Python 기반 numpy 라이브러리 사용
5854 단어 Pythonnumpy 라이브러리활용단어참조
numpy 라이브러리 개요
numpy 라이브러리 처리의 가장 기초적인 데이터 형식은 같은 요소로 구성된 다차원 수조로 약칭'수조'이다
배열의 특징:
numpy 라이브러리의 해석
numpy 라이브러리에 함수가 비교적 많고 자주 사용하는 이름과 혼동되기 쉽기 때문에 다음과 같은 방법으로 numpy 라이브러리를 인용하는 것을 권장합니다
import numpy as np
numpy 라이브러리에서 자주 사용하는 그룹 생성 함수함수
묘사
np.array([x,y,z],dtype=int)
Python 목록 및 메타그룹에서 배열 생성
np.arange(x,y,i)
x에서 y, i를 걸음걸이로 하는 그룹을 만듭니다
np.linspace(x,y,n)
x에서 y까지 n개의 원소로 나뉘는 그룹을 만듭니다
np.indices((m,n))
m행 n열의 행렬 만들기
np.random.rand(m,n)
m행 n열의 무작위 그룹 만들기
np.ones((m,n),dtype)
m행 n열 전체 1의 그룹을 만듭니다. dtype은 데이터 형식입니다.
np.empty((m,n),dtype)
m행 n열 전체 0의 그룹을 만듭니다. dtype은 데이터 형식입니다.
import numpy as np
a1 = np.array([1,2,3,4,5,6])
a2 = np.arange(1,10,3)
a3 = np.linspace(1,10,3)
a4 = np.indices((3,4))
a5 = np.random.rand(3,4)
a6 = np.ones((3,4),int)
a7 = np.empty((3,4),int)
print(a1)
print("===========================================================")
print(a2)
print("===========================================================")
print(a3)
print("===========================================================")
print(a4)
print("===========================================================")
print(a5)
print("===========================================================")
print(a6)
print("===========================================================")
print(a7)
=================================================================================
[1 2 3 4 5 6]
===========================================================
[1 4 7]
===========================================================
[ 1. 5.5 10. ]
===========================================================
[[[0 0 0 0]
[1 1 1 1]
[2 2 2 2]]
[[0 1 2 3]
[0 1 2 3]
[0 1 2 3]]]
===========================================================
[[0.00948155 0.7145306 0.50490391 0.69827703]
[0.18164292 0.78440752 0.75091258 0.31184394]
[0.17199081 0.3789 0.69886588 0.0476422 ]]
===========================================================
[[1 1 1 1]
[1 1 1 1]
[1 1 1 1]]
===========================================================
[[0 0 0 0]
[0 0 0 0]
[0 0 0 0]]
간단한 그룹을 만든 후에 그룹의 속성을 볼 수 있습니다속성
묘사
ndarray.ndim
수조축의 개수는 질이라고도 부른다
ndarray.shape
모든 차원에서 크기의 정수 모듈
ndarray.size
수조 원소의 총 개수
ndarray.dtype
그룹 요소의 데이터 형식, dtype 형식은 그룹을 만드는 데 사용할 수 있습니다
ndarray.itemsize
배열의 각 요소의 바이트 크기
ndarray.data
실제 그룹 요소를 포함하는 버퍼 주소
ndarray.flat
수조 원소의 교체기
import numpy as np
a6 = np.ones((3,4),int)
print(a6)
print("=========================================")
print(a6.ndim)
print("=========================================")
print(a6.shape)
print("=========================================")
print(a6.size)
print("=========================================")
print(a6.dtype)
print("=========================================")
print(a6.itemsize)
print("=========================================")
print(a6.data)
print("=========================================")
print(a6.flat)
=================================================================================
[[1 1 1 1]
[1 1 1 1]
[1 1 1 1]]
=========================================
2
=========================================
(3, 4)
=========================================
12
=========================================
int32
=========================================
4
=========================================
<memory at 0x0000020D79545908>
=========================================
<numpy.flatiter object at 0x0000020D103B1180>
수조는numpy에서 대상이 되어 . () 방식으로 몇 가지 방법을 호출합니다.ndarray류의 형태 조작 방법방법묘사ndarray.reshape(n,m)그룹 ndarray를 바꾸지 않고 (n,m) 차원으로 되돌아오는 그룹ndarray.resize(new_shape)reshape () 와 같은 작용으로 수조 ndarray 직접 수정ndarray.swapaxes(ax1,ax2)수조 n차원 중 임의의 두 차원을 바꾸다ndarray.flatten()수조에 대해 차원을 낮추어 접은 후의 1차원 수조로 되돌아가다ndarray.ravel()작용 np.flatten (), 하지만 되돌아오는 것은 보기입니다.ndarray 클래스의 인덱스와 절단 방법방법묘사x[i]색인 i 요소x[-i]뒤로 색인 i 요소x[n:m]기본 걸음 길이는 1입니다. 앞뒤로 색인합니다. m가 포함되지 않습니다.x[-m:-n]기본 스텝 길이는 1, 앞뒤로 인덱스, 끝 위치는 nx[n: m :i]n에서 m까지의 인덱스 i 단계 지정ndarray 형식 방법을 제외하고numpy 라이브러리는 연산 함수를 제공했다함수묘사np.add(x1,x2[,y])y = x1 + x2np.subtract(x1,x2[,y])y = x1 -x2np.multiply(x1,x2[,y])y = x1 * x2np.divide(x1,x2[,y])y = x1/x2np floor_divide(x1,x2[,y])y = x1//x2np.negative(x[,y])y = -xnp.power(x1,x2[,y])y = x1 ** x2np.remainder(x1,x2[,y])y = x1 % x2numpy 라이브러리의 비교 연산 함수함수기호 설명np.equal(x1,x2[,y])y = x1 == x2np.not_equal(x1,x2[,y])y = x1 != x2np.less(x1,x2,[,y])y = x1 < x2np.less_equal(x1,x2,[,y])y = x1 < = x2np.greater(x1,x2,[,y])y = x1 > x2np.greater_equal(x1,x2,[,y])y >= x1 >= x2np.where(condition[x,y])조건에 따라 출력 x인지 y인지 판단하다numpy 라이브러리의 기타 연산 함수함수묘사np.abs(x)제원소의 성형, 부동점, 또는 복수의 절대값을 계산하다np.sqrt(x)각 원소의 제곱근을 계산하다np.squre(x)각 원소의 제곱을 계산하다np.sign(x)요소당 기호 1(+), 0, -1(-) 계산하기np.ceil(x)각 요소보다 크거나 같은 최소 값을 계산합니다.np.floor(x)각 요소보다 작거나 같은 최대 값을 계산합니다.np.rint(x[,out])모든 요소를 가장 가까운 정수로 하고 데이터 형식을 보존하는 둥근 정돈np.exp(x[,out])각 요소의 지수 값을 계산합니다.np.log(x),np.log10(x),np.log2(x)자연 대수 계산 (e), 10,, 2 대수 기반,log(1+x)Python 기반의 numpy 라이브러리 사용에 관한 이 글은 여기까지 소개합니다. 더 많은 Python numpy 라이브러리 사용 내용은 이전의 글을 검색하거나 아래의 관련 글을 계속 훑어보십시오. 앞으로 많은 응원 부탁드립니다!
이 내용에 흥미가 있습니까?
현재 기사가 여러분의 문제를 해결하지 못하는 경우 AI 엔진은 머신러닝 분석(스마트 모델이 방금 만들어져 부정확한 경우가 있을 수 있음)을 통해 가장 유사한 기사를 추천합니다:
Python의 None과 NULL의 차이점 상세 정보그래서 대상 = 속성 + 방법 (사실 방법도 하나의 속성, 데이터 속성과 구별되는 호출 가능한 속성 같은 속성과 방법을 가진 대상을 클래스, 즉 Classl로 분류할 수 있다.클래스는 하나의 청사진과 같아서 하나의 ...
텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
CC BY-SA 2.5, CC BY-SA 3.0 및 CC BY-SA 4.0에 따라 라이센스가 부여됩니다.