Python Οδηγός NumPy για αρχάριους: Μάθετε με παραδείγματα
Έβελιν Κλαρκ
Σε τι είναι το NumPy Python?
μουδιασμένος είναι μια βιβλιοθήκη ανοιχτού κώδικα διαθέσιμη στο Python, που βοηθά στον προγραμματισμό μαθηματικών, επιστημονικών, μηχανικών και δεδομένων επιστήμης. Είναι μια πολύ χρήσιμη βιβλιοθήκη για την εκτέλεση μαθηματικών και στατιστικών πράξεων 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 πράξεων. 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 Python NumPy Array;
Οι πίνακες NumPy μοιάζουν λίγο Python λίστες, αλλά ταυτόχρονα πολύ διαφορετικές. 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 «Αριθμητικό Python» ή «Αριθμητικό Python".
Δημιουργία πίνακα NumPy
Ο απλούστερος τρόπος για να δημιουργήσετε έναν πίνακα στο Numpy είναι να τον χρησιμοποιήσετε Python Λιστα
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 α Python Λίστα. Η λειτουργία μπορεί 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 μαθηματικές πράξεις όπως προσθέσεις, αφαίρεση, διαίρεση και πολλαπλασιασμό σε έναν πίνακα. Η σύνταξη είναι το όνομα του πίνακα ακολουθούμενο από την πράξη (+.-,*,/) ακολουθούμενη από τον τελεστή
Παράδειγμα:
numpy_array_from_list + 10
Παραγωγή:
array([11, 19, 18, 13])
Αυτή η λειτουργία 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 νπ.μηδενικά Python Η συνάρτηση χρησιμοποιείται για τη δημιουργία ενός πίνακα γεμάτο μηδενικά. numpy.zeros() σε 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')
Python numpy.zeros() Παράμετροι
Εδώ,
- Shape: είναι το σχήμα του μηδενικού πίνακα
- Τύπος: είναι ο τύπος δεδομένων σε μηδενικά μηδενικά. Είναι προαιρετικό. Η προεπιλεγμένη τιμή είναι float64
- Order: Η προεπιλογή είναι το C που είναι ένα βασικό στυλ σειράς για το numpy.zeros() in 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. numpy.ones() σε Python μπορεί να χρησιμοποιηθεί όταν αρχικοποιείτε τα βάρη κατά την πρώτη επανάληψη στο TensorFlow και σε άλλες στατιστικές εργασίες.
Python numpy.ones() Σύνταξη
numpy.ones(shape, dtype=float, order='C')
Python Παράμετροι numpy.ones().
Εδώ,
- Shape: είναι το σχήμα των νπ.ων Python Παράταξη
- Τύπος: είναι ο τύπος δεδομένων σε numpy. Είναι προαιρετικό. Η προεπιλεγμένη τιμή είναι float64
- Order: 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)
Numpy.reshape() συνάρτηση σε 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
Order: 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() in 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,
Order: 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(). Python?
Numpy.hstack είναι μια συνάρτηση σε 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 in Python με 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]
Σε τι βρίσκεται η numpy.vstack(). Python?
Numpy.vstack είναι μια συνάρτηση σε 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 τη δημιουργία τυχαίων αριθμών στο NumPy.
Δημιουργία Τυχαίας Numbers χρησιμοποιώντας το NumPy
Για να δημιουργήσετε τυχαίους αριθμούς 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 την ακόλουθη γραφική παράσταση
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
Order: Η προεπιλογή είναι το C που είναι βασικό στυλ σειράς. Άλλη επιλογή είναι η F (στυλ Fortan)
Παράδειγμα:
Εξετάστε τον ακόλουθο δισδιάστατο πίνακα 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 το np.arange() στο Python λειτουργία.
Σύνταξη:
numpy.arange(start, stop, step, dtype)
Python Παράμετροι NumPy arange:
- Αρχική: Έναρξη διαστήματος για np.arange in Python λειτουργία.
- στάση: Τέλος διαστήματος.
- Βήμα: Διάστημα μεταξύ των τιμών. Το προεπιλεγμένο βήμα είναι 1.
- Τύπος: Είναι ένας τύπος εξόδου πίνακα για το NumPy arange in 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 αυτό το NumPy, οργανώστε τη συνάρτηση μέσα Python Για παράδειγμα, 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 σε Python
Το LogSpace επιστρέφει άρτιους αριθμούς σε απόσταση μεταξύ τους σε κλίμακα καταγραφής. 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 κοπή σε φέτες Python
Ο τεμαχισμός των δεδομένων είναι ασήμαντος με το numpy. Θα κόψουμε σε φέτες τον πίνακα "e". Σημειώστε ότι, σε Python, πρέπει να χρησιμοποιήσετε τις αγκύλες 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]
In Python, όπως 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 σε 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 τον ακόλουθο πίνακα:
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. numpy.dot() σε Python χειρίζεται τους δισδιάστατους 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. Διαφορετικά, το ndarray θα πρέπει να επιστραφεί.
Επιστροφές
Η συνάρτηση numpy.dot() in Python επιστρέφει ένα γινόμενο με τελείες δύο πινάκων x και y. Η συνάρτηση dot() επιστρέφει ένα βαθμωτό αν και τα δύο x και y είναι 1-D. Διαφορετικά, επιστρέφει έναν πίνακα. Εάν δοθεί 'έξω' τότε επιστρέφεται.
Αυξήσεις
Το προϊόν με κουκκίδες 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 μήτρας σε 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 προωθείται πρώτα σε μια μήτρα 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
Σύνοψη
- Python είναι μια βιβλιοθήκη ανοιχτού κώδικα διαθέσιμη στο Python, που βοηθά σε μαθηματικά, επιστημονικά, μηχανικά και προγραμματισμός επιστήμης δεδομένων.
- numpy.zeros() ή np.zeros Python Η συνάρτηση χρησιμοποιείται για τη δημιουργία ενός πίνακα γεμάτο μηδενικά.
- numpy.ones() σε Python μπορεί να χρησιμοποιηθεί όταν αρχικοποιείτε τα βάρη κατά την πρώτη επανάληψη στο TensorFlow και σε άλλες στατιστικές εργασίες.
- Python Η συνάρτηση NumPy Reshape χρησιμοποιείται για τη διαμόρφωση ενός πίνακα χωρίς αλλαγή των δεδομένων του.
- Python Η συνάρτηση NumPy Flatten χρησιμοποιείται για την επιστροφή ενός αντιγράφου του πίνακα σε μία διάσταση.
- Το Numpy.hstack είναι μια συνάρτηση στο Python που χρησιμοποιείται για την οριζόντια στοίβαξη ακολουθιών πινάκων εισόδου προκειμένου να δημιουργηθεί ένας μόνο πίνακας.
- Το Numpy.vstack είναι μια συνάρτηση στο 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.