Python #Numpy Basics

Memo / Memorandum lernen

Über Numpy

Eine typische Bibliothek mit einer umfangreichen mathematischen Berechnungsbibliothek, die effiziente numerische Berechnungen durchführen kann.

ndarray Typ

Grunddatentyp, der in "Numpy" eines typischen numerischen Berechnungspakets verwendet wird.

Beschreibungsbeispiel

# Ndarray-Typ erstellen
import numpy

a = [0, 1, 2, 3]
 b = numpy.array (a) #Erstellen Sie den ndarray-Typ aus der Liste
print('b = ', b)

c = [1, 2]
d = [2, 3]
e = [3, 4]
 f = numpy.array ([c, d, e]) # Erstellen Sie einen zweidimensionalen ndarray-Typ
print('f = ', f)

 g = numpy.array (a, dtype = numpy.float16) #Erstellen Sie ndarray, indem Sie den Datentyp angeben
print('g = ', g)

Ausführungsergebnis

b = [0 1 2 3] f = [[1 2] [2 3] [3 4]] g = [0. 1. 2. 3.]

Methoden zur Durchführung grundlegender numerischer Operationen

Mit den von Numpy bereitgestellten Methoden können verschiedene numerische Operationen an Daten und Listen vom Typ ndarray ausgeführt werden. Die repräsentativen werden unten vorgestellt.

import numpy

h = numpy.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

 i = numpy.median (h) # median
 j = numpy.mean (h) # Durchschnittswert
 k = numpy.std (h) # Standardabweichung
 l = numpy.var (h) # Verteilt

print(i)
print(j)
print(k)
print(l)

Ausführungsergebnis

4.5 4.5 2.8722813232690143 8.25

Unzählig und unendlich

Mit Numpy können Sie das nicht numerische "nan" verwenden, um nicht numerisch anzuzeigen, und das "inf", um "unendlich" anzuzeigen.

Nicht numerisches "nan"

"nan" ist der Wert, der angezeigt wird, wenn "0" durch "0" geteilt wird. Da es sich um einen speziellen Wert handelt, der im Vergleich zu einem beliebigen Wert "False" zurückgibt, wird im Vergleich zu sich selbst auch "False" zurückgegeben. Daher kann die Identität mit "nan" durch Verwendung von "is" bestätigt werden.

from numpy import nan

m = float32(0) / float32(0)
n = m == nan
o = nan == nan
p = m is nan

print(m)
print(n)
print(o)
print(p)

Ausführungsergebnis

nan False False True

Unendlichkeitswert inf

inf ist ein Wert, der angezeigt wird, indem ein Wert durch einen absoluten Wert durch 0 geteilt wird. Sowohl Vergleiche mit == als auch Vergleiche mit is return True.

from numpy import inf

q = float(10) / float(0)
r = q == inf
s = q is inf

print(q)
print(r)
print(s)

Ausführungsergebnis

inf True True

Unterschied zu der Liste, auf die Sie achten möchten

Sowohl die Liste als auch der Typ "ndarray" sind typische Datentypen, die Arrays verarbeiten. Obwohl sie auf ähnliche Weise verwendet werden, gibt es einige Unterschiede. Seien Sie also vorsichtig.

Verwendung von Operatoren

Der Operator "+" bedeutet, Listen zwischen Listen zu verbinden und Werte zwischen "ndarray" hinzuzufügen. Die Operation "+" mit einem ganzzahligen Wert führt im Fall einer Liste zu einem Fehler, aber der "ndarray" repräsentiert das Hinzufügen eines ganzzahligen Werts. Der Operator "" verursacht einen Fehler zwischen Listen, stellt jedoch eine Multiplikation von Werten zwischen "ndarray" dar. Die Operation "" mit einem ganzzahligen Wert repräsentiert die Wiederholung der Liste im Fall einer Liste und repräsentiert die Multiplikation eines ganzzahligen Werts im Fall eines "ndarray".

Operatoren in der Liste

t = [0, 1, 2]
u = [3, 4, 5]
print(t + u)
# Druckfehler (t + 2)
# Druckfehler (t * u)
print(t * 2)

Ausführungsergebnis

[0, 1, 2, 3, 4, 5] [0, 1, 2, 0, 1, 2]

Operatoren in "ndarray"

import numpy

v = numpy.array([0, 1, 2])
w = numpy.array([3, 4, 5])
print(v + w)
print(v + 10)
print(v * w)
print(v * 2)

Ausführungsergebnis

[3 5 7] [10 11 12] [ 0 4 10] [0 2 4]

Mehrdimensionales Array

Im Gegensatz zu Listen kann "ndarray" keine Daten mit einer unterschiedlichen Anzahl von Elementen in jeder Dimension erstellen. Das heißt, alle vom Typ "ndarray" erstellten Daten müssen ein mehrdimensionales Array mit der gleichen Anzahl von Zeilen und Spalten sein. Wenn Sie versuchen, ein zweidimensionales Array aus einer Liste unterschiedlicher Länge zu erstellen, verhalten sich die Liste und "ndarray" wie folgt unterschiedlich.

import numpy

x = [[0, 1], [2, 3, 4], [5, 6]]
y = numpy.array([[0, 1], [2, 3, 4], [5, 6]])

print(x)
print(y)

Ausführungsergebnis

[[0, 1], [2, 3, 4], [5, 6]] [list([0, 1]) list([2, 3, 4]) list([5, 6])]

Indexspezifikation / Slice-Spezifikation

Sie können "," und ":" verwenden, um Elemente einer Liste oder "ndarray" zu extrahieren.

import numpy

z = numpy.array([[0, 1, 2], [3, 4, 5], [6, 7, 8]])

 print (z [0, 2]) # Index 2 in Index 0
 print (z [2, 1:]) # Index 1 und höher in Index 2
 print (z [:, 2]) # Index 2 unter allen Indizes

Ausführungsergebnis

2 [7 8] [2 5 8]