Premièrement, jetons un coup d'œil aux quatre tableaux arithmétiques, la valeur du même sens, la valeur du tableau 1 est 0-5 et la matrice 2 est une matrice complète
# 创建 2行3列的二维数组data_arr1 = np.arange(6).reshape(2, 3)# 输出[0 1 2] [3 4 5]# 创建 2行3列的全1数组data_ones = np.ones((2, 3), dtype=np.int)# 输出[1 1 1] [1 1 1] OK, la matrice est créée, essayant de calculer
# 数组加法运算data_arr1 + data_ones# 输出[1 2 3] [4 5 6]# 数组除法运算data_ones / (data_arr1 + data_ones)# 输出[1. 0.5 0.33333333] [0.25 0.2 0.16666667] et nous effectuons réellement la consistance des calculs de tableau, entre tous les champs arithmétiques appliqués au niveau d'élément. Cependant, cette prémisse a la même direction de deux tableaux, si, non cohérente? Ou sont-ils?
L'activité arithmétique des matrices et scalaire diffusent également la valeur de la mise à l'échelle aux éléments correspondants.
Les activités entre différentes plaques d'intensité sont appelées la lecture. Actuellement, nous allons le dire la partie suivante.
# 数组与标量的算术运算data_arr1 * 5# 输出[ 0 5 10] [15 20 25]
Lundi, puis la prochaine manipulation de matrice
dans l'algèbre linéaire, a une transposition matricielle, avec un nombre engendré, il existe un déplacement de la matrice.
Transposer est une taille de matrice spéciale, revenant aux données source.Les tableaux sont non seulement modauxTransférer, mais aussi une propriété spéciale.
selon à la formule: volume de matrice à l'intérieur = x transpocation multipliée par x
data_arr1# 输出[0 1 2] [3 4 5]# 转置操作的两种实现方法data_arr1.Tdata_arr1.transpose()# 输出[0 3] [1 4] [2 5] a également une couche de hauteur de matrice, réelle le rare et n'est pas très bon comprendre , non plus mentionné, l'utilisation la plus courante est le transfert de tableaux à double sens, ce qui sera.
La mise en oeuvre d'une algébre linéaire dans des éléments engendrées
# 创建数组data_arr2 = np.random.randn(1,3)# 输出[-0.14205835 -1.43319166 0.8389062 ]# 计算矩阵内积np.dot(data_arr2.T, data_arr2)# 输出[ 0.02018058 0.20359685 -0.11917363] [ 0.20359685 2.05403832 -1.20231337] [-0.11917363 -1.20231337 0.70376361] fonction universelle
fonctions générales (c.-à-d. Ufunc) est une fonction effectuer des calculs élémentaires dans Ndarray.
Vous pouvez voir l'emballage de vecteur de fonctions simples: Acceptez une ou plusieurs valeurs de pesée et créez une ou plusieurs valeurs scalaires.
Tout d'abord, voir Ufunc
comme la langue habituelle de pYTHONG est comme une méthode, la fonction générale numpy est également appelée directement. Il existe également un certain nombre de deux tableaux, renvoyant des fonctions universelles (fonctions binaires)
# 创建数组data_unary = np.arange(10)# 输出[0 1 2 3 4 5 6 7 8 9]# 求数组每个元素的平方根np.sqrt(data_unary)# 输出[0. 1. 1.41421356 1.73205081 2. 2.23606798 2.44948974 2.64575131 2.82842712 3. ]# 求数组的最大最小值np.min(data_unary)np.max(data_unary)# 输出09
.
# 创建数组data_xarr = np.array([1, 2, 3, 4, 5])data_yarr = np.array([-1, -2, -3, -4, -5])data_tag = np.array([True, False, False, False, True])
# 实现三元表达式功能result = [(x if tag else y) for x, y, tag in zip(data_xarr, data_yarr, data_tag) ]# 输出[1, -2, -3, -4, 5]
# 使用 where 函数实现三元表达式功能result = np.where(data_tag, data_xarr, data_yarr)# 输出[ 1 -2 -3 -4 5]
# 创建 3*3 的数组data_warr = np.random.randn(3, 3)# 输出[-0.57519374 0.91571952 0.2104197 ] [ 0.32693672 0.95512399 -0.09581747] [-1.40553911 -0.96782964 0.73291699]# 大于0的数全部置为1，小于0的数全部置为-1result = np.where(data_warr>0, 1, -1)# 输出[-1 1 1] [ 1 1 -1] [-1 -1 1]]
# 保留小于0的数组值，只替换大于0的值np.where(data_warr>0, 1, data_warr)# 输出[-0.57519374 1. 1. ] [ 1. 1. -0.09581747] [-1.40553911 -0.96782964 1. ]
# 创建10个范围在-10~10的随机整数data_rn = np.random.randint(-10, 10, 10)# 输出[-9 -2 -1 -7 9 9 -4 6 3 -1]# 大于0的所有数的和、平均值、标准差方差(data_rn>0).sum()(data_rn>0).mean()(data_rn>0).std()(data_rn>0).var()# 输出40.40.489897948556635650.24000000000000005
data_sort = np.array([1, 0, -2, 5, 4], [-1, -3, 3, 4, 2])# 输出[ 1 0 -2 5 4] [-1 -3 3 4 2]# 默认排序（行）data_sort.sort()# 输出[-2 0 1 4 5] [-3 -1 2 3 4]# 在0轴上排序（列）data_sort.sort(axis=0)# 输出[-3 -1 1 3 4] [-2 0 2 4 5]
# `unique 找出数组中的唯一值并返回已排序的结果`data_ints = np.array([2, 3, 1, 1, 2, 4, 6, 7, -1])np.unique(data_ints)# 输出[-1 1 2 3 4 6 7]
. . . . . ] finit-il? Oui, c'est fini, mais j'ai toujours l'impression que le contenu suivant est le contenu principal d'aujourd'hui, laissez-moi vous croire. Nous connaissons tous les expressions ternaires en Python: x Si d'autres conditions , nous avons deux groupes de valeur représentant X et Y et ont une matrice booléenne représentant la condition, comment mettre en œuvre une expression logique conditionnelle? Selon Boolean DataS_Tag, sélectionnez la valeur de data_xarr et data_yarr: lorsque le data_tag est correct, sélectionnez la valeur de data_xarr, s'il n'est pas sélectionné par Data_Yarr. Prenez une liste de sources de: a-t-il des problèmes? Une fonction de numpy peut déployer les fonctionnalités ci-dessus! Ceux-ci sont-ils très pratiques? Demandez si vous avez un parfum? Expliquez l'utilisation du moment: le premier paramètre est la condition, le deuxième et le troisième paramètre correspond à X et Y dans l'expression ternaire. Dans lesquels X et Y ne sont pas nécessairement une matrice scalaire ou une valeur, la fonction retourne un nouveau tableau. Par exemple, les données de nettoyage sont effectuées par la fonction dans laquelle et le nombre supérieur à 0 est réglé sur 1 et le nombre de moins de 0 est défini sur -1 ] Si vous souhaitez conserver des valeurs inférieures à 0 tableaux, ne remplacez que valeur supérieure à 0? Plus important encore où TStatistiques Boolean + Statistiques, vous ne comprenez pas mal comprendre, l'analyse des données est courante : Total, Valeur moyenne et écart type de tous les moins de 0 du nombre aléatoire de et al . Tout, comment détecter Utilisé pour vérifier s'il y a une ou plusieurs vérité Tout dans la matrice utilisée pour vérifier que toutes les valeurs non dans la matrice sont correctes et Type de liste intégrée Python, une matrice numpy peut également être effectuée en fonction de la méthode de l'arrangement. Organiser Unique unique La collection collectée la plus couramment utilisée pour une matrice aller simple: de manière unique pour trouver un prix la seule valeur dans la matrice et renvoie les résultats des résultats pages, ne vous mentez pas, c'est le contenu le plus réaliste. Année, Résumé de dire la vérité, le contenu d'aujourd'hui est beaucoup. Résumé: Opération de matrice de matrice NUMPY NUMPY TRAY Conditions logiques indiquées dans lesquelles Jugements, statistiques, arrangements, arrangements booléens Dans les deux premières parties du contenu comparatif dans le calcul, savent ce qui est, comment l'utiliser. L'accent mis sur deux parties et il est très utile dans le projet réel.Nous recommandons aux gens de lire plus d'exemples. Si vous pouvez l'exécuter via votre ordinateur 6. Écrit à l'arrière Série légère et numpie toujours le dernier article de Mon plan, aujourd'hui, c'est mardi.Je ne connais pas tout le monde qui apprend à la manière dont le contenu comprendra et n'a pas besoin de mourir.Bien sûr, j'ai la priorité à la marque ou à vos suggestions.À la prochaine!