Numpy est une bibliothèque extensible de calculs scientifiques fabriquées par Python, notamment:

Un nombre fort N-dimensionnel d'objets de groupe;
Comparer la bibliothèque de fonctions matures (jouer);
Toolkit C / C ++ et code FORTRAN;
Algèbre linéaire réelle, fonctions de création variable Fourier et aléatoire. Le package de fonctionnement de matrice numputique et clairsemé est plus pratique.

NUMPLY (NUMÉRO PYTHON) fournit de nombreux outils de programmation numérique avancés, tels que des types de données matricielles, une manipulation du vecteur et des bibliothèques de calcul exacts. Conçu pour un traitement numérique strict. De nombreuses grandes entreprises financières sont utilisées, ainsi que des organisations informatiques scientifiques de base telles que Lawrence Livermore, la NASA pour gérer un certain nombre de tâches effectuées par C ++, Fortran ou Matlab.

Cet article détient un petit nombre de petits numéros en lecture numpy, résumant le fonctionnement commun de numpy, vous pouvez le récupérer lentement.
(les images peuvent être ouvertes pour voir OH ~)

1. Installez NUMPY NUMPY

PIP ou ANACONDA INCHANGY INSTALLÉ:

$ pip install numpy Basic


$ conda install numpy Numpy est l'une des fonctions les plus courantes à inclure: la différence la plus importante entre la liste et la matrice numpue est la fonction et la vitesse.

La liste fournit des opérations de base, mais Nump ajoute FTTS, courtoisie, recherche rapide, statistiques de base, algèbre linéaire, graphique, V.V. La différence la plus importante entre les deux sciences de données consiste à utiliser des tableaux numpus pour calculer des éléments.

Axe 0: Normalement Guide

Axe 1: généralement la colonne

1. CARACTERNAIRE


]

2. Attribut de section



3. Copier / arrangez
import numpy as np# 1 dimensionalx = np.array([1,2,3])# 2 dimensionaly = np.array([(1,2,3),(4,5,6)])x = np.arange(3)>>> array([0, 1, 2])y = np.arange(3.0)>>> array([ 0 1 2.])x = np.arange(3,7)>>> array([3, 4, 5, 6])y = np.arange(3,7,2)>>> array([3, 5])










import numpy as np# Sort sorts in ascending ordery = np.array([10, 9, 8, 7, 6, 5, 4, 3, 2, 1])y.sort()print(y)>>> [ 1 2 3 4 5 6 7 8 9 10]








import numpy as np# Append items to arraya = np.array([(1, 2, 3),(4, 5, 6)])b = np.append(a, [(7, 8, 9)])print(b)>>> [1 2 3 4 5 6 7 8 9]# Remove index 2 from previous arrayprint(np.delete(b, 2))>>> [1 2 4 5 6 7 8 9]






import numpy as npa = np.array([1, 3, 5])b = np.array([2, 4, 6])# Stack two arrays row-wiseprint(np.vstack((a,b)))>>> [1 3 5] [2 4 6]# Stack two arrays column-wiseprint(np.hstack((a,b)))>>> [1 3 5 2 4 6]



.


# Split array into groups of ~3a = np.array([1, 2, 3, 4, 5, 6, 7, 8])print(np.array_split(a, 3))>>> [array([1, 2, 3]), array([4, 5, 6]), array([7, 8])]












# Find inverse of a given matrix>>> np.linalg.inv([3,1],[2,4])array([ 0.4, -0.1], [-0.2, 0.3])

[Exemple:

4. Routing de l'opération de matrice

Diminuer l'élément

# If a 1d array is added to a 2d array (or the other way), NumPy# chooses the array with smaller dimension and adds it to the one# with bigger dimensiona = np.array([1, 2, 3])b = np.array([(1, 2, 3), (4, 5, 6)])print(np.add(a, b))>>> [2 4 6] [5 7 9] # Example of np.roots# Consider a polynomial function (x-1)^2 = x^2 - 2*x + 1# Whose roots are 1,1>>> np.roots([1,-2,1])array([1 1.])# Similarly x^2 - 4 = 0 has roots as x=±2>>> np.roots([1,0,-4])array([-2 2.])






# Using comparison operators will create boolean NumPy arraysz = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])c = z < 6print(c)>>> [ True True True True True False False False False False]



Combinaison de combinaison

Exemple: Modifier la forme de la matrice Exemple: [ 5. Calculer mathématique Par exemple: . Par exemple: Basic Instance de portefeuille en tranches: 7. TIP ] https://github.com/ Juliangaal / Python-Cheat-elle et