Un chercheur d'une société pharmaceutique a résumé NumPy

introduction

NumPy est une bibliothèque pour les calculs vectoriels et matriciels à grande vitesse. Ici, nous expliquerons les méthodes souvent utilisées dans NumPy. Il est censé utiliser la série Python3.

importer

Pour utiliser NumPy, vous devez d'abord charger la bibliothèque. Par convention, il s'agit souvent de «np».

NumPy_1.py


import numpy as np

Tableau à 1 dimension

Avec NumPy, vous pouvez créer un tableau comme une liste.

NumPy_2.py


import numpy as np


np_arr_1 = np.array([1, 2, 5])

print(np_arr_1)
print(type(np_arr_1)) #classe ndarray
print(np_arr_1**2) #Mettez chaque élément au carré.


np_arr_2 = np.array([3, 5, 7])

print(np_arr_1 + np_arr_2) #Ajoutez pour chaque élément.


np_arr_3 = np.arange(10)

print(np_arr_3)

np_arr_3[0:2] = 100
print(np_arr_3)

La caractéristique de NumPy est qu'il est facile de calculer entre les éléments. Si vous essayez d'exécuter le processus ci-dessus sans utiliser NumPy, ce sera comme suit.

NumPy_3.py


arr_1 = [1, 2, 5]

for i, num in enumerate(arr_1):
    arr_1[i] = num ** 2
print(arr_1)

Notez que dans le tableau NumPy, la mise à jour de la valeur de l'élément auquel il est affecté met également à jour la valeur du tableau d'origine. Pour empêcher la mise à jour du tableau d'origine, utilisez la méthode copy ().

NumPy_4.py


import numpy as np


np_arr_1 = np.array([1, 2, 5])
np_arr_2 = np_arr_1
np_arr_2[1] = 100
print(np_arr_1) # np_arr_1 a également changé.
print(np_arr_2)


np_arr_1 = np.array([1, 2, 5])
np_arr_2 = np_arr_1.copy()
np_arr_2[1] = 100
print(np_arr_1) # np_arr_1 ne change pas.
print(np_arr_2)

Il est également possible d'extraire uniquement les éléments qui satisfont à certaines conditions.

NumPy_5.py


import numpy as np


np_arr_1 = np.array([1, 2, 5])
print(np_arr_1[np_arr_1 % 2 == 1]) #N'extrayez que les éléments impairs.

NumPy fournit une fonction appelée "fonction universelle" qui renvoie le résultat de l'opération pour chaque élément du tableau.

NumPy_6.py


import numpy as np


np_arr_4 = np.array([-1, 2, -3])
print(np.abs(np_arr_4)) #Valeur absolue de chaque élément

np_arr_5 = np.array([1, 9, 25])
print(np.sqrt(np_arr_5)) #Racine carrée de chaque élément

NumPy peut également générer des nombres aléatoires.

NumPy_7.py


import numpy as np


np_arr_6 = np.random.randint(0, 10, 5) #Générez au hasard 5 nombres entiers entre 0 et 9.
print(np_arr_6)

np_arr_7 = np.random.randint(5) #Génère un entier aléatoire de 0 à 4.
print(np_arr_7)

Vous pouvez l'écrire plus court et plus facilement en réécrivant la partie ʻimport`.

Numpy_8.py


from numpy.random import randint


np_arr_6 = randint(0, 10, 5)
print(np_arr_6)

np_arr_7 = randint(5)
print(np_arr_7)

Un tableau bidimensionnel

Les méthodes pour les tableaux 2D sont les suivantes.

NumPy_9.py


import numpy as np


np_arr_8 = np.array([[1, 2, 3], [4, 5, 6]])
print(np_arr_8)
print(np_arr_8[1])
print(np_arr_8[1, 1])
print(np_arr_8.sum())
print(np_arr_8.sum(axis=0)) #Calculé colonne par colonne
print(np_arr_8.sum(axis=1)) #Calculé ligne par ligne
print(np_arr_8.shape)
print(np_arr_8.reshape(3, 2))
print(np_arr_8.T)
print(np.transpose(np_arr_8))
print(np_arr_8.mean()) #moyenne
print(np.average(np_arr_8)) #moyenne
print(np.max(np_arr_8)) #Valeur maximum
print(np.min(np_arr_8)) #valeur minimum
print(np.std(np_arr_8)) #écart-type
print(np.var(np_arr_8)) #Distribué
print(np.argmax(np_arr_8)) #Numéro d'index de l'élément maximum
print(np.argmin(np_arr_8)) #Numéro d'index de l'élément avec la valeur la plus basse

Résumé

Ici, nous avons présenté les méthodes qui sont souvent utilisées dans NumPy. La meilleure façon de le maîtriser est de l'utiliser réellement.

Documents de référence / liens

Quel est le langage de programmation Python? Peut-il être utilisé pour l'IA et l'apprentissage automatique?

Recommended Posts

Un chercheur d'une société pharmaceutique a résumé NumPy
Un chercheur d'une société pharmaceutique a résumé SciPy
Un chercheur d'une société pharmaceutique a résumé RDKit
Les chercheurs des sociétés pharmaceutiques ont résumé scikit-learn
Un chercheur d'une société pharmaceutique a résumé les pandas
Un chercheur d'une société pharmaceutique a résumé Matplotlib
Un chercheur d'une société pharmaceutique a résumé Seaborn
Un chercheur d'une société pharmaceutique a résumé la notation d'inclusion de Python
Des chercheurs de sociétés pharmaceutiques ont résumé les déclarations de contrôle Python
Un chercheur d'une société pharmaceutique a résumé la structure des données de Python
Un chercheur d'une société pharmaceutique a résumé le test unitaire Python
Des chercheurs de sociétés pharmaceutiques ont résumé les classes en Python
Un chercheur d'une société pharmaceutique a résumé les fonctions de Python
Un chercheur d'une société pharmaceutique a résumé la gestion des exceptions de Python
Un chercheur d'une société pharmaceutique a résumé les normes de codage Python
Des chercheurs de sociétés pharmaceutiques ont résumé les variables en Python
Un chercheur d'une société pharmaceutique a résumé les expressions canoniques en Python
Un chercheur d'une société pharmaceutique a résumé le raclage Web à l'aide de Python
Un chercheur d'une société pharmaceutique a résumé l'analyse de fichiers en Python
Un chercheur d'une société pharmaceutique a résumé les opérations de base de données à l'aide de Python
Un chercheur d'une société pharmaceutique a résumé les opérateurs utilisés en Python
Comment installer Python pour les chercheurs de sociétés pharmaceutiques
Un chercheur d'une société pharmaceutique a résumé les règles de description de base de Python