Principes de base de Python #Numpy

Mémo d'apprentissage / mémorandum

À propos de Numpy

Une bibliothèque typique qui a une bibliothèque de calculs mathématiques abondante et peut effectuer des calculs numériques efficaces.

type ndarray

Type de données de base utilisé dans «Numpy» d'un logiciel de calcul numérique typique.

Exemple de description

# Création du type ndarray
import numpy

a = [0, 1, 2, 3]
 b = numpy.array (a) #Créer le type ndarray à partir de la liste
print('b = ', b)

c = [1, 2]
d = [2, 3]
e = [3, 4]
 f = numpy.array ([c, d, e]) # Créer un type ndarray bidimensionnel
print('f = ', f)

 g = numpy.array (a, dtype = numpy.float16) #Créer ndarray en spécifiant le type de données
print('g = ', g)

Résultat d'exécution

b = [0 1 2 3] f = [[1 2] [2 3] [3 4]] g = [0. 1. 2. 3.]

Méthodes pour effectuer des opérations numériques de base

Diverses opérations numériques peuvent être effectuées sur des données et des listes de type ndarray en utilisant les méthodes fournies par Numpy. Les représentatives sont présentées ci-dessous.

import numpy

h = numpy.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

 i = numpy.median (h) # median
 j = numpy.mean (h) # valeur moyenne
 k = numpy.std (h) # écart type
 l = numpy.var (h) # Distribué

print(i)
print(j)
print(k)
print(l)

Résultat d'exécution

4.5 4.5 2.8722813232690143 8.25

Innombrables et infinis

Numpy vous permet d'utiliser le «nan» non numérique pour le non-numérique et le «inf» pour l'infini.

Non numérique «nan»

«nan» est la valeur qui apparaît lorsque «0» est divisé par «0». Puisqu'il s'agit d'une valeur spéciale qui renvoie «False» par rapport à n'importe quelle valeur, elle renvoie également «False» par rapport à elle-même. Par conséquent, l'identité avec «nan» peut être confirmée en utilisant «est».

from numpy import nan

m = float32(0) / float32(0)
n = m == nan
o = nan == nan
p = m is nan

print(m)
print(n)
print(o)
print(p)

Résultat d'exécution

nan False False True

Valeur infinie ʻinf`

ʻInf est une valeur qui apparaît en divisant une valeur par une valeur absolue par 0. Les deux comparaisons utilisant == et les comparaisons utilisant ʻis return True.

from numpy import inf

q = float(10) / float(0)
r = q == inf
s = q is inf

print(q)
print(r)
print(s)

Résultat d'exécution

inf True True

Différence par rapport à la liste à laquelle vous souhaitez prêter attention

Notez que les listes et les types ndarray sont tous deux des types de données typiques qui gèrent les tableaux, et bien que leur utilisation soit similaire, il existe quelques différences.

Utilisation d'opérateurs

L'opérateur «+» signifie joindre des listes entre des listes et ajouter des valeurs entre des «ndarray». L'opération «+» avec une valeur entière entraînera une erreur dans le cas d'une liste, mais le «ndarray» représente l'ajout d'une valeur entière. L'opérateur * provoque une erreur entre les listes, mais représente une multiplication de valeurs entre ndarrays. L'opération «*» avec une valeur entière représente la répétition de la liste dans le cas d'une liste, et représente la multiplication d'une valeur entière dans le «ndarray».

Opérateurs dans la liste

t = [0, 1, 2]
u = [3, 4, 5]
print(t + u)
# erreur d'impression (t + 2)
# erreur d'impression (t * u)
print(t * 2)

Résultat d'exécution

[0, 1, 2, 3, 4, 5] [0, 1, 2, 0, 1, 2]

Opérateurs dans ndarray

import numpy

v = numpy.array([0, 1, 2])
w = numpy.array([3, 4, 5])
print(v + w)
print(v + 10)
print(v * w)
print(v * 2)

Résultat d'exécution

[3 5 7] [10 11 12] [ 0 4 10] [0 2 4]

Tableau multidimensionnel

Contrairement aux listes, ndarray ne peut pas créer de données avec des nombres d'éléments différents dans chaque dimension. Autrement dit, toutes les données créées par le type ndarray doivent être un tableau multidimensionnel avec le même nombre de lignes et de colonnes. Si vous essayez de créer un tableau à deux dimensions à partir d'une liste de différentes longueurs, la liste et ndarray se comportent différemment comme suit.

import numpy

x = [[0, 1], [2, 3, 4], [5, 6]]
y = numpy.array([[0, 1], [2, 3, 4], [5, 6]])

print(x)
print(y)

Résultat d'exécution

[[0, 1], [2, 3, 4], [5, 6]] [list([0, 1]) list([2, 3, 4]) list([5, 6])]

Spécification d'index / spécification de tranche

Vous pouvez utiliser , et : pour extraire des éléments d'une liste ou ndarray.

import numpy

z = numpy.array([[0, 1, 2], [3, 4, 5], [6, 7, 8]])

 print (z [0, 2]) # Index 2 dans Index 0
 print (z [2, 1:]) # Index 1 et supérieur dans l'index 2
 print (z [:, 2]) # Index 2 parmi tous les index

Résultat d'exécution

2 [7 8] [2 5 8]