[Python] Divers traitements de données utilisant le tableau Numpy
Préparation
Créer un tableau avec 11 éléments de 0 à 10
arr = np.arange(11)
arr
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
Je vais calculer en utilisant ceci
Trouvez la racine carrée de chaque tableau
np.sqrt(arr)
array([ 0. , 1. , 1.41421356, 1.73205081, 2. ,
2.23606798, 2.44948974, 2.64575131, 2.82842712, 3. ,
3.16227766])
Trouvez la valeur que vous voulez pour alimenter la base e du logarithme naturel
La puissance de e est requise
np.exp(arr)
array([ 1.00000000e+00, 2.71828183e+00, 7.38905610e+00,
2.00855369e+01, 5.45981500e+01, 1.48413159e+02,
4.03428793e+02, 1.09663316e+03, 2.98095799e+03,
8.10308393e+03, 2.20264658e+04])
Une fonction qui renvoie des nombres aléatoires qui suivent une distribution normale
10 rendements aléatoires d'une distribution avec une moyenne de 0 et une variance de 1
A = np.random.randn(10)
A
array([ 1.58618601, 1.04344798, -1.27389788, 0.96399318, -0.01948978,
1.74715498, -1.74566889, 0.22554911, -0.89309691, 0.64486646])
Ajouter deux distributions normales
B = np.random.randn(10)
B
array([ 0.24123105, -1.68669802, 1.89703691, 0.13287126, -1.77419931,
-1.1523576 , -0.23598222, 0.03143082, 1.86305367, 0.21272997])
np.add(A,B)
array([ 1.82741706, -0.64325005, 0.62313903, 1.09686444, -1.79368909,
0.59479738, -1.98165111, 0.25697993, 0.96995677, 0.85759643])
Renvoie le plus grand de chaque élément
Renvoie le plus grand de chaque élément de A et B
np.maximum(A,B)
array([ 1.58618601, 1.04344798, 1.89703691, 0.96399318, -0.01948978,
1.74715498, -0.23598222, 0.22554911, 1.86305367, 0.64486646])
Traitement des données à l'aide du tableau Numpy
Se préparer à dessiner le graphique
import matplotlib.pyplot as plt
%matplotlib inline
Préparation
-5 à 5 par incréments de 0,01
points = np.arange(-5,5,0.01)
dx, dy = np.meshgrid(points,points)
De -5 à 5, il augmente par incréments de 0,01
dx
array([[-5. , -4.99, -4.98, ..., 4.97, 4.98, 4.99],
[-5. , -4.99, -4.98, ..., 4.97, 4.98, 4.99],
[-5. , -4.99, -4.98, ..., 4.97, 4.98, 4.99],
...,
[-5. , -4.99, -4.98, ..., 4.97, 4.98, 4.99],
[-5. , -4.99, -4.98, ..., 4.97, 4.98, 4.99],
[-5. , -4.99, -4.98, ..., 4.97, 4.98, 4.99]])
Le contraire de dx
dy
array([[-5. , -5. , -5. , ..., -5. , -5. , -5. ],
[-4.99, -4.99, -4.99, ..., -4.99, -4.99, -4.99],
[-4.98, -4.98, -4.98, ..., -4.98, -4.98, -4.98],
...,
[ 4.97, 4.97, 4.97, ..., 4.97, 4.97, 4.97],
[ 4.98, 4.98, 4.98, ..., 4.98, 4.98, 4.98],
[ 4.99, 4.99, 4.99, ..., 4.99, 4.99, 4.99]])
Essayez de dessiner ces
plt.imshow(dx)
Vous pouvez voir qu'il pousse de gauche à droite
plt.imshow(dy)
Vous pouvez voir qu'il pousse de haut en bas
Essayez de faire des calculs compliqués
La somme de dx et dy en utilisant la fonction triangulaire sin, respectivement.
z = (np.sin(dx) + np.sin(dy))
z
array([[ 1.91784855e+00, 1.92063718e+00, 1.92332964e+00, ...,
-8.07710558e-03, -5.48108704e-03, -2.78862876e-03],
[ 1.92063718e+00, 1.92342581e+00, 1.92611827e+00, ...,
-5.28847682e-03, -2.69245827e-03, -5.85087534e-14],
[ 1.92332964e+00, 1.92611827e+00, 1.92881072e+00, ...,
-2.59601854e-03, -5.63993297e-14, 2.69245827e-03],
...,
[ -8.07710558e-03, -5.28847682e-03, -2.59601854e-03, ...,
-1.93400276e+00, -1.93140674e+00, -1.92871428e+00],
[ -5.48108704e-03, -2.69245827e-03, -5.63993297e-14, ...,
-1.93140674e+00, -1.92881072e+00, -1.92611827e+00],
[ -2.78862876e-03, -5.85087534e-14, 2.69245827e-03, ...,
-1.92871428e+00, -1.92611827e+00, -1.92342581e+00]])
Essayez de dessiner
plt.imshow(z)
plt.colorbar()
Divers traitements de données à l'aide de tableaux
Préparer une séquence expérimentale
A = np.array([1,2,3,4])
B = np.array([1000,2000,3000,4000])
Identifiez la valeur qui remplit les conditions
condition = np.array([True, True, False, False])
answer = [(a if cond else b) for a,b,cond in zip(A,B,condition)]
answer
[1,2,3000,4000]
La notation d'inclusion de la liste présente les inconvénients d'être lente et de ne pas pouvoir gérer plusieurs dimensions. Augmentez la vitesse pour accueillir des baies multidimensionnelles
answer2 = np.where(condition, A, B)
answer2
array([ 1, 2, 3000, 4000])
np.where peut également être utilisé pour les tableaux à deux dimensions Créer des valeurs aléatoires tirées d'une distribution normale standard 5x5
from numpy.random import randn
arr = randn(5,5)
arr
array([[-1.00937032, 1.23348883, 0.1267633 , 0.6637059 , 0.96770594],
[ 0.29606946, -0.63752513, 0.97016509, 0.42688117, -2.38404912],
[ 1.0549739 , -0.12309795, -0.22361239, 1.91466958, -0.35711905],
[ 0.22359192, -1.60330203, 1.23216518, -0.99154743, 0.52558739],
[-1.11301393, 0.1911824 , 1.14858049, -0.19331843, 0.42102773]])
Essayez de renvoyer 0 pour ces valeurs si elles sont inférieures à 0, sinon renvoyez la valeur d'origine
np.where(arr < 0, 0, arr)
array([[ 0. , 1.23348883, 0.1267633 , 0.6637059 , 0.96770594],
[ 0.29606946, 0. , 0.97016509, 0.42688117, 0. ],
[ 1.0549739 , 0. , 0. , 1.91466958, 0. ],
[ 0.22359192, 0. , 1.23216518, 0. , 0.52558739],
[ 0. , 0.1911824 , 1.14858049, 0. , 0.42102773]])
Tous les nombres négatifs seront 0. C'est très simple à écrire.
Jetez un œil à d'autres fonctions numpy
Préparation
arr = np.array([[1,2,3],[4,5,6],[7,8,9]])
arr
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
fonction somme
Calcul de la valeur totale
arr.sum()
45
La fonction de somme peut vous aider à déterminer quel axe procéder au calcul. Par exemple, si l'argument 0 est défini, le calcul est effectué dans le sens de la ligne et si l'argument 1 est défini, le calcul est effectué dans le sens de la colonne.
arr.sum(0)
array([12, 15, 18])
arr.sum(1)
array([ 6, 15, 24])
fonction moyenne
Valeur moyenne
arr.mean()
5.0
fonction std
écart-type
arr.std()
2.5819888974716112
fonction var
Distribué
arr.var()
6.666666666666667
Fonction pratique de numpy any, all
Préparation
bool_arr = np.array([True, False, True])
bool_arr
array([ True, False, True], dtype=bool)
toute fonction
Si même un seul est vrai, renvoie True
bool_arr.any()
True
toute fonction
Renvoie True si tout est vrai
bool_arr.all()
False
Recommended Posts