Автор оригинала: Pankaj Kumar.
Здравствуйте, читатели! В этой статье мы сосредоточимся на универсальных функциях |/NumPy в программировании на Python. Итак, давайте начнем! 🙂
Что мы подразумеваем под универсальными функциями NumPy?
Универсальные функции NumPy на самом деле являются математическими функциями. Математические функции NumPy в NumPy сформулированы как универсальные функции. Эти универсальные (математические функции NumPy) работают с массивом NumPy и выполняют поэлементные операции со значениями данных.
Универсальные функции NumPy принадлежат классу numpy.ufunc в Python. Некоторые из основных математических операций вызываются внутренне, когда мы вызываем определенные операторы. Например, когда мы кадрируем x + y, он внутренне вызывает универсальную функцию numpy.add ().
Мы даже можем создавать свои собственные универсальные функции, используя метод frompyfunc ().
Синтаксис:
numpy.frompyfunc(function-name, input, output)
- function-name : имя функции, которая будет оформлена как универсальная функция
- input : Количество входных массивов
- output : Количество выходных массивов
Пример:
В этом примере мы преобразовали функцию product в универсальную функцию с помощью метода frompyfunc () .
Таким образом, теперь метод product() ведет себя как универсальная математическая функция и выполняет поэлементное умножение, когда массивы передаются ему в качестве параметров.
import numpy as np def product(a, b): return a*b product = np.frompyfunc(product, 2, 1) res = product([1, 2, 3, 4], [1,1,1,1]) print(res)
Выход:
[1 2 3 4]
1. Универсальные тригонометрические функции в NumPy
В ходе этой концепции мы теперь рассмотрим некоторые универсальные тригонометрические функции в NumPy .
- тупица. deg2rad() : Эта функция помогает нам преобразовать значение градуса в радианы.
- функция numpy.sinh () : Вычисляет значение гиперболического синуса.
- функция numpy.sin () : Вычисляет обратную гиперболическую величину синуса.
- функция numpy.hypot () : Вычисляет гипотенузу для прямоугольной структуры треугольника.
Пример:
import numpy as np data = np.array([0, 30, 45]) rad = np.deg2rad(data) # hyperbolic sine value print('Sine hyperbolic values:') hy_sin = np.sinh(rad) print(hy_sin) # inverse sine hyperbolic print('Inverse Sine hyperbolic values:') print(np.sin(hy_sin)) # hypotenuse b = 3 h = 6 print('hypotenuse value for the right angled triangle:') print(np.hypot(b, h))
Выход:
Sine hyperbolic values: [0. 0.54785347 0.86867096] Inverse Sine hyperbolic values: [0. 0.52085606 0.76347126] hypotenuse value for the right angled triangle: 6.708203932499369
2. Универсальные статистические функции
Помимо тригонометрических функций, Python NumPy также предлагает нам универсальные статистические функции. Некоторые из них перечислены ниже:
- функция numpy.amin () : Представляет минимальное значение из массива.
- функция numpy.amax () : Представляет максимальное значение из массива.
- функция numpy.ptp () : Представляет диапазон значений массива по оси, который вычисляется путем вычитания минимального значения из максимального значения.
- функция numpy.average () : вычисляет среднее значение элементов массива.
Пример:
import numpy as np data = np.array([10.2,34,56,7.90]) print('Minimum and maximum data values from the array: ') print(np.amin(data)) print(np.amax(data)) print('Range of the data: ') print(np.ptp(data)) print('Average data value of the array: ') print(np.average(data))
Выход:
Minimum and maximum data values from the array: 7.9 56.0 Range of the data: 48.1 Average data value of the array: 27.025000000000002
Вывод
На этом мы подошли к концу этой темы. Не стесняйтесь комментировать ниже, если у вас возникнут какие-либо вопросы.
Для получения дополнительных сообщений, связанных с программированием на Python, оставайтесь с нами!
А до тех пор Счастливого Обучения!! 🙂