Numpy Array -Operationen

Heute erfahren wir, welche Operationen wir in Numpy -Arrays ausführen und wie diese Operationen durchgeführt werden können. Dieses Tutorial ist hilfreich, wenn Sie bereits mit den Grundlagen von Python vertraut sind und Numpy verwenden möchten.

Numpy ist die fortschrittliche Bibliothek von Python -Programmierung. Das Hauptmerkmal von Numpy ist, dass es anbietet, mit mehrdimensionalen Arrays und einer hervorragenden Geschwindigkeit sowie Funktionen für die Interaktion mit diesen Arrays zu arbeiten.

Numpy wird verwendet, um die logischen und mathematischen Operationen auszuführen. Wir können mehrere Vorgänge in Arrays ausführen, die:

• Rechenoperationen
• Logische Operationen
• Vergleichsoperationen

Rechenoperationen

Wir können mehrere Operationen auf Numpy -Arrays ausführen, in denen wir die beiden Arrays hinzufügen, subtrahieren, multiplizieren und teilen können. Diese Operationen werden als arithmetische Operationen bezeichnet. Für die arithmetischen Operationen sind mindestens zwei Arrays erforderlich, und sie müssen entweder die gleiche Größe haben oder die Regeln für die Array -Rundfunk befolgen.

Syntax:

Lassen Sie uns die Syntax des arithmetischen Betriebs der Python Library, Numpy, sehen. Hier schreiben wir zuerst den Namen der Bibliothek, die wir verwenden, die „Numpy“ ist. Dann nennen wir die Funktion der arithmetischen Operation, die wir wie add (), sub (), mul () und div () ausführen möchten. Und dann übergeben wir die Parameter an diese Funktion.

Beispiel:

Gehen wir mit dem Beispiel arithmetischer Operationen über, die addieren, subtrahieren, multiplizieren und teilen. Lassen Sie uns sehen, wie diese Vorgänge in Numpy Arrays implementiert werden können. Öffnen Sie Ihren Python -Compiler für die Implementierung des Arithmetikprogramms.

Der allererste und grundlegende Schritt besteht darin, die Bibliothek von Python zu importieren, die Numpy ist. Zunächst schreiben wir das Schlüsselwort „Import“, das zeigt, dass wir die Bibliothek importieren werden. Dann schreiben wir den Bibliotheksnamen, der "Numpy" ist. Und dann schreiben wir den numpy alias "np". In der dritten Codezeile verwenden wir die Anweisung print (), damit wir die Nachricht anzeigen können, dass wir die arithmetischen Operationen implementieren werden. Dann nennen wir in der nächsten Zeile die Funktion numpy arange () für die Erstellung von Array1 und bestehen die Argumente darin.

Das erste Argument ist das Startelement von Array1. Das zweite Argument ist das Stoppelement, aber denken Sie daran, dass wir das Stoppelement in Array1 nicht aufnehmen können. Und das dritte Argument ist, wie viel Unterschied wir nehmen sollten, um das nächste Element von Array1 zu erhalten. DType bedeutet, welche Art von Daten wir wollen (wie int, float usw.) für Array1.

In dieser Zeile verwenden wir eine andere Funktion, indem wir die Verkettung anwenden, die die Reshape () -Funktion ist. Diese Funktion wird verwendet, um das Array1 zu formen. Hier haben wir 2 Zeilen und 4 Spalten des Arrays. Dann erstellen wir ein anderes Array, das Array2 mit der gleichen Funktion, die wir für Array1 verwenden. Nach der Erstellung beider Arrays drucken wir die Array1 und Array2 mit der Anweisung print () und übergeben die Arrays darin.

Numph als NP importieren
print ("Implementierung von Arthimatischen Operationen: \ n")
Array1 = np.Arange (40, 96, 7, dType = int).Umgestaltung (2,4)
print ("Das erste Array ist", Array1.Ndim, "Dimensional: \ n", Array1)
Array2 = np.Arange (5, 20, 4, dType = int)
print ("\ nDie zweites Array ist", Array2.ndim, "Dimensional: \ n", Array2)
add = np.Add (Array1, Array2)
print ("\ nadding die beiden Arrays: \ n", hinzufügen)
sub = np.Subtrahieren (Array1, Array2)
print ("\ nSubractioning Die beiden Arrays: \ n", sub)
mul = np.multiplizieren (Array1, Array2)
print ("\ nmultiplying die beiden Arrays: \ n", mul)
div = np.Divide (Array1, Array2)
print ("\ ndividing die beiden Arrays: \ n", div)

Nachdem wir beide Arrays erstellt haben, nennen wir die arithmetischen Funktionen einzeln nacheinander. Zunächst rufen wir die Funktion add () für die Zugabe von Array1 und Array2 auf. Dann nennen wir die Sub () -Funktion, damit wir Array2 von Array1 subtrahieren können. Als nächstes nennen wir die MUL () -Funktion für die Multiplikation beider Arrays. Zuletzt haben wir die Div () -Funktion, die beide Arrays teilt, und wir erhalten den Quotienten. Anschließend drucken wir alle Funktionen mit der Anweisung print () und übergeben die darin enthaltenen Parameter.

Hier ist die Ausgabe dieses erklärten Beispiels, in dem wir das Ergebnis arithmetischer Operationen erhalten:

Logische Operationen

Gehen wir nun mit dem zweiten Betrieb der Numpy -Bibliothek über, der logischen Operation ist. Wir verwenden die logische Operation, um den wahren Wert der Numpy -Arrays wie die booleschen Wahrheitswerte zu erhalten. Wir implementieren die logischen Operationen über Numpy -Funktionen, die logical_and (), logical_or () und logical_not () sind.

Syntax:

Schauen wir uns den Schreibstil der logischen Operation der Python Library, Numpy, an. Zunächst schreiben wir den Bibliotheksnamen, den wir in diesem Programm verwenden, das Numpy ist. Dann schreiben wir den Funktionsnamen des logischen Operators, den wir verwenden, und übergeben dann die Argumente darin.

Beispiel:

Implementieren wir das Beispiel der logischen Operationen von Python-Numpy, die logical_and (), logical_or und logical_not sind.

Wir importieren die Bibliothek von Python, die wir in diesem Programm verwenden, das numpy ist. Anschließend erstellen wir das 1-dimensionale zufällige Array unter Verwendung der Funktion numpy randn () und übergeben zwei Parameter darin. Der erste Parameter zeigt die Anzahl der Zeilen des Arrays an. Der zweite Parameter zeigt die Anzahl der Spalten des Arrays an. In der sechsten Codezeile rufen wir die Anweisung print () auf und übergeben die Funktion logical_and () darin darin. Dann übergeben wir in der nächsten Zeile die Funktion logical_or () und dann die Funktionen logical_not () darin darin.

Numph als NP importieren
arr = np.willkürlich.Randn (2, 2)
print ("Das zufällige Array ist: \ n", arr)
print ('\ nDie Ergebnis von und ist: \ n', np.logical_and (arr> 0, arr < 0.5))
print ('\ nDie Ergebnis von oder ist: \ n', np.logical_or (arr < 0, arr > 0.5)))
print ('\ nDie Ergebnis von nicht: \ n', np.logical_not (arr> 0))

Hier ist die Ausgabe des zuvor erwähnten Code-Snippets. Wie Sie sehen können, erhalten wir das zufällige Array mit der Funktion randn () und die mehrfachen logischen Operationen angewendet:

Vergleichsoperationen

Jetzt haben wir den dritten Betrieb von Numpy Arrays, der Vergleichsvorgang ist. In dieser Operation vergleichen wir das Array mit einer beliebigen Zahl und prüfen, ob es wahr oder falsch ist. Wir führen die Mehrfachvergleichsoperationen in Numpy -Arrays aus, die>, =, <=, =, != etc.

Syntax:

Hier ist die Syntax von Vergleichsoperationen in Numpy -Arrays:

Beispiel:

Gehen wir nun zum Beispiel der Vergleichsoperationen über. Zuerst importieren wir die Python -Bibliothek, die Numpy ist. Anschließend erstellen wir ein zufälliges Numpy -Array mit der Funktion randint (), um das Integer -zufällige Array von 1 bis 20 zu erstellen. Die Größe des Arrays beträgt 1 Zeile und 3 Spalten. Dann rufen wir die Print () -Antage an und bestehen die Vergleichsvorgänge darin. Die Funktionen, die wir in diesem Beispiel ausführen, sind größer (), Greater_equal (), weniger (), Less_equal (), Equal () und nicht_equal ().

Numph als NP importieren
arr = np.willkürlich.Randint (1, 8, Größe = (1, 3))
print ("Das Eingabearray ist: \ n", arr)
print ("\ nGreater als ist: \ n", np.größer (arr, 5))
print ("\ nGreater als oder gleich 5: \ n", np.Greater_equal (arr, 5))
print ("\ nless als 5: \ n", np.weniger (arr, 5))
print ("\ nless als oder gleich 5: \ n", np.Less_equal (arr, 5))
print ("\ nequal bis 5: \ n", np.gleich (arr, 5))
print ("\ nnot gleich 5: \ n", np.Not_equal (arr, 5))

Hier ist die Ausgabe der Vergleichsoperationen:

Abschluss

In diesem Artikel haben wir gelernt, welche Operationen wir in Numpy -Arrays ausführen können, wie wir diese Operationen in Numpy -Arrays implementieren und mit welchen Funktionen wir diese Operationen von Numpy implementieren können. Wir haben Beispiele für jede Operation von Numpy -Arrays implementiert und die verschiedenen Funktionen verwendet, um das Array in diesen Beispielen zu erstellen.