NumPy Trace | Matrix Explorer of the Python

Автор оригинала: Team Python Pool.

Python имеет мощный модуль Numpy. В то же время его специализация-наука о данных, используемая во многих отношениях. Встроенные функции универсальны. Поэтому мы предоставляем вам учебные пособия по его различным частям для практики. В этом мы увидим о numpy trace. В основе его лежит работа с матрицей, так что новое поле работает с python.

Что такое numpy trace ?

Метод Numpy matrix.trace(), мы можем найти сумму всех диагональных элементов матрицы с помощью метода matrix.trace (). Этот метод возвращает сумму по диагоналям массива. Сумма вместе с диагональю возвращается для 2D-массива с заданным смещением с использованием этого метода.

Для 2-D массива =

И если нам нужно было найти сумму всех диагональных элементов, то есть(A[00] + A[11]) , , то мы должны были использовать numpy.trace().

Согласно href=”https://numpy.org/doc/stable/reference/generated/numpy.trace.html”>NumPy.org, когда массив имеет более двух измерений, мы используем оси, заданные axis1 и axis2. Эти оси определяют 2-D подмассивы, затем метод находит их следы. Форма результирующего массива такая же, как у a с удаленными axis1 и axis2. href=”https://numpy.org/doc/stable/reference/generated/numpy.trace.html”>NumPy.org, когда массив имеет более двух измерений, мы используем оси, заданные axis1 и axis2. Эти оси определяют 2-D подмассивы, затем метод находит их следы. Форма результирующего массива такая же, как у a с удаленными axis1 и axis2.

Синтаксис Numpy Trace

Синтаксис со всеми параметрами таков:

numpy.trace(arr,,,,, out

Но мы обычно используем только:

numpy.trace(arr)
#or
numpy.matrix.trace()
#if array predeclared using numpy
array.trace()

Параметры, используемые в Numpy Trace

a: Array_like/matrix

“а” – это основной параметр. Этот вход—это все, что достаточно для оценки-входной массив или объект. Метод проверяет элементы массива. Этот массив считается матрицей и записывается в таком виде.

смещение

Смещение диагонали от главной диагонали. Может быть как положительным, так и отрицательным. По умолчанию установлено значение 0.

axis1/axis2

Первая и вторая оси 2D-суб-массивов-это оси, обеспечивающие требуемые диагонали. Значения по умолчанию-это первые две оси a. Тип данных – int.

dtype

Этот параметр определяет тип данных возвращаемого массива, а накопитель суммирует элементы. Если dtype имеет значение None и a имеет целочисленную точность меньше целочисленной точности по умолчанию, то используйте целочисленную точность по умолчанию. В противном случае точность такая же, как у a.

из

Тип данных array_like и необязателен для использования. Этот параметр делает выходной массив с теми же размерами, что и входной массив, помещенный вместе с результатом. Он имеет ту же форму, что и планируемое выступление, и сохраняет свою форму. Массив задает выходные данные. Параметр сохраняет свой тип, и он должен иметь правильную форму, чтобы удерживать результат.

Возвращаемое значение numpy trace

Верните сумму по диагоналям массива. В виде ndarray как

sum_along_diagonals. Если a 2-D, то мы получаем сумму по диагонали. Если a имеет большие размеры, то возвращается массив сумм по диагоналям.

Примеры для понимания

во-первых, мы импортируем numpy как:

import numpy as np

затем мы либо создаем массив, либо непосредственно используем его с помощью метода trace:

Вы можете получить другой тип вывода, если сделаете это следующим образом:

arr.matrix('[1,2,3; 4,5,6;7,8,9]') 
arr
matrix([[1, 2, 3],
        [4, 5, 6],
        [7, 8, 9]])
arr.trace()
[[15]]

еще один пример:

Теперь вы легко поймете метод трассировки.

Что дальше?

NumPy очень мощен и невероятно важен для информатики в Python. Это правда, если вы интересуетесь наукой о данных в Python, вам действительно следует узнать больше о Python.

Возможно, вам понравятся наши следующие учебники по numpy.

• Среднее значение: Реализация и важность
• Использование случайной функции для создания случайных данных
• Reshape: Изменение Формы Массивов С Легкостью
• Подробное объяснение np.power() С Примерами
• Функция Зажима

Вывод

Numpy имеет широкий спектр применений. Этот метод интересен в использовании и варьируется в зависимости от места использования. Матрица - не столь привлекательная тема в математике, но очень полезная в ML. Trace оптимизирует ее использование.

Все еще есть какие-либо сомнения или вопросы, дайте мне знать в разделе комментариев ниже. Я постараюсь помочь вам как можно скорее.

Счастливого Пифонирования!