Mémo de calcul de base Numpy

Un mémo de celui souvent utilisé dans Numpy, la bibliothèque de calcul numérique de Python. Il est souvent importé sous le nom de np. Sera mis à jour de temps en temps.

import numpy as np

array Tracer une ligne.

>>> np.array([1, 2, 3])
array([1, 2, 3])
>>> np.array([[1, 2], [3, 4]])
array([[1, 2],
       [3, 4]])

T Faites une matrice de translocation.

>>> a = np.array([[1, 3], [2, 1]])
>>> a
array([[1, 3],
       [2, 1]])
>>> a.T
array([[1, 2],
       [3, 1]])

zeros, ones zeros vaut 0 et uns est rempli de 1 pour produire une matrice de la forme spécifiée.

>>> np.zeros(3)
array([ 0.,  0.,  0.])
>>> np.zeros([3, 3])
array([[ 0.,  0.,  0.],
       [ 0.,  0.,  0.],
       [ 0.,  0.,  0.]])
>>> np.ones(3)
array([ 1.,  1.,  1.])
>>> np.ones([3, 3])
array([[ 1.,  1.,  1.],
       [ 1.,  1.,  1.],
       [ 1.,  1.,  1.]])

eye Créez une matrice unitaire.

>>> np.eye(3)
array([[ 1.,  0.,  0.],
       [ 0.,  1.,  0.],
       [ 0.,  0.,  1.]])

diag Faites une matrice diagonale.

>>> np.diag([1, 2, 3])
array([[1, 0, 0],
       [0, 2, 0],
       [0, 0, 3]])

vstack, hstack Utilisé pour la composition de la matrice. L'utilisation est la suivante.

>>> a = np.array([1, 1, 1])
>>> b = np.array([2, 2, 2])
>>> np.vstack([a, b])
array([[1, 1, 1],
       [2, 2, 2]])
>>> np.hstack([a, b])
array([1, 1, 1, 2, 2, 2])

dot Calculez le produit intérieur.

>>> np.dot([1, 2, 3], [1, 2, 3])
14

cross Calculez le produit extérieur.

>>> np.cross([0, 1], [1, 0])
array(-1)

flatten Passer à un tableau unidimensionnel

>>> a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
>>> a.flatten()
array([1, 2, 3, 4, 5, 6, 7, 8, 9])

random.rand Générez une matrice de nombres aléatoires.

>>> np.random.rand(3)
array([ 0.37043199,  0.67058649,  0.53891633])
>>> np.random.rand(2, 3)
array([[ 0.50614319,  0.04483549,  0.39542568],
       [ 0.04853891,  0.55439793,  0.81737454]])