Python NumPy Tutorial για αρχάριους: Μάθετε με παραδείγματα

Τι είναι το NumPy στην Python;

μουδιασμένος είναι μια βιβλιοθήκη ανοιχτού κώδικα διαθέσιμη σε Python, η οποία βοηθά στον προγραμματισμό μαθηματικών, επιστημονικών, μηχανικών και επιστήμης δεδομένων. Είναι μια πολύ χρήσιμη βιβλιοθήκη για την εκτέλεση μαθηματικών και στατιστικών operations στην Python. Λειτουργεί τέλεια για πολυδιάστατους πίνακες και πολλαπλασιασμό πινάκων. Είναι εύκολο να ενσωματωθεί με το C/C + + και Fortran.

Για κάθε επιστημονικό έργο, το NumPy είναι το εργαλείο που πρέπει να γνωρίζετε. Έχει κατασκευαστεί για να λειτουργεί με τον πίνακα Ν-διαστάσεων, τη γραμμική άλγεβρα, τον τυχαίο αριθμό, τον μετασχηματισμό Fourier κ.λπ.

Η NumPy είναι μια γλώσσα προγραμματισμού που ασχολείται με πολυδιάστατους πίνακες και πίνακες. Πάνω από τους πίνακες και τους πίνακες, το NumPy υποστηρίζει μεγάλο αριθμό μαθηματικών operaθέσεις. Σε αυτό το μέρος, θα εξετάσουμε τις βασικές λειτουργίες που πρέπει να γνωρίζετε για το σεμινάριο σχετικά με το 'TensorFlow".

Γιατί να χρησιμοποιήσετε το NumPy;

Το NumPy είναι αποδοτικό στη μνήμη, που σημαίνει ότι μπορεί να χειριστεί τον τεράστιο όγκο δεδομένων πιο προσβάσιμο από οποιαδήποτε άλλη βιβλιοθήκη. Επιπλέον, το NumPy είναι πολύ βολικό για εργασία, ειδικά για τον πολλαπλασιασμό και την αναμόρφωση πινάκων. Επιπλέον, το NumPy είναι γρήγορο. Στην πραγματικότητα, το TensorFlow και το Scikit μαθαίνουν να χρησιμοποιούν τον πίνακα NumPy για να υπολογίζουν τον πολλαπλασιασμό του πίνακα στο πίσω άκρο.

Πώς να εγκαταστήσετε το NumPy

Για να εγκαταστήσετε τη βιβλιοθήκη NumPy, ανατρέξτε στον οδηγό μας Πώς να εγκαταστήσετε το TensorFlow. Το NumPy εγκαθίσταται από προεπιλογή με το Anaconda.

Σε απομακρυσμένη περίπτωση, το NumPy δεν είναι εγκατεστημένο-

Μπορείτε να εγκαταστήσετε το NumPy χρησιμοποιώντας το Anaconda:

conda install -c anaconda numpy
  • In Jupyter Σημειωματάριο :
import sys
!conda install --yes --prefix {sys.prefix} numpy

Εισαγωγή NumPy και Έλεγχος έκδοσης

Η εντολή για εισαγωγή numpy είναι:

import numpy as np

Ο παραπάνω κώδικας μετονομάζει τον χώρο ονομάτων Numpy σε np. Αυτό μας επιτρέπει να βάλουμε το πρόθεμα της συνάρτησης, των μεθόδων και των χαρακτηριστικών Numpy με "np" αντί να πληκτρολογήσουμε "numpy". Είναι η τυπική συντόμευση που θα βρείτε στη βιβλιογραφία numpy

Για να ελέγξετε την εγκατεστημένη έκδοση του NumPy, χρησιμοποιήστε την παρακάτω εντολή:

print (np.__version__)

Παραγωγή:

1.18.0

Τι είναι το Python NumPy Array;

Οι πίνακες NumPy μοιάζουν λίγο με τις λίστες Python, αλλά εξακολουθούν να είναι πολύ διαφορετικοί ταυτόχρονα. Για όσους από εσάς είστε νέοι στο θέμα, ας διευκρινίσουμε τι ακριβώς είναι και σε τι είναι καλό.

Όπως φαίνεται και από το όνομα, ένας πίνακας NumPy είναι μια κεντρική δομή δεδομένων της numpy βιβλιοθήκης. Το όνομα της βιβλιοθήκης είναι στην πραγματικότητα σύντομο για το "Numeric Python" ή "Numerical Python".

Δημιουργία πίνακα NumPy

Ο απλούστερος τρόπος για να δημιουργήσετε έναν πίνακα στο Numpy είναι να τον χρησιμοποιήσετε Λίστα Python

myPythonList = [1,9,8,3]

Για να μετατρέψετε τη λίστα python σε έναν πίνακα numpy χρησιμοποιώντας το αντικείμενο np.array.

numpy_array_from_list = np.array(myPythonList)

Για να εμφανίσετε τα περιεχόμενα της λίστας

numpy_array_from_list

Παραγωγή:

array([1, 9, 8, 3])

Στην πράξη, δεν χρειάζεται να δηλώσετε μια Python List. ο operaμπορεί να συνδυαστεί.

a  = np.array([1,9,8,3])

ΣΗΜΕΊΩΣΗ: Η τεκμηρίωση Numpy αναφέρει τη χρήση του np.ndarray για τη δημιουργία πίνακα. Ωστόσο, αυτή είναι η προτεινόμενη μέθοδος.

Μπορείτε επίσης να δημιουργήσετε έναν numpy πίνακα από ένα Tuple.

Μαθηματικός Operaσε έναν πίνακα

Θα μπορούσατε να εκτελέσετε μαθηματικά operaθέσεις όπως προσθέσεις, αφαίρεση, διαίρεση και πολλαπλασιασμό σε έναν πίνακα. Η σύνταξη είναι το όνομα του πίνακα που ακολουθείται από το operation (+.-,*,/) ακολουθούμενο από το operand

Παράδειγμα:

numpy_array_from_list + 10

Παραγωγή:

array([11, 19, 18, 13])

Αυτός ο διαλογισμός στα operation προσθέτει 10 σε κάθε στοιχείο του numpy πίνακα.

Σχήμα πίνακα

Μπορείτε να ελέγξετε το σχήμα του πίνακα με το σχήμα του αντικειμένου πριν από το όνομα του πίνακα. Με τον ίδιο τρόπο, μπορείτε να ελέγξετε τον τύπο με dtypes.

import numpy as np
a  = np.array([1,2,3])
print(a.shape)
print(a.dtype)

(3,)
int64

Ένας ακέραιος είναι μια τιμή χωρίς δεκαδικό. Εάν δημιουργήσετε έναν πίνακα με δεκαδικό, τότε ο τύπος θα αλλάξει σε float.

#### Different type
b  = np.array([1.1,2.0,3.2])
print(b.dtype)

float64

Πίνακας 2 διαστάσεων

Μπορείτε να προσθέσετε μια διάσταση με "," κώμα

Σημειώστε ότι πρέπει να βρίσκεται εντός της αγκύλης []

### 2 dimension
c = np.array([(1,2,3),
              (4,5,6)])
print(c.shape)
(2, 3)

Πίνακας 3 διαστάσεων

Η υψηλότερη διάσταση μπορεί να κατασκευαστεί ως εξής:

### 3 dimension
d = np.array([
    [[1, 2,3],
        [4, 5, 6]],
    [[7, 8,9],
        [10, 11, 12]]
])
print(d.shape)
(2, 2, 3)
Σκοπός Κώδικας
Δημιουργία πίνακα πίνακας ([1,2,3])
εκτυπώστε το σχήμα πίνακας([.]).σχήμα

Τι είναι το numpy.zeros();

numpy.zeros() ή np.zeros Η συνάρτηση Python χρησιμοποιείται για τη δημιουργία ενός πίνακα γεμάτο μηδενικά. Το numpy.zeros() στην Python μπορεί να χρησιμοποιηθεί όταν αρχικοποιείτε τα βάρη κατά την πρώτη επανάληψη στο TensorFlow και σε άλλες στατιστικές εργασίες.

Συντακτική συνάρτηση numpy.zeros().

numpy.zeros(shape, dtype=float, order='C')

Παράμετροι Python numpy.zeros().

Εδώ,

  • Shape: είναι το σχήμα του μηδενικού πίνακα
  • Τύπος: είναι ο τύπος δεδομένων σε μηδενικά μηδενικά. Είναι προαιρετικό. Η προεπιλεγμένη τιμή είναι float64
  • ΣΥΝΟΨΗ: Η προεπιλογή είναι το C που είναι ένα βασικό στυλ σειράς για το numpy.zeros() στην Python.

Python numpy.zeros() Παράδειγμα

import numpy as np
np.zeros((2,2))

Παραγωγή:

array([[0., 0.],
          [0., 0.]])

Παράδειγμα numpy zero με Datatype

import numpy as np
np.zeros((2,2), dtype=np.int16)

Παραγωγή:

array([[0, 0],
         [0, 0]], dtype=int16)

Τι είναι το numpy.ones();

Συνάρτηση np.ones(). χρησιμοποιείται για τη δημιουργία μιας μήτρας γεμάτη από μονάδες. Το numpy.ones() στην Python μπορεί να χρησιμοποιηθεί όταν αρχικοποιείτε τα βάρη κατά την πρώτη επανάληψη στο TensorFlow και σε άλλες στατιστικές εργασίες.

Σύνταξη Python numpy.ones().

numpy.ones(shape, dtype=float, order='C')

Παράμετροι Python numpy.ones().

Εδώ,

  • Shape: είναι το σχήμα των νπ.ων Python Array
  • Τύπος: είναι ο τύπος δεδομένων σε numpy. Είναι προαιρετικό. Η προεπιλεγμένη τιμή είναι float64
  • ΣΥΝΟΨΗ: Η προεπιλογή είναι το C που είναι βασικό στυλ σειράς.

Python numpy.ones() Δισδιάστατος πίνακας με Παράδειγμα τύπου δεδομένων

import numpy as np
np.ones((1,2,3), dtype=np.int16)

Παραγωγή:

array([[[1, 1, 1],        
       [1, 1, 1]]], dtype=int16)

Η συνάρτηση numpy.reshape() στην Python

Python NumPy Reshape Η συνάρτηση χρησιμοποιείται για να διαμορφώσει έναν πίνακα χωρίς να αλλάξει τα δεδομένα του. Σε ορισμένες περιπτώσεις, μπορεί να χρειαστεί να αλλάξετε το σχήμα των δεδομένων από ευρεία σε μακρά. Μπορείτε να χρησιμοποιήσετε τη συνάρτηση np.reshape για αυτό.

Σύνταξη του np.reshape()

numpy.reshape(a, newShape, order='C')

Εδώ,

a: Πίνακας που θέλετε να αναδιαμορφώσετε

newShape: Οι νέες επιθυμίες διαμορφώνονται

ΣΥΝΟΨΗ: Η προεπιλογή είναι το C που είναι βασικό στυλ σειράς.

Παράδειγμα αναμόρφωσης NumPy

import numpy as np
e  = np.array([(1,2,3), (4,5,6)])
print(e)
e.reshape(3,2)

Παραγωγή:

 // Before reshape
[[1 2 3] 
 [4 5 6]]
//After Reshape
array([[1, 2],       
	[3, 4],       
	[5, 6]])

numpy.flatten() στην Python

Python NumPy Flatten Η συνάρτηση χρησιμοποιείται για την επιστροφή ενός αντιγράφου του πίνακα σε μία διάσταση. Όταν ασχολείστε με κάποιο νευρωνικό δίκτυο όπως το convnet, πρέπει να ισοπεδώσετε τη συστοιχία. Μπορείτε να χρησιμοποιήσετε τις συναρτήσεις np.flatten() για αυτό.

Σύνταξη του np.flatten()

numpy.flatten(order='C')

Εδώ,
ΣΥΝΟΨΗ: Η προεπιλογή είναι το C που είναι βασικό στυλ σειράς.

Παράδειγμα NumPy Flatten

e.flatten()

Παραγωγή:

array([1, 2, 3, 4, 5, 6])

Τι είναι το numpy.hstack() στην Python;

Numpy.hstack είναι μια συνάρτηση στην Python που χρησιμοποιείται για την οριζόντια στοίβαξη ακολουθιών πινάκων εισόδου προκειμένου να δημιουργηθεί ένας μόνο πίνακας. Με τη συνάρτηση hstack(), μπορείτε να προσθέσετε δεδομένα οριζόντια. Είναι μια πολύ βολική λειτουργία στο NumPy.

Ας μελετήσουμε το hstack στην Python με ένα παράδειγμα:

Παράδειγμα:

## Horitzontal Stack
import numpy as np
f = np.array([1,2,3])
g = np.array([4,5,6])
print('Horizontal Append:', np.hstack((f, g)))

Παραγωγή:

Horizontal Append: [1 2 3 4 5 6]

Τι είναι το numpy.vstack() στην Python;

Numpy.vstack είναι μια συνάρτηση στην Python που χρησιμοποιείται για την κατακόρυφη στοίβαξη ακολουθιών πινάκων εισόδου προκειμένου να δημιουργηθεί ένας μόνο πίνακας. Με τη συνάρτηση vstack(), μπορείτε να προσθέσετε δεδομένα κάθετα.

Ας το μελετήσουμε με ένα παράδειγμα:

Παράδειγμα:

## Vertical Stack
import numpy as np
f = np.array([1,2,3])
g = np.array([4,5,6])
print('Vertical Append:', np.vstack((f, g)))

Παραγωγή:

Vertical Append: [[1 2 3]
 [4 5 6]]

Αφού μελετήσουμε το NumPy vstack και hstack, ας μάθουμε ένα παράδειγμα για να δημιουργήσουμε τυχαία numbers στο NumPy.

Δημιουργία Τυχαίας Numbers χρησιμοποιώντας το NumPy

Για να δημιουργήσετε τυχαία numbers για Gaussian κατανομή, χρησιμοποιήστε:

numpy.random.normal(loc, scale, size)

Εδώ,

  • Θέση: το νόημα. Το κέντρο διανομής
  • Κλίμακα: τυπική απόκλιση.
  • Μέγεθος: αριθμός επιστροφών

Παράδειγμα:

## Generate random nmber from normal distribution
normal_array = np.random.normal(5, 0.5, 10)
print(normal_array)			
[5.56171852 4.84233558 4.65392767 4.946659   4.85165567 5.61211317 4.46704244 5.22675736 4.49888936 4.68731125]

Εάν σχεδιαστεί η κατανομή θα είναι παρόμοια με το following οικόπεδο

Παράδειγμα για να δημιουργήσετε τυχαία Numbers χρησιμοποιώντας το NumPy
Παράδειγμα για να δημιουργήσετε τυχαία Numbers χρησιμοποιώντας το NumPy

Λειτουργία NumPy Asarray

Η συνάρτηση asarray() χρησιμοποιείται όταν θέλετε να μετατρέψετε μια είσοδο σε πίνακα. Η είσοδος θα μπορούσε να είναι λίστες, πλειάδα, ndarray κ.λπ.

Σύνταξη:

numpy.asarray(data, dtype=None, order=None)[source]

Εδώ,

ημερομηνία: Δεδομένα που θέλετε να μετατρέψετε σε πίνακα

dtype: Αυτό είναι ένα προαιρετικό όρισμα. Εάν δεν καθορίζεται, ο τύπος δεδομένων προκύπτει από τα δεδομένα εισόδου

ΣΥΝΟΨΗ: Η προεπιλογή είναι το C που είναι βασικό στυλ σειράς. Άλλη επιλογή είναι η F (στυλ Fortan)

Παράδειγμα:

Σκεφτείτε το ακόλουθοwing Δισδιάστατος πίνακας με τέσσερις σειρές και τέσσερις στήλες γεμάτες με 2

import numpy as np
A = np.matrix(np.ones((4,4)))

Εάν θέλετε να αλλάξετε την τιμή του πίνακα, δεν μπορείτε. Ο λόγος είναι ότι δεν είναι δυνατή η αλλαγή αντιγράφου.

np.array(A)[2]=2
print(A)			
[[1. 1. 1. 1.]
 [1. 1. 1. 1.] 
 [1. 1. 1. 1.] 
 [1. 1. 1. 1.]]

Το Matrix είναι αμετάβλητο. Μπορείτε να χρησιμοποιήσετε το asarray εάν ​​θέλετε να προσθέσετε τροποποίηση στον αρχικό πίνακα. Ας δούμε αν συμβαίνει κάποια αλλαγή όταν θέλετε να αλλάξετε την τιμή των τρίτων σειρών με την τιμή 2.

np.asarray(A)[2]=2
print(A)

Επεξήγηση κώδικα:

np.asarray(A): μετατρέπει τον πίνακα A σε πίνακα

[2]: επιλέξτε τις τρίτες σειρές

Παραγωγή:

[[1. 1. 1. 1.] 
      [1. 1. 1. 1.] 
      [2. 2. 2. 2.] # new value 
      [1. 1. 1. 1.]]

Τι είναι το numpy.arange();

numpy.arange() είναι μια ενσωματωμένη numpy συνάρτηση που επιστρέφει ένα αντικείμενο ndarray που περιέχει ομοιόμορφες τιμές σε ένα καθορισμένο διάστημα. Για παράδειγμα, θέλετε να δημιουργήσετε τιμές από 1 έως 10. μπορείτε να χρησιμοποιήσετε np.arange() στη συνάρτηση Python.

Σύνταξη:

numpy.arange(start, stop, step, dtype)

Παράμετροι Python NumPy arange:

  • Αρχική: Έναρξη διαστήματος για np.arange στη συνάρτηση Python.
  • στάση: Τέλος διαστήματος.
  • Βήμα: Διάστημα μεταξύ των τιμών. Το προεπιλεγμένο βήμα είναι 1.
  • Τύπος: Είναι ένας τύπος εξόδου πίνακα για το NumPy arange στην Python.

Παράδειγμα:

import numpy np
np.arange(1, 11)

Παραγωγή:

array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10])

Παράδειγμα:

Εάν θέλετε να αλλάξετε το βήμα σε αυτήν τη συνάρτηση arange NumPy στο παράδειγμα Python, μπορείτε να προσθέσετε έναν τρίτο αριθμό στην παρένθεση. Θα αλλάξει το βήμα.

import numpy np
np.arange(1, 14, 4)

Παραγωγή:

array([ 1,  5,  9, 13])

Λειτουργία NumPy Linspace

Το Linspace δίνει δείγματα ομοιόμορφα κατανεμημένα.

Σύνταξη:

numpy.linspace(start, stop, num, endpoint)

Εδώ,

  • Αρχική: Αρχική τιμή της ακολουθίας
  • στάση: Τελική τιμή της ακολουθίας
  • Σε: Αριθμός δειγμάτων προς παραγωγή. Η προεπιλογή είναι 50
  • Τελικό σημείο: Εάν είναι True (προεπιλογή), το stop είναι η τελευταία τιμή. Εάν είναι False, η τιμή διακοπής δεν περιλαμβάνεται.

Παράδειγμα:

Για παράδειγμα, μπορεί να χρησιμοποιηθεί για τη δημιουργία 10 τιμών από 1 έως 5 ομοιόμορφα.

import numpy as np
np.linspace(1.0, 5.0, num=10)

Παραγωγή:

array([1.        , 1.44444444, 1.88888889, 2.33333333, 2.77777778,       3.22222222, 3.66666667, 4.11111111, 4.55555556, 5.        ])

Εάν δεν θέλετε να συμπεριλάβετε το τελευταίο ψηφίο στο διάστημα, μπορείτε να ορίσετε το τελικό σημείο σε false

np.linspace(1.0, 5.0, num=5, endpoint=False)

Παραγωγή:

array([1. , 1.8, 2.6, 3.4, 4.2])

Λειτουργία LogSpace NumPy στην Python

Το LogSpace επιστρέφει ομοιόμορφα σε απόσταση numbers σε ημερολογιακή κλίμακα. Το Logspace έχει τις ίδιες παραμέτρους με το np.linspace.

Σύνταξη:

numpy.logspace(start, stop, num, endpoint)

Παράδειγμα:

np.logspace(3.0, 4.0, num=4)

Παραγωγή:

array([ 1000. ,  2154.43469003,  4641.58883361, 10000.        ])

Τέλος, εάν θέλετε να ελέγξετε το μέγεθος της μνήμης ενός στοιχείου σε έναν πίνακα, μπορείτε να χρησιμοποιήσετε το μέγεθος των στοιχείων

x = np.array([1,2,3], dtype=np.complex128)
x.itemsize

Παραγωγή:

16

Κάθε στοιχείο παίρνει 16 byte.

Ευρετηρίαση και τεμαχισμός σε Python

Ο τεμαχισμός των δεδομένων είναι ασήμαντος με το numpy. Θα κόψουμε σε φέτες τον πίνακα "e". Σημειώστε ότι, στην Python, πρέπει να χρησιμοποιήσετε το brackets για να επιστρέψετε τις γραμμές ή τις στήλες
Παράδειγμα:

## Slice
import numpy as np
e  = np.array([(1,2,3), (4,5,6)])
print(e)
[[1 2 3]
 [4 5 6]]

Θυμηθείτε με numpy ο πρώτος πίνακας/στήλη ξεκινά από το 0.

## First column
print('First row:', e[0])

## Second col
print('Second row:', e[1])

Παραγωγή:

First row: [1 2 3]
Second row: [4 5 6]

Στην Python, όπως και πολλές άλλες γλώσσες,

  • Οι τιμές πριν από το κόμμα αντιπροσωπεύουν τις σειρές
  • Η τιμή στα δικαιώματα αντιπροσωπεύει τις στήλες.
  • Εάν θέλετε να επιλέξετε μια στήλη, πρέπει να προσθέσετε : πριν από το ευρετήριο στήλης.
  • : σημαίνει ότι θέλετε όλες τις σειρές από την επιλεγμένη στήλη.
print('Second column:', e[:,1])
Second column: [2 5]

Για να επιστρέψετε τις δύο πρώτες τιμές της δεύτερης σειράς. Χρησιμοποιείτε : για να επιλέξετε όλες τις στήλες μέχρι τη δεύτερη

## Second Row, two values
  print(e[1, :2])			
  [4 5]

Στατιστικές συναρτήσεις στην Python

Το NumPy έχει αρκετές χρήσιμες στατιστικές συναρτήσεις για την εύρεση ελάχιστης, μέγιστης, εκατοστιαίας τυπικής απόκλισης και διακύμανσης, κ.λπ. από τα δεδομένα στοιχεία του πίνακα. Οι συναρτήσεις εξηγούνται ως εξής −

Το Numpy είναι εξοπλισμένο με την ισχυρή στατιστική λειτουργία όπως αναφέρεται παρακάτω

Λειτουργία Νούμπι
Ελάχ. np.min()
Μέγ. np.max()
Μέσο np.mean()
Διάμεσος np.median()
Τυπική απόκλιση np.std()

Σκεφτείτε το ακόλουθοwing Παράταξη:

Παράδειγμα:

import numpy as np
normal_array = np.random.normal(5, 0.5, 10)
print(normal_array)

Παραγωγή:

[5.56171852 4.84233558 4.65392767 4.946659   4.85165567 5.61211317 4.46704244 5.22675736 4.49888936 4.68731125]

Παράδειγμα στατιστικής συνάρτησης NumPy

### Min 
print(np.min(normal_array))

### Max 
print(np.max(normal_array))

### Mean 
print(np.mean(normal_array))

### Median
print(np.median(normal_array))

### Sd
print(np.std(normal_array))

Παραγωγή:

4.467042435266913
5.612113171990201
4.934841002270593
4.846995625786663
0.3875019367395316

Τι είναι το προϊόν numpy dot;

Προϊόν Numpy.dot είναι μια ισχυρή βιβλιοθήκη για υπολογισμούς μήτρας. Για παράδειγμα, μπορείτε να υπολογίσετε το γινόμενο κουκίδων με το np.dot. Το γινόμενο Numpy.dot είναι το γινόμενο με τελείες των a και b. Η numpy.dot() στην Python χειρίζεται τους 2D πίνακες και εκτελεί πολλαπλασιασμούς πινάκων.

Σύνταξη:

numpy.dot(x, y, out=None)

παράμετροι

Εδώ,

x, y: Εισαγωγή συστοιχιών. Τα x και y και τα δύο πρέπει να είναι 1-D ή 2-D για να λειτουργήσει η συνάρτηση np.dot()

έξω: Αυτό είναι το όρισμα εξόδου για τον βαθμωτό πίνακα 1-D που θα επιστραφεί. Αλλαwise Το ndarray θα πρέπει να επιστραφεί.

Επιστροφές

Η συνάρτηση numpy.dot() στην Python επιστρέφει ένα γινόμενο Dot δύο πινάκων x και y. Η συνάρτηση dot() επιστρέφει ένα βαθμωτό αν και τα δύο x και y είναι 1-D. άλλαwise, επιστρέφει έναν πίνακα. Εάν δοθεί 'έξω' τότε επιστρέφεται.

Αυξήσεις

Το προϊόν κουκκίδας στην Python δημιουργεί μια εξαίρεση ValueError εάν η τελευταία διάσταση του x δεν έχει το ίδιο μέγεθος με τη δεύτερη τελευταία διάσταση του y.

Παράδειγμα:

## Linear algebra
### Dot product: product of two arrays
f = np.array([1,2])
g = np.array([4,5])
### 1*4+2*5
np.dot(f, g)

Παραγωγή:

14

Πολλαπλασιασμός Matrix στην Python

Η συνάρτηση Numpy matmul() χρησιμοποιείται για την επιστροφή του γινόμενου πίνακα 2 πινάκων. Εδώ είναι πώς λειτουργεί

1) Πίνακες 2-D, επιστρέφει κανονικό προϊόν

2) Διαστάσεις > 2, το προϊόν αντιμετωπίζεται ως στοίβα μήτρας

3) Ο 1-D πίνακας είναι πρώτος promoσε έναν πίνακα και στη συνέχεια υπολογίζεται το γινόμενο

Σύνταξη:

numpy.matmul(x, y, out=None)

Εδώ,

x, y: Εισαγωγή συστοιχιών. δεν επιτρέπονται σκαλοπάτια

έξω: Αυτή είναι προαιρετική παράμετρος. Συνήθως η έξοδος αποθηκεύεται σε ndarray

Παράδειγμα:

Με τον ίδιο τρόπο, μπορείτε να υπολογίσετε τον πολλαπλασιασμό πινάκων με το np.matmul

### Matmul: matruc product of two arrays
h = [[1,2],[3,4]] 
i = [[5,6],[7,8]] 
### 1*5+2*7 = 19
np.matmul(h, i)

Παραγωγή:

array([[19, 22],       
            [43, 50]])

καθοριστικός

Τελευταίο αλλά εξίσου σημαντικό, εάν χρειάζεται να υπολογίσετε την ορίζουσα, μπορείτε να χρησιμοποιήσετε το np.linalg.det(). Σημειώστε ότι το numpy φροντίζει τη διάσταση.

Παράδειγμα:

## Determinant 2*2 matrix
### 5*8-7*6np.linalg.det(i)

Παραγωγή:

-2.000000000000005

Χαρακτηριστικά

  • Python είναι μια βιβλιοθήκη ανοιχτού κώδικα διαθέσιμη στην Python, η οποία βοηθά σε μαθηματικά, επιστημονικά, μηχανικά και προγραμματισμός επιστήμης δεδομένων.
  • Numpy.zeros() ή np.zeros Η συνάρτηση Python χρησιμοποιείται για τη δημιουργία ενός πίνακα γεμάτο μηδενικά.
  • Το numpy.ones() στην Python μπορεί να χρησιμοποιηθεί όταν αρχικοποιείτε τα βάρη κατά την πρώτη επανάληψη στο TensorFlow και σε άλλες στατιστικές εργασίες.
  • Η συνάρτηση Python NumPy Reshape χρησιμοποιείται για τη διαμόρφωση ενός πίνακα χωρίς αλλαγή των δεδομένων του.
  • Η συνάρτηση Python NumPy Flatten χρησιμοποιείται για την επιστροφή ενός αντιγράφου του πίνακα σε μία διάσταση.
  • Το Numpy.hstack είναι μια συνάρτηση στην Python που χρησιμοποιείται για την οριζόντια στοίβαξη ακολουθιών πινάκων εισόδου προκειμένου να δημιουργηθεί ένας μόνο πίνακας.
  • Το Numpy.vstack είναι μια συνάρτηση στην Python που χρησιμοποιείται για την κατακόρυφη στοίβαξη ακολουθιών πινάκων εισόδου προκειμένου να δημιουργηθεί ένας μόνο πίνακας.
  • Η numpy.arange() είναι μια ενσωματωμένη συνάρτηση numpy που επιστρέφει ένα αντικείμενο ndarray που περιέχει τιμές ομοιόμορφα τοποθετημένες σε ένα καθορισμένο διάστημα.
  • Το προϊόν Numpy.dot είναι μια ισχυρή βιβλιοθήκη για υπολογισμούς μήτρας.
  • Η συνάρτηση Numpy matmul() χρησιμοποιείται για την επιστροφή του γινόμενου πίνακα 2 πινάκων.