IT评测·应用市场-qidao123.com

标题: 科学盘算根本软件包Numpy介绍及常用法 [打印本页]
作者: 大连密封材料    时间: 2024-9-4 17:29
标题: 科学盘算根本软件包Numpy介绍及常用法
1.介绍及阐明

        NumPy 是一个开源的 Python 库，专门用于科学盘算和数值处理。它提供了强大的多维数组对象和丰富的函数库，支持高效的数组运算。NumPy 是许多其他科学盘算库（如 SciPy、Pandas、Matplotlib 等）的根本。以下是对 NumPy 的详细介绍和阐明。

2.NumPy 的主要特点

1.多维数组对象（ndarray）：NumPy 提供了一个高效的多维数组对象，称为 ndarray，支持快速的算术运算和数组操纵。
2.广播（Broadcasting）：NumPy 支持广播机制，可以在不同形状的数组之间举行算术运算，而无需显式地复制数据。
3.标准数学函数：NumPy 提供了大量的数学函数，包括基本算术运算、统计函数、线性代数函数等。
4.随机数天生：NumPy 包罗一个强大的随机数天生器，支持各种概率分布的随机数天生。
5.数组操纵：NumPy 提供了丰富的数组操纵函数，包括数组切片、索引、连接、分割、形状操纵等。
6.与 C/C++ 和 Fortran 代码的集成：NumPy 可以与 C/C++ 和 Fortran 代码举行无缝集成，支持高性能盘算。
3.安装 NumPy

使用 pip 可以轻松安装 NumPy：
  1. pip install numpy
复制代码
代码秀：
  1. def test():    installs = [        "1. pip install numpy
  2. ",        "3. 还可以试试豆瓣的源：pip install numpy
  3. -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com",        "2. 假如装不了，就试试阿里的源：pip install numpy
  4. -i http://mirrors.aliyun.com/pypi/simple --trusted-host mirrors.aliyun.com",    ]    installs.sort(key=lambda i: i[0])    for step in installs:                                                                                                                                          items = step.split("：")        print(items[0])        if len(items) > 1:            print(f"  {items[1]}")if __name__ == '__main__':    test()
复制代码

4.NumPy 根本示例

以下是一些 NumPy 的根本示例代码，展示了其主要功能和用法。
1.创建数组：
  1. import numpy as np
  3. # 创建一维数组
  4. a = np.array([1, 2, 3, 4, 5])
  5. print(a)
  7. # 创建二维数组
  8. b = np.array([[1, 2, 3], [4, 5, 6]])
  9. print(b)
  11. # 创建全零数组
  12. c = np.zeros((2, 3))
  13. print(c)
  15. # 创建全一数组
  16. d = np.ones((3, 3))
  17. print(d)
  19. # 创建单位矩阵
  20. e = np.eye(3)
  21. print(e)
  23. # 创建等差数组
  24. f = np.arange(0, 10, 2)
  25. print(f)
复制代码
2.数组运算：
  1. # 数组加法
  2. g = a + 1
  3. print(g)
  5. # 数组乘法
  6. h = a * 2
  7. print(h)
  9. # 数组间运算
  10. i = a + np.array([5, 4, 3, 2, 1])
  11. print(i)
  13. # 广播机制
  14. j = a + np.array([[1], [2], [3], [4], [5]])
  15. print(j)
复制代码
3.数组切片和索引：
  1. k = np.array([1, 2, 3, 4, 5])
  2. print(k[1:3])  # 切片
  3. print(k[::2])  # 步长为2的切片
  5. l = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
  6. print(l[1, :])  # 第二行
  7. print(l[:, 1])  # 第二列
  8. print(l[1, 1])  # 元素 (1,1)
复制代码
4.数组形状操纵：
  1. m = np.array([[1, 2, 3], [4, 5, 6]])
  2. print(m.shape)  # 数组形状
  4. n = m.reshape((3, 2))  # 重塑数组
  5. print(n)
  7. o = m.flatten()  # 展平数组
  8. print(o)
复制代码
5.线性代数：
  1. p = np.array([[1, 2], [3, 4]])
  2. q = np.array([[5, 6], [7, 8]])
  4. # 矩阵乘法
  5. r = np.dot(p, q)
  6. print(r)
  8. # 矩阵转置
  9. s = np.transpose(p)
  10. print(s)
  12. # 逆矩阵
  13. t = np.linalg.inv(p)
  14. print(t)
  16. # 特征值和特征向量
  17. eigenvalues, eigenvectors = np.linalg.eig(p)
  18. print(eigenvalues)
  19. print(eigenvectors)
复制代码
6.随机数天生：
  1. # 生成均匀分布的随机数
  2. u = np.random.rand(3, 3)
  3. print(u)
  5. # 生成正态分布的随机数
  6. v = np.random.randn(3, 3)
  7. print(v)
  9. # 生成整数随机数
  10. w = np.random.randint(0, 10, (3, 3))
  11. print(w)
复制代码
5.NumPy 功能示例 

1.取列表中最小的前几位

  1. import numpy as np
  3. def get_top_n(array, top_n):
  4.     top_n_indexs = np.argsort(array)[0:top_n]
  5.     results = [array[index] for index in top_n_indexs]
  6.     return results
  8. if __name__ == '__main__':
  9.     ret = get_top_n(np.array([1, 3, 34, 4, 5, 6]), 3)
  10.     print(ret)
复制代码
运行结果：

2.取列表中最大的前几位 

  1. import numpy as np
  3. def get_top_n(array, top_n):
  4.     top_n_indexs = np.argsort(array)[:-(top_n+1):-1]
  5.     results = [array[index] for index in top_n_indexs]
  6.     return results
  8. if __name__ == '__main__':
  9.     ret = get_top_n(np.array([1, 3, 34, 4, 5, 6]), 3)
  10.     print(ret)
复制代码
运行结果：

分析：
        上面代码界说了一个函数 get_top_n，用于从一个 NumPy 数组中获取最大的 top_n 个元素。代码逻辑非常清晰，使用了 np.argsort 函数来获取排序后的索引，然后使用这些索引获取相应的数组元素。
以下是对代码的详细解读：
1.np.argsort(array) 返回的是数组元素从小到大的索引。
2.[:-(top_n+1):-1] 是一个切片操纵，用于获取从末端向前数的 top_n 个索引，对应的就是数组中最大的 top_n 个元素的索引。
3.[array[index] for index in top_n_indexs] 是一个列表推导式，用于根据这些索引获取数组中的相应元素。
代码的功能是正确的，但使用列表推导式可能会稍微影响性能，因为它会将 NumPy 数组转换为 Python 列表。你可以直接使用 NumPy 数组来进步性能和简便性。
以下是优化后的版本：
  1. import numpy as np
  3. def get_top_n(array, top_n):
  4.     top_n_indexs = np.argsort(array)[-top_n:][::-1]
  5.     results = array[top_n_indexs]
  6.     return results
  8. if __name__ == '__main__':
  9.     ret = get_top_n(np.array([1, 3, 34, 4, 5, 6]), 3)
  10.     print(ret)
复制代码
        在这个优化版本中，results 直接使用了 NumPy 数组的切片和索引功能，克制了将数组转换为列表的操纵。这样做不仅能进步性能，还能保持代码的简便性。
测试结果
运行优化后的代码，结果如下：
  1. [34  6  5]
复制代码
这表明函数正确地返回了数组中最大的 3 个元素 [34, 6, 5]。

  1. import numpy as np
  4. def get_top_n(array, top_n):
  5.     top_n_indexs = np.argsort(array)[:-top_n:-1]
  6.     results = [array[index] for index in top_n_indexs]
  7.     return results
  10. if __name__ == '__main__':
  11.     ret = get_top_n(np.array([1, 3, 34, 4, 5, 6]), 3)
  12.     print(ret)
复制代码






免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。



欢迎光临 IT评测·应用市场-qidao123.com (https://dis.qidao123.com/) Powered by Discuz! X3.4