importnumpyasnpa=np.array([[1357911][24681012]])# horizontal splittingprint('Splitting along horizontal axis into 2 parts:n'np.hsplit(a2))# vertical splittingprint('nSplitting along vertical axis into 2 parts:n'np.vsplit(a2))
Termen broadcasting beskriver hur NumPy behandlar arrayer med olika former under aritmetiska operationer. Med förbehåll för vissa begränsningar "sänds" den mindre arrayen över den större arrayen så att de har kompatibla former. Broadcasting tillhandahåller ett sätt att vektorisera arrayoperationer så att looping sker i C istället för Python. Det gör detta utan att göra onödiga kopior av data och leder vanligtvis till effektiva algoritmimplementationer. Det finns också fall där sändning är en dålig idé eftersom det leder till ineffektiv användning av minne som saktar ner beräkningen. NumPy-operationer görs vanligtvis element för element, vilket kräver att två arrayer har exakt samma form. Numpys sändningsregel mildrar denna begränsning när arrayernas former uppfyller vissa begränsningar. Sändningsregeln: För att kunna sända måste de efterföljande axlarnas storlek för båda arrayerna i en operation antingen vara lika stora eller så måste en av dem vara en . Let us see some examples:
A(2-D array): 4 x 3 B(1-D array): 3 Result : 4 x 3
A(4-D array): 7 x 1 x 6 x 1 B(3-D array): 3 x 1 x 5 Result : 7 x 3 x 6 x 5
But this would be a mismatch:
A: 4 x 3 B: 4
The simplest broadcasting example occurs when an array and a scalar value are combined in an operation. Consider the example given below: Python
importnumpyasnpa=np.array([1.02.03.0])# Example 1b=2.0print(a*b)# Example 2c=[2.02.02.0]print(a*c)
Output:
[ 2. 4. 6.] [ 2. 4. 6.]
We can think of the scalar b being stretched during the arithmetic operation into an array with the same shape as a. The new elements in b as shown in above figure are simply copies of the original scalar. Although the stretching analogy is only conceptual. Numpy is smart enough to use the original scalar value without actually making copies so that broadcasting operations are as memory and computationally efficient as possible. Because Example 1 moves less memory (b is a scalar not an array) around during the multiplication it is about 10% faster than Example 2 using the standard numpy on Windows 2000 with one million element arrays! The figure below makes the concept more clear: In above example the scalar b is stretched to become an array of with the same shape as a so the shapes are compatible for element-by-element multiplication. Now let us see an example where both arrays get stretched. Python
I vissa fall sträcker sändning båda arrayerna för att bilda en utmatris som är större än någon av de initiala arrayerna.
Arbeta med datetime:
Numpy has core array data types which natively support datetime functionality. The data type is called datetime64 so named because datetime is already taken by the datetime library included in Python. Consider the example below for some examples: Python
importnumpyasnp# creating a datetoday=np.datetime64('2017-02-12')print('Date is:'today)print('Year is:'np.datetime64(today'Y'))# creating array of dates in a monthdates=np.arange('2017-02''2017-03'dtype='datetime64[D]')print('nDates of February 2017:n'dates)print('Today is February:'todayindates)# arithmetic operation on datesdur=np.datetime64('2017-05-22')-np.datetime64('2016-05-22')print('nNo. of days:'dur)print('No. of weeks:'np.timedelta64(dur'W'))# sorting datesa=np.array(['2017-02-12''2016-10-13''2019-05-22']dtype='datetime64')print('nDates in sorted order:'np.sort(a))
Output:
Date is: 2017-02-12 Year is: 2017 Dates of February 2017: ['2017-02-01' '2017-02-02' '2017-02-03' '2017-02-04' '2017-02-05' '2017-02-06' '2017-02-07' '2017-02-08' '2017-02-09' '2017-02-10' '2017-02-11' '2017-02-12' '2017-02-13' '2017-02-14' '2017-02-15' '2017-02-16' '2017-02-17' '2017-02-18' '2017-02-19' '2017-02-20' '2017-02-21' '2017-02-22' '2017-02-23' '2017-02-24' '2017-02-25' '2017-02-26' '2017-02-27' '2017-02-28'] Today is February: True No. of days: 365 days No. of weeks: 52 weeks Dates in sorted order: ['2016-10-13' '2017-02-12' '2019-05-22']
Linjär algebra i NumPy:
Den linjära algebramodulen i NumPy erbjuder olika metoder för att tillämpa linjär algebra på valfri numpy array. Du kan hitta:
rank determinant spår etc. av en array.
egna värderingar eller matriser
matris och vektorprodukter (prick inre yttre etc. produkt) matrisexponentiering
lös linjära eller tensorekvationer och mycket mer!
Consider the example below which explains how we can use NumPy to do some matrix operations. Python
importnumpyasnpA=np.array([[611][4-25][287]])print('Rank of A:'np.linalg.matrix_rank(A))print('nTrace of A:'np.trace(A))print('nDeterminant of A:'np.linalg.det(A))print('nInverse of A:n'np.linalg.inv(A))print('nMatrix A raised to power 3:n'np.linalg.matrix_power(A3))
Output:
Rank of A: 3 Trace of A: 11 Determinant of A: -306.0 Inverse of A: [[ 0.17647059 -0.00326797 -0.02287582] [ 0.05882353 -0.13071895 0.08496732] [-0.11764706 0.1503268 0.05228758]] Matrix A raised to power 3: [[336 162 228] [406 162 469] [698 702 905]]
Let us assume that we want to solve this linear equation set:
x + 2*y = 8 3*x + 4*y = 18
This problem can be solved using linalg.solve method as shown in example below: Python
importnumpyasnp# coefficientsa=np.array([[12][34]])# constantsb=np.array([818])print('Solution of linear equations:'np.linalg.solve(ab))
Output:
Solution of linear equations: [ 2. 3.]
Finally we see an example which shows how one can perform linear regression using least squares method. A linear regression line is of the form w1 x + w 2 = y och det är linjen som minimerar summan av kvadraterna på avståndet från varje datapunkt till linjen. Så givet n datapar (xi yi) är parametrarna som vi letar efter w1 och w2 som minimerar felet: Let us have a look at the example below: Python
importnumpyasnpimportmatplotlib.pyplotasplt# x co-ordinatesx=np.arange(09)A=np.array([xnp.ones(9)])# linearly generated sequencey=[192020.521.522232325.524]# obtaining the parameters of regression linew=np.linalg.lstsq(A.Ty)[0]# plotting the lineline=w[0]*x+w[1]# regression lineplt.plot(xline'r-')plt.plot(xy'o')plt.show()
Output: Så detta leder till avslutningen av denna serie av NumPy-handledning. NumPy är ett allmänt använt bibliotek för allmänt bruk som är kärnan i många andra beräkningsbibliotek som scipy scikit-learn tensorflow matplotlib opencv etc. Att ha en grundläggande förståelse för NumPy hjälper till att hantera andra bibliotek på högre nivå effektivt! Referenser:
In above example the scalar b is stretched to become an array of with the same shape as a so the shapes are compatible for element-by-element multiplication. Now let us see an example where both arrays get stretched. Python 
I vissa fall sträcker sändning båda arrayerna för att bilda en utmatris som är större än någon av de initiala arrayerna. 
Let us have a look at the example below: Python 
Så detta leder till avslutningen av denna serie av NumPy-handledning. NumPy är ett allmänt använt bibliotek för allmänt bruk som är kärnan i många andra beräkningsbibliotek som scipy scikit-learn tensorflow matplotlib opencv etc. Att ha en grundläggande förståelse för NumPy hjälper till att hantera andra bibliotek på högre nivå effektivt! Referenser: