[Python] Mémo Numpy

Un mémo Numpy qui ne fait que commencer avec l'apprentissage automatique

Matériel de référence

• Numpy et Scipy

Importation et utilisation de numpy

Les éléments suivants sont recommandés car le nombre de types est petit et le risque de confusion est faible.

numpy.py

import numpy as np
np.array([2, 0, 2, 0])

La base de numpy est ʻarray`, vous pouvez également écrire un tableau multidimensionnel

numpy.py

import numpy as np
x = np.array([[2, 0, 2, 0],[2, 0, 2, 1]])

arithmétique du tableau

fonction numpy.dot = trouver le produit interne des vecteurs et le produit des matrices

«Tableau» est une donnée à usage général qui représente une collection de données de n'importe quelle dimension, non dédiée à la «matrice».

numpy_array.py

import numpy as np
x = np.array([2, 0, 2, 0])
y = np.array([2, 0, 2, 1])
print(x + y)
print(x * y)
print(x.dot(y))

=> [4, 0, 4, 1] #Élément par élément
=> [4, 0, 4, 0] #Élément par élément (Attention)
=> 8            #produit intérieur

#Matrice x vecteur
import numpy as np
A = np.array([[1, 2, 3],[4, 5, 6]])
x = np.array([7, 8, 9])
print(A.dot(x))
=> [ 50, 122]

#Matrice x Matrice
import numpy as np
A = np.array([[1, 2, 3],[4, 5, 6]])
B = np.array([[1, 2], [3, 4], [5, 6]])
print(A.dot(B))

=>[[22 28]
  [49 64]]

arithmétique matricielle

matrice est une classe qui représente une matrice Notez que «tableau» et «matrice» sont différents

Caractéristiques de la classe np.matrix

numpy_matrux.py

import numpy as np
A = np.matrix([[1, 2, 3],[4, 5, 6]])
B = np.matrix([[1, 2], [3, 4], [5, 6]])
print(A.dot(B)) #numpy.Le résultat de la fonction dot calcule le produit intérieur avec le tableau

=> [[22 28]
    [49 64]]

import numpy as np
A = np.matrix([[1, 2, 3],[4, 5, 6]])
B = np.matrix([[1, 2], [3, 4], [5, 6]])
print(A * B) #Opérateur en matrice"*"Calculez le produit intérieur avec

=> [[22 28]
    [49 64]]

import numpy as np
A = np.array([[1, 2, 3],[4, 5, 6]])
B = np.array([[1, 2], [3, 4], [5, 6]])
print(A * B) #J'essaie de calculer pour chaque élément, mais une erreur se produit car les formes des matrices ne correspondent pas.

=> ValueError: operands could not be broadcast together with shapes (2,3) (3,2)

Différentes façons de créer un tableau

python:numpy.array.py

import numpy as np

#Séquence de nombres à différence égale(Désignation de différence égale)
np.arrange(2, 3, 0.2)
=> array([ 2. ,  2.2,  2.4,  2.6,  2,8])

#Séquence de nombres à différence égale(Spécifiez des points)
np.linspace(2, 3, 6)
=> array([ 2. , 2.2, 2.4, 2.6, 2.8, 3. ])

#Alignez zore
np.zeros((3, 2))
=> array([[0., 0.],
          [0., 0.],
          [0., 0.]])

#Alignez-en un
np.ones((2, 3))
=> array([[1., 1.],
          [1., 1.],
          [1., 1.]])

#Méthode
#Créez une forme avec 0 et attribuez une valeur à chaque élément
import numpy as np

def make_diag(n):
  A = np.zeros((n, n))
  for i in range(n):
    A[i, i] = i + 1
  return A

print(make_diag(4))

=> [[1. 0. 0. 0.]
    [0. 2. 0. 0.]
    [0. 0. 3. 0.]
    [0. 0. 0. 4.]]

#Remodeler qui change de forme tout en laissant la disposition des éléments telle quelle
import numpy as np

A = np.arange(0, 15, 1)
print("Contenu de A:\n{}".format(A))
B = A.reshape(3, 5)
print("Contenu de B:\n{}".format(B))
C = B.reshape(5, 3)
print("Contenu de C:\n{}".format(C))

=>Contenu de A:
[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]
Contenu de B:
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]]
Contenu de C:
[[ 0  1  2]
 [ 3  4  5]
 [ 6  7  8]
 [ 9 10 11]
 [12 13 14]]

#Utilisation de nombres aléatoires aléatoires
import numpy as np

np.random.random((3, 3))
=>array([[0.96781535, 0.64650387, 0.05718226],
         [0.78586557, 0.4422813 , 0.92825971],
         [0.94403786, 0.90600626, 0.85543603]])

#Spécifiez chaque composant avec une fonction
import numpy as np

def f(i, j):
  return i + j

A = np.fromfunction(f, (3, 3))
print(A)

=>[[0. 1. 2.]
   [1. 2. 3.]
   [2. 3. 4.]]

Extraction d'éléments / lignes / colonnes

numpy.py

import numpy as np

A = np.arange(0, 15, 1)
print("A=>\n{}".format(A))
B = A.reshape(3, 5)
print("B=>\n{}".format(B))

print("B[1:2]=>\n{}".format(B[1:2]))
print("B[1:3, 2:3]=>\n{}".format(B[1:3, 2:4]))
print("B[1:3, :]=>\n{}".format(B[1:3, :]))
print("B[:, 2:4]=>\n{}".format(B[:, 2:4]))
print("B[:, 2]=>\n{}".format(B[:, 2]))
print("B[:, :]=>\n{}".format(B[:,:])

A=>
[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14]
B=>
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]]
B[1:2]=>
[[5 6 7 8 9]]
B[1:3, 2:3]=>
[[ 7  8]
 [12 13]]
B[1:3, :]=>
[[ 5  6  7  8  9]
 [10 11 12 13 14]]
B[:, 2:4]=>
[[ 2  3]
 [ 7  8]
 [12 13]]
B[:, 2]=>
[ 2  7 12]
B[:, :]=>
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]]

Fonction universelle

numpy fournit des fonctions avec les mêmes noms que ceux fournis par le module mathématique, comme sin et cos. Ils se comportent comme ʻappliquer à tous les éléments du tableau pour le tableau

universal.py

import numpy as np
import math

r = np.linspace(0, 0.5 * math.pi, 6)
print(r)

sin_r = np.sin(r)
print(sin_r)

cos_r = np.cos(r)
print(cos_r)

print("TypeError lors de l'utilisation de la fonction fournie par math pour numpy")
print(math.sin(r)

[0.         0.31415927 0.62831853 0.9424778  1.25663706 1.57079633]
[0.         0.30901699 0.58778525 0.80901699 0.95105652 1.        ]
[1.00000000e+00 9.51056516e-01 8.09016994e-01 5.87785252e-01
 3.09016994e-01 6.12323400e-17]
TypeError lors de l'utilisation de la fonction fournie par math
Traceback (most recent call last):
  File "test_conda.py", line 14, in <module>
    print(math.sin(r))
TypeError: only size-1 arrays can be converted to Python scalars