importnumpyasnpa=np.array([[1357911][24681012]])# horizontal splittingprint('Splitting along horizontal axis into 2 parts:n'np.hsplit(a2))# vertical splittingprint('nSplitting along vertical axis into 2 parts:n'np.vsplit(a2))
Termi yleislähetys kuvaa kuinka NumPy käsittelee erimuotoisia taulukoita aritmeettisten operaatioiden aikana. Tietyillä rajoituksilla pienempi joukko "lähetetään" suuremman taulukon poikki, jotta niillä on yhteensopivat muodot. Broadcasting tarjoaa tavan vektorisoida taulukkooperaatioita siten, että silmukka tapahtuu C:ssä Pythonin sijaan. Se tekee tämän tekemättä tarpeettomia kopioita tiedoista ja johtaa yleensä tehokkaisiin algoritmien toteuttamiseen. On myös tapauksia, joissa lähetys on huono idea, koska se johtaa tehottomaan muistin käyttöön, mikä hidastaa laskentaa. NumPy-operaatiot tehdään yleensä elementti kerrallaan, mikä edellyttää, että kaksi taulukkoa ovat täsmälleen saman muotoisia. Numpyn yleislähetyssääntö lieventää tätä rajoitusta, kun taulukoiden muodot täyttävät tietyt rajoitukset. Lähetyssääntö: Jotta operaation molempien taulukoiden loppuakselien koko voidaan lähettää, on oltava joko samankokoinen tai toinen niistä on yksi . Let us see some examples:
A(2-D array): 4 x 3 B(1-D array): 3 Result : 4 x 3
A(4-D array): 7 x 1 x 6 x 1 B(3-D array): 3 x 1 x 5 Result : 7 x 3 x 6 x 5
But this would be a mismatch:
A: 4 x 3 B: 4
The simplest broadcasting example occurs when an array and a scalar value are combined in an operation. Consider the example given below: Python
importnumpyasnpa=np.array([1.02.03.0])# Example 1b=2.0print(a*b)# Example 2c=[2.02.02.0]print(a*c)
Output:
[ 2. 4. 6.] [ 2. 4. 6.]
We can think of the scalar b being stretched during the arithmetic operation into an array with the same shape as a. The new elements in b as shown in above figure are simply copies of the original scalar. Although the stretching analogy is only conceptual. Numpy is smart enough to use the original scalar value without actually making copies so that broadcasting operations are as memory and computationally efficient as possible. Because Example 1 moves less memory (b is a scalar not an array) around during the multiplication it is about 10% faster than Example 2 using the standard numpy on Windows 2000 with one million element arrays! The figure below makes the concept more clear: In above example the scalar b is stretched to become an array of with the same shape as a so the shapes are compatible for element-by-element multiplication. Now let us see an example where both arrays get stretched. Python
Joissakin tapauksissa yleislähetys venyttää molempia matriiseja muodostaen lähtötaulukon, joka on suurempi kuin jompikumpi alkuperäisistä taulukoista.
Työskentely päivämäärän ja ajan kanssa:
Numpy has core array data types which natively support datetime functionality. The data type is called datetime64 so named because datetime is already taken by the datetime library included in Python. Consider the example below for some examples: Python
importnumpyasnp# creating a datetoday=np.datetime64('2017-02-12')print('Date is:'today)print('Year is:'np.datetime64(today'Y'))# creating array of dates in a monthdates=np.arange('2017-02''2017-03'dtype='datetime64[D]')print('nDates of February 2017:n'dates)print('Today is February:'todayindates)# arithmetic operation on datesdur=np.datetime64('2017-05-22')-np.datetime64('2016-05-22')print('nNo. of days:'dur)print('No. of weeks:'np.timedelta64(dur'W'))# sorting datesa=np.array(['2017-02-12''2016-10-13''2019-05-22']dtype='datetime64')print('nDates in sorted order:'np.sort(a))
Output:
Date is: 2017-02-12 Year is: 2017 Dates of February 2017: ['2017-02-01' '2017-02-02' '2017-02-03' '2017-02-04' '2017-02-05' '2017-02-06' '2017-02-07' '2017-02-08' '2017-02-09' '2017-02-10' '2017-02-11' '2017-02-12' '2017-02-13' '2017-02-14' '2017-02-15' '2017-02-16' '2017-02-17' '2017-02-18' '2017-02-19' '2017-02-20' '2017-02-21' '2017-02-22' '2017-02-23' '2017-02-24' '2017-02-25' '2017-02-26' '2017-02-27' '2017-02-28'] Today is February: True No. of days: 365 days No. of weeks: 52 weeks Dates in sorted order: ['2016-10-13' '2017-02-12' '2019-05-22']
Lineaarinen algebra NumPyssä:
NumPyn Linear Algebra -moduuli tarjoaa erilaisia menetelmiä lineaarisen algebran soveltamiseen mihin tahansa numpy-taulukkoon. Löydät:
taulukon rank determinant trace jne..
omia arvoja tai matriiseja
matriisi ja vektoritulot (pisteen sisäinen ulko jne. tulo) matriisin eksponentio
ratkaise lineaarisia tai tensoriyhtälöitä ja paljon muuta!
Consider the example below which explains how we can use NumPy to do some matrix operations. Python
importnumpyasnpA=np.array([[611][4-25][287]])print('Rank of A:'np.linalg.matrix_rank(A))print('nTrace of A:'np.trace(A))print('nDeterminant of A:'np.linalg.det(A))print('nInverse of A:n'np.linalg.inv(A))print('nMatrix A raised to power 3:n'np.linalg.matrix_power(A3))
Output:
Rank of A: 3 Trace of A: 11 Determinant of A: -306.0 Inverse of A: [[ 0.17647059 -0.00326797 -0.02287582] [ 0.05882353 -0.13071895 0.08496732] [-0.11764706 0.1503268 0.05228758]] Matrix A raised to power 3: [[336 162 228] [406 162 469] [698 702 905]]
Let us assume that we want to solve this linear equation set:
x + 2*y = 8 3*x + 4*y = 18
This problem can be solved using linalg.solve method as shown in example below: Python
importnumpyasnp# coefficientsa=np.array([[12][34]])# constantsb=np.array([818])print('Solution of linear equations:'np.linalg.solve(ab))
Output:
Solution of linear equations: [ 2. 3.]
Finally we see an example which shows how one can perform linear regression using least squares method. A linear regression line is of the form w1 x + w 2 = y ja se on viiva, joka minimoi kunkin datapisteen ja suoran välisen etäisyyden neliöiden summan. Kun siis annetaan n dataparia (xi yi), etsimämme parametrit ovat w1 ja w2, jotka minimoivat virheen: Let us have a look at the example below: Python
importnumpyasnpimportmatplotlib.pyplotasplt# x co-ordinatesx=np.arange(09)A=np.array([xnp.ones(9)])# linearly generated sequencey=[192020.521.522232325.524]# obtaining the parameters of regression linew=np.linalg.lstsq(A.Ty)[0]# plotting the lineline=w[0]*x+w[1]# regression lineplt.plot(xline'r-')plt.plot(xy'o')plt.show()
Output: Joten tämä johtaa tämän NumPy-opetusohjelman sarjan päätökseen. NumPy on laajalti käytetty yleiskäyttöinen kirjasto, joka on monien muiden laskentakirjastojen ytimessä, kuten scipy scikit-learn tensorflow matplotlib opencv jne. NumPyn perusymmärrys auttaa käsittelemään muita korkeamman tason kirjastoja tehokkaasti! Viitteet:
In above example the scalar b is stretched to become an array of with the same shape as a so the shapes are compatible for element-by-element multiplication. Now let us see an example where both arrays get stretched. Python 
Joissakin tapauksissa yleislähetys venyttää molempia matriiseja muodostaen lähtötaulukon, joka on suurempi kuin jompikumpi alkuperäisistä taulukoista. 
Let us have a look at the example below: Python 
Joten tämä johtaa tämän NumPy-opetusohjelman sarjan päätökseen. NumPy on laajalti käytetty yleiskäyttöinen kirjasto, joka on monien muiden laskentakirjastojen ytimessä, kuten scipy scikit-learn tensorflow matplotlib opencv jne. NumPyn perusymmärrys auttaa käsittelemään muita korkeamman tason kirjastoja tehokkaasti! Viitteet: