Рубрики
Без рубрики

Модуль Python NumPy – 4 важных типа функций, которые нужно знать

Эй, ребята! Надеюсь, у вас все хорошо. В этой статье мы сосредоточимся на важных функциях модуля Python NumPy.

Автор оригинала: Pankaj Kumar.

Эй, ребята! Надеюсь, у вас все хорошо. В этой статье мы сосредоточимся на важных функциях модуля Python NumPy.

Итак, давайте начнем!

Краткое описание модуля Python NumPy

Модуль Python NumPy объединяет множество функций для выполнения различных научных и математических операций с легкостью.

Таким образом, модуль NumPy можно рассматривать как модуль, который все программисты могут иметь под рукой для выполнения всех математических и сложных вычислительных задач.

Теперь давайте разберемся и реализуем некоторые важные функции модуля NumPy.

1. Функции манипулирования массивом NumPy

Функции манипулирования массивами модуля NumPy помогают нам выполнять изменения в элементах массива.

Взгляните на следующие функции–

  • numpy.reshape() : Эта функция позволяет нам изменять размеры массива, не мешая значениям массива.
  • numpy.concatenate(): Соединяет два массива одинаковых фигур либо по строкам, либо по столбцам.

Давайте теперь сосредоточимся на реализации вышеуказанных функций.

Пример:

import numpy

arr1 = numpy.arange(4)
print('Elements of an array1:\n',arr1)

arr2 = numpy.arange(4,8)
print('Elements of an array2:\n',arr2)

res1 = arr1.reshape(2,2)
print('Reshaped array with 2x2 dimensions:\n',res1)

res2 = arr2.reshape(2,2)
print('Reshaped array with 2x2 dimensions:\n',res2)

print("Concatenation two arrays:\n")
concat = numpy.concatenate((arr1,arr2),axis=1)
print(concat)

Важно понимать форму, т. Е. размеры массивов должны быть одинаковыми для выполнения вышеуказанных функций.

Выход:

Elements of an array1:
 [0 1 2 3]
Elements of an array2:
 [4 5 6 7]
Reshaped array with 2x2 dimensions:
 [[0 1]
 [2 3]]
Reshaped array with 2x2 dimensions:
 [[4 5]
 [6 7]]
Concatenation two arrays:

[0 1 2 3 4 5 6 7]

2. Строковые функции NumPy

С помощью строковых функций NumPy мы можем манипулировать строковыми значениями, содержащимися в массиве. Некоторые из наиболее часто используемых строковых функций упомянуты ниже:

  • функция numpy.char.add () : Объединяет значения данных двух массивов, объединяет их и в результате представляет новый массив.
  • функция numpy.char.capitalize () : Она прописывает первый символ всего слова/строки.
  • функция numpy.char.lower () : Преобразует регистр строковых символов в нижнюю строку.
  • функция numpy.char.upper () : Преобразует регистр строковых символов в верхнюю строку.
  • функция numpy.char.replace () : Заменяет строку или часть строки другим строковым значением.

Пример:

import numpy
 
res =  numpy.char.add(['Python'],[' JournalDev'])

print("Concatenating two strings:\n",res)

print("Capitalizing the string: ",numpy.char.capitalize('python data'))

print("Converting to lower case: ",numpy.char.lower('PYTHON'))

print("Converting to UPPER case: ",numpy.char.upper('python'))

print("Replacing string within a string: ",numpy.char.replace ('Python Tutorials with AA', 'AA', 'JournalDev'))

Выход:

Concatenating two strings:
 ['Python JournalDev']
Capitalizing the string:  Python data
Converting to lower case:  python
Converting to UPPER case:  PYTHON
Replacing string within a string:  Python Tutorials with JournalDev

3. Арифметические функции NumPy

Перечисленные ниже функции NumPy используются для выполнения основных арифметических операций со значениями данных массива–

  • функция numpy.add () : добавляет два массива и возвращает результат.
  • функция numpy.subtract () : Вычитает элементы array2 из array1 и возвращает результат.
  • функция numpy.multiply () : Умножает элементы обоих массивов и возвращает произведение.
  • функция numpy.divide () : Делит массив 1 на массив 2 и возвращает коэффициент значений массива.
  • функция numpy.mod () : Выполняет операцию модуля и возвращает массив остатков.
  • функция numpy.power () : Возвращает экспоненциальное значение array1 ^ array2.

Пример:

import numpy as np 
x = np.arange(4) 
print("Elements of array 'x':\n",x)

y = np.arange(4,8) 
print("Elements of array 'y':\n",y)

add = np.add(x,y)
print("Addition of x and y:\n",add)

subtract = np.subtract(x,y)
print("Subtraction of x and y:\n",subtract)

mul = np.multiply(x,y)
print("Multiplication of x and y:\n",mul)

div = np.divide(x,y)
print("Division of x and y:\n",div)

mod = np.mod(x,y)
print("Remainder array of x and y:\n",mod)

pwr = np.power(x,y)
print("Power value of x^y:\n",pwr)

Выход:

Elements of array 'x':
 [0 1 2 3]
Elements of array 'y':
 [4 5 6 7]
Addition of x and y:
 [ 4  6  8 10]
Subtraction of x and y:
 [-4 -4 -4 -4]
Multiplication of x and y:
 [ 0  5 12 21]
Division of x and y:
 [ 0.          0.2         0.33333333  0.42857143]
Remainder array of x and y:
 [0 1 2 3]
Power value of x^y:
 [   0    1   64 2187]

4. Статистические функции NumPy

Статистические функции NumPy очень полезны в области интеллектуального анализа данных и анализа огромного количества признаков в данных.

Давайте взглянем на некоторые из широко используемых функций

  • numpy.median() : Вычисляет среднее значение переданного массива.
  • numpy.mean() : Возвращает среднее значение значений данных массива.
  • numpy.average() : Возвращает среднее значение всех значений данных переданного массива.
  • numpy.std() : Вычисляет и возвращает стандартное отклонение значений данных массива.

Пример:

import numpy as np 
x = np.array([10,20,30,4,50,60]) 

med = np.median(x)
print("Median value of array: \n",med)

mean = np.mean(x)
print("Mean value of array: \n",mean)

avg = np.average(x)
print("Average value of array: \n",avg)

std = np.std(x)
print("Standard deviation value of array: \n",std)


Выход:

Median value of array: 
 25.0
Mean value of array: 
 29.0
Average value of array: 
 29.0
Standard deviation value of array: 
 20.2895703914

Вывод

На этом мы подошли к концу этой темы. Не стесняйтесь комментировать ниже, если у вас возникнут какие-либо вопросы.

А до тех пор Счастливого Обучения!!

Рекомендации