Wenn ich anfange, Numpy zu studieren und herausfinde, wie man Argumente und Verwendungsbeispiele spezifiziert, werde ich es vergessen. Ich werde es von Zeit zu Zeit aktualisieren und als Notizblock verwenden. Bitte beachten Sie, dass die Reihenfolge und Verständlichkeit zweitrangig sind und daher möglicherweise schwer zu verstehen sind. Nach einem kurzen Blick ist Numpy eine Bibliothek, die sich auf numerische Berechnungen spezialisiert hat Es scheint, dass es viele Funktionen für die Berechnung gibt
Suguremono, das die vier Regeln von Python +, -, *, / verwendet, um die vier Regeln jedes Elements des Arrays auszuführen. Es wird berechnet, ohne die Elemente einzeln herauszunehmen. Vor kurzem habe ich Pandas schon lange berührt, deshalb habe ich es nicht bemerkt, aber mein Senior hat mir geraten, so viel Numpy zu verwenden, dass ich mich daran erinnern kann. Ich denke, ich werde versuchen, mich beim Herumspielen daran zu erinnern.
<np.array(object, dtype=None)>
array.py
#np.array()Generieren Sie ndarray mit
A = np.array([1,3,5,7,9])
#--->array([1, 3, 5, 7, 9])
A -= 4
#---> array([-3, -1, 1, 3, 5])
#4 wird für jedes Element abgezogen.
Es ist erstaunlich, dass es für jedes Element subtrahiert wird Es scheint, dass dies etwas mit broadcast zu tun hat (dazu später mehr) Es scheint, dass object den Typ array_like enthalten wird. Das array_like ist ein Array, das zusätzlich zu ndarray durch mehrere Listen und Taples ausgedrückt wird. Dieses ndarray ist eine Klasse für n, die __n-dimensionale __arrays verarbeitet Da ndarray grundsätzlich aus allen Elementen des gleichen Typs bestehen muss, Pandas ist einfacher zu handhaben, wenn Arrays mit mehreren Datentypen (numerische Typen, Zeichenfolgen usw.) verarbeitet werden.
<np.dot>
np.dot
a = np.array([1,2,3])
b = np.array([3,4,5])
#---> 26
Produkt eindimensionaler Arrays
a = np.array([[1,2],
[4,5],
[1,2]])
b = np.array([[4,6,7],
[6,5,3]])
x = np.dot(a,b)
---------------------
#Ergebnis
array([[16, 16, 13],
[46, 49, 43],
[16, 16, 13]])
x.dtype: int64
x.ndim:Anzahl der Dimensionen:2
x.shape: (Linie,Säule):(3, 3)
<np.maximum>
<np.max> <np.exp>
Recommended Posts