Quand je commencerai à étudier Numpy et à découvrir comment spécifier des arguments et des exemples d'utilisation, je l'oublierai. Je vais le mettre à jour de temps en temps et l'utiliser comme bloc-notes. Veuillez noter que l'ordre et la compréhensibilité sont secondaires, il peut donc être difficile à comprendre. Après un coup d'œil, Numpy est une bibliothèque spécialisée dans les calculs numériques, donc Il semble qu'il existe de nombreuses fonctions de calcul
Suguremono qui utilise les quatre règles de python +, -, *, / pour exécuter les quatre règles de chaque élément du tableau. Il calcule sans retirer les éléments un par un. Récemment, je touche des pandas depuis longtemps, donc je ne l'ai pas remarqué, mais mon aîné m'a conseillé d'utiliser tellement numpy que je pourrais m'en souvenir, alors je pense que je vais essayer de m'en souvenir en jouant.
<np.array(object, dtype=None)>
array.py
#np.array()Générer ndarray avec
A = np.array([1,3,5,7,9])
#--->array([1, 3, 5, 7, 9])
A -= 4
#---> array([-3, -1, 1, 3, 5])
#4 est soustrait pour chaque élément.
C'est incroyable qu'il soit soustrait pour chaque élément Il semble que cela ait quelque chose à voir avec broadcast (plus à ce sujet plus tard) Il semble que object contiendra le type array_like. Le array_like est un tableau représenté par plusieurs listes et taples en plus de ndarray. Ce ndarray est une classe pour que n gère des __arrays __n-dimensionnels Puisque ndarray doit essentiellement être composé de tous les éléments du même type, Pandas est plus facile à gérer lors du traitement de tableaux contenant plusieurs types de données (types numériques, chaînes, etc.)
<np.dot>
np.dot
a = np.array([1,2,3])
b = np.array([3,4,5])
#---> 26
Produit de tableaux unidimensionnels
a = np.array([[1,2],
[4,5],
[1,2]])
b = np.array([[4,6,7],
[6,5,3]])
x = np.dot(a,b)
---------------------
#résultat
array([[16, 16, 13],
[46, 49, 43],
[16, 16, 13]])
x.dtype: int64
x.ndim:Nombre de dimensions:2
x.shape: (ligne,Colonne):(3, 3)
<np.maximum>
<np.max> <np.exp>
Recommended Posts