscher eines Pharmaunternehmens fasste NumPy zusammen

Einführung

NumPy ist eine Bibliothek für Hochgeschwindigkeitsvektor- und Matrixberechnungen. Hier erklären wir die Methoden, die häufig in NumPy verwendet werden. Es soll Python3-Serie verwenden.

importieren

Um NumPy verwenden zu können, müssen Sie zuerst die Bibliothek laden. Konventionell ist es oft "np".

NumPy_1.py

import numpy as np

1-dimensionales Array

Mit NumPy können Sie ein Array wie eine Liste erstellen.

NumPy_2.py

import numpy as np


np_arr_1 = np.array([1, 2, 5])

print(np_arr_1)
print(type(np_arr_1)) #ndarray Klasse
print(np_arr_1**2) #Quadrieren Sie jedes Element.


np_arr_2 = np.array([3, 5, 7])

print(np_arr_1 + np_arr_2) #Für jedes Element hinzufügen.


np_arr_3 = np.arange(10)

print(np_arr_3)

np_arr_3[0:2] = 100
print(np_arr_3)

Das Merkmal von NumPy ist, dass es einfach ist, zwischen Elementen zu berechnen. Wenn Sie versuchen, den obigen Vorgang ohne Verwendung von NumPy auszuführen, sieht dies wie folgt aus.

NumPy_3.py

arr_1 = [1, 2, 5]

for i, num in enumerate(arr_1):
    arr_1[i] = num ** 2
print(arr_1)

Beachten Sie, dass im NumPy-Array durch Aktualisieren des Werts des Elements, dem es zugewiesen ist, auch der Wert des ursprünglichen Arrays aktualisiert wird. Verwenden Sie die Methode "copy ()", um zu verhindern, dass das ursprüngliche Array aktualisiert wird.

NumPy_4.py

import numpy as np


np_arr_1 = np.array([1, 2, 5])
np_arr_2 = np_arr_1
np_arr_2[1] = 100
print(np_arr_1) # np_arr_1 hat sich ebenfalls geändert.
print(np_arr_2)


np_arr_1 = np.array([1, 2, 5])
np_arr_2 = np_arr_1.copy()
np_arr_2[1] = 100
print(np_arr_1) # np_arr_1 ändert sich nicht.
print(np_arr_2)

Es ist auch möglich, nur die Elemente zu extrahieren, die bestimmte Bedingungen erfüllen.

NumPy_5.py

import numpy as np


np_arr_1 = np.array([1, 2, 5])
print(np_arr_1[np_arr_1 % 2 == 1]) #Extrahieren Sie nur ungerade Elemente.

NumPy bietet eine Funktion namens "Universalfunktion", die das Operationsergebnis für jedes Element des Arrays zurückgibt.

NumPy_6.py

import numpy as np


np_arr_4 = np.array([-1, 2, -3])
print(np.abs(np_arr_4)) #Absolutwert jedes Elements

np_arr_5 = np.array([1, 9, 25])
print(np.sqrt(np_arr_5)) #Quadratwurzel jedes Elements

NumPy kann auch Zufallszahlen generieren.

NumPy_7.py

import numpy as np


np_arr_6 = np.random.randint(0, 10, 5) #Generieren Sie zufällig 5 Ganzzahlen zwischen 0 und 9.
print(np_arr_6)

np_arr_7 = np.random.randint(5) #Generieren Sie eine zufällige Ganzzahl von 0 bis 4.
print(np_arr_7)

Durch Umschreiben des Importteils können Sie ihn kürzer und einfacher schreiben.

Numpy_8.py

from numpy.random import randint


np_arr_6 = randint(0, 10, 5)
print(np_arr_6)

np_arr_7 = randint(5)
print(np_arr_7)

Ein zweidimensionales Array

Die Methoden für 2D-Arrays sind wie folgt.

NumPy_9.py

import numpy as np


np_arr_8 = np.array([[1, 2, 3], [4, 5, 6]])
print(np_arr_8)
print(np_arr_8[1])
print(np_arr_8[1, 1])
print(np_arr_8.sum())
print(np_arr_8.sum(axis=0)) #Spalte für Spalte berechnet
print(np_arr_8.sum(axis=1)) #Zeile für Zeile berechnet
print(np_arr_8.shape)
print(np_arr_8.reshape(3, 2))
print(np_arr_8.T)
print(np.transpose(np_arr_8))
print(np_arr_8.mean()) #durchschnittlich
print(np.average(np_arr_8)) #durchschnittlich
print(np.max(np_arr_8)) #Maximalwert
print(np.min(np_arr_8)) #Mindestwert
print(np.std(np_arr_8)) #Standardabweichung
print(np.var(np_arr_8)) #Verteilt
print(np.argmax(np_arr_8)) #Indexnummer des maximalen Elements
print(np.argmin(np_arr_8)) #Indexnummer des Elements mit dem niedrigsten Wert

Zusammenfassung

Hier haben wir die Methoden vorgestellt, die häufig in NumPy verwendet werden. Der beste Weg, es zu meistern, ist es, es tatsächlich zu benutzen.

Referenzmaterialien / Links

Was ist die Programmiersprache Python? Kann es für KI und maschinelles Lernen verwendet werden?