И еще несколько полезных библиотек для python (с примерами)

Основы метода Numpy arange()

В принципе, метод в модуле NumPy в Python используется для генерации линейной последовательности чисел на основе заранее заданных начальных и конечных точек вместе с постоянным размером шага.

Синтаксис,

import numpy as np
np.arange( start , stop , step ,dtype=nome)

Здесь,

– это начальная точка будущей сгенерированной последовательности. Последовательность начинается с этого числа,
– это предел, до которого должна быть сгенерирована последовательность

Обратите внимание, что stop не включен в саму последовательность, только число до того, как оно будет рассмотрено
– это равномерный размер шага. По умолчанию, если в качестве шага ничего не передается, интерпретатор считает шаги равными единице(1)

Помните, что размер шага должен быть некоторым ненулевым значением, иначе возникнет .
– это тип результирующих элементов ndarray . По умолчанию он выводит тип из предоставленных параметров внутри метода. Тип может быть none, int или float и т. Д.

Пример Numpy arange()

Давайте разберемся в работе метода Numpy на примере:

import numpy as np

#passing start=1, stop=10, and step=2 and dtype=int
res=np.arange(1,10,2,int)

#printing the result
print("The resultant sequence is : ",res)
#analysing the type of the result
print("Type of returned result is:",type(res))

Вывод :

Здесь,

• Мы изначально импортировали модуль NumPy как для дальнейшего использования,
• Затем мы используем метод , передавая соответствующие аргументы start , stop , step и type как 1, 10, 2 и int для создания массива, состоящего из целых чисел от 1 до 9 с.
• Когда мы печатаем результирующую последовательность вместе с возвращаемого объекта, который оказывается членом класса .

Функции sum, mean, min и max

Итак, очень
часто на практике требуется вычислять сумму значений элементов массива, их
среднее значение, а также находить минимальные и максимальные значения. Для
этих целей в NumPy существуют
встроенные функции, выполняющие эти действия и сейчас мы посмотрим как они
работают. Пусть, как всегда, у нас имеется одномерный массив:

a = np.array( 1,  2,  3, 10, 20, 30)

Вычислим сумму,
среднее значение и найдем максимальное и минимальное значения:

a.sum()    # 66
a.mean()  # 11.0
a.max()    # 30
a.min()    # 1

Как видите, все
достаточно просто. Тот же самый результат будет получен и при использовании
многомерных массивов. Например:

a.resize(3, 2)
a.sum()  # 66

Но, если
требуется вычислить сумму только по какой-то одной оси, то ее можно явно
указать дополнительным параметром:

a.sum(axis=)  # array()
a.sum(axis=1) # array()

Точно также
работают и остальные три функции, например:

a.max(axis=)  # array()
a.min(axis=1)  # array()

Массив NumPy

Как обсуждалось ранее, массив Numpy помогает нам в создании массивов. В этом разделе мы рассмотрим синтаксис и различные параметры, связанные с ним. Наряду с этим мы также рассмотрим некоторые примеры.

Синтаксис массива NumPy

(object)

Это общий синтаксис функции. Он имеет несколько параметров, связанных с ним, которые мы рассмотрим в следующем разделе.

Параметры

1. объект:array_like

Этот параметр представляет входной массив, который мы хотим получить в качестве выходного.

<2. тип:data-type

Этот параметр представляет тип данных, который будут иметь элементы массива. Это необязательный параметр. По умолчанию не указано, что он будет принимать минимальный тип, необходимый для хранения элементов.

3. порядок:

Это еще один необязательный параметр, который определяет расположение массива в памяти. Вновь созданный массив будет находиться в порядке c (row-major), если объект не является типом массива. Кроме того, если указано F, то есть (столбец-мажор), то он примет свою форму.

<4. admin:int

Этот необязательный параметр указывает максимальное количество измерений результирующего массива.

Возвращает

По завершении программы он возвращает массив заданного условия.

Примеры

На данный момент мы закончили охватывать все теории, связанные с массивом NumPy. Давайте теперь посмотрим несколько примеров и поймем, как это выполняется. После этого мы быстро перейдем к Normalize Numpy Array

import numpy as ppool.array(,
               )
print(a)

Выход:

Выше мы видим простой пример массива NumPy. Здесь мы сначала импортировали библиотеку NumPy. После чего мы использовали правильный синтаксис, а также указали тип, который должен быть float. В конце концов, наш результат оправдывает наш вклад и, следовательно, он проверяется. Точно так же вы можете сделать это и для сложного типа данных.

Предисловие

Python становится все популярнее и популярнее. Много людей начинают изучать этот язык и встречают на своё пути библиотеку NumPy (сокр. от Numeric Python, невозможно учить python и не знать про эту библиотеку). Она насчитывает в себе множество различных функций и подмодулей, потому запомнить всё просто напросто невозможно. Сегодня мы запишем примеры использования различных базовых конструкций относительно главного класса Numpy — np.ndarray.

Массивы numpy много где используются: Scipy, matplotlib, Pandas (и других библиотеках, составляющих основной инструментарий data scientist’a) и т.д., потому навык владения ими очень важен для Python разработчика.

В качестве среды разработки использован Jupyter Notebook.

Трансляция с помощью numpy.where()

Если мы предоставим все массивы condition, x и y, numpy будет транслировать их вместе.

import numpy as np

a = np.arange(12).reshape(3, 4)

b = np.arange(4).reshape(1, 4)

print(a)
print(b)

# Broadcasts (a < 5, a, and b * 10)
# of shape (3, 4), (3, 4) and (1, 4)
c = np.where(a < 5, a, b * 10)

print(c)

Вывод

 
 ]
`0 1 2 3`

 
 ]

Опять же, здесь вывод выбирается на основе условия, поэтому все элементы, но здесь b, транслируются в форму a. (Одно из его измерений имеет только один элемент, поэтому при трансляции ошибок не будет).

Итак, b теперь станет ], и теперь мы можем выбирать элементы даже из этого транслируемого массива. Таким образом, форма вывода такая же, как у файла.

7.3. Статистика

Над данными в массивах можно производить определенные вычисления, однако, не менее часто требуется эти данные как-то анализировать. Зачастую, в этом случае мы обращаемся к статистике, некоторые функции которой тоже имеются в NumPy. Данные функции могут применять как ко всем элементам массива, так и к элементам, расположенным вдоль определенной оси.

Элементарные статистические функции:

Средние значения элементов массива и их отклонения:

Корреляционные коэфициенты и ковариационные матрицы величин:

Так же NumPy предоставляет функции для вычисления гистограмм наборов данных различной размерности и некоторые другие статистичские функции.

Параметры Numpy Random normal()

• loc: Это необязательный параметр. Входные данные подобны массиву или значению с плавающей запятой. Он определяет среднее значение распределения. По умолчанию он равен 0.0.
• scale: Это необязательный параметр. Входные данные подобны массиву или значению с плавающей запятой. Он определяет стандартное отклонение или плоскостность графика распределения, которая должна понравиться. По умолчанию он равен 1.0. Это не должно быть отрицательным значением.
• размер: Это необязательный параметр. Входные данные подобны целому числу или кортежу целых чисел. Он определяет форму результирующего массива. Если размер равен Нулю. По умолчанию он равен 1.

Примеры работы с NumPy

Подытожим все вышесказанное. Вот несколько примеров полезных инструментов NumPy, которые могут значительно облегчить процесс написания кода.

Математические формулы NumPy

Необходимость внедрения математических формул, которые будут работать с матрицами и векторами, является главной причиной использования NumPy. Именно поэтому NumPy пользуется большой популярностью среди представителей науки. В качестве примера рассмотрим формулу , которая является центральной для контролируемых моделей машинного обучения, что решают проблемы регрессии:

Реализовать данную формулу в NumPy довольно легко:

Главное достоинство NumPy в том, что его не заботит, если и содержат одно или тысячи значение (до тех пор, пока они оба одного размера). Рассмотрим пример, последовательно изучив четыре операции в следующей строке кода:

У обоих векторов и по три значения. Это значит, что в данном случае равно трем. После выполнения указанного выше вычитания мы получим значения, которые будут выглядеть следующим образом:

Затем мы можем возвести значения вектора в квадрат:

Теперь мы вычисляем эти значения:

Таким образом мы получаем значение ошибки некого прогноза и за качество модели.

Представление данных NumPy

Задумайтесь о всех тех типах данных, которыми вам понадобится оперировать, создавая различные модели работы (электронные таблицы, изображения, аудио и так далее). Очень многие типы могут быть представлены как n-мерные массивы:

Списки (list)

Список представляет собой тип, который может хранить любое количество элементов разных типов. Создать список в Python можно несколькими способами:

Создание

Создание пустого списка:

names = []

names = list()

Создание списка с элементами:

names = 

Создание списка на основе другого списка:

names = 
new_names = list(names)

Создание списка повторением какого-либо элемента или другого списка:

names = 
new_names = names * 2

Создание списка с помощью конструкции range():

numbers = list(range(10))

Функция range(10) возвращает числа от 0 до 9, на основе которых создаётся новый список.

Обращение к элементу

Обращение к элементу списка производится по индексу элемента:

names

Индексы элементов начинаются с нулевого, то есть первый элемент списка имеет индекс «0», а второй — «1».

Элементы списка можно обходить циклами for и while:

for name in names:
    print(name)

Сравнение

Списки можно сравнивать между собой. Для того, чтобы два списка считались равными, они должны иметь одинаковый состав. К примеру, следующие два списка будут равны, не смотря на разные способы их создания:

list1 = 
list2 = list(range(10))

Размерность

Список в Python может быть как одномерным, так и многомерным. Выше были приведены примеры одномерных списков. Чтобы список был многомерным, например, двухмерным, каждый элемент списка должен представлять собой другой список:

names = ,
        ,
        ]

В данном примере список состоит из трёх списков, каждый из которых содержит имя и возраст. Аналогично можно создавать списки с большим количеством измерений — с большим количеством уровней вложенности.

Для получения элемента многомерного списка, нужно указывать столько индексов, сколько измерений необходимо использовать для описания элемента:

names = ,
        ,
        ]
names

Преобразование

Двумерный список можно преобразовать в словарь с парами «ключ-значение»:

names = ,
        ,
        ]
new_dict = dict(names)

Матрицы

Двумерный список является матрицей, которую визуально можно представить в следующем виде:

В данном примере переменная А содержит двумерный список, т.е. список списков, каждый из которых состоит из трёх элементов. Тип list в Python не поддерживает работу со списками как с матрицами, но, тем не менее, позволяет матрицы хранить.

Можем Ли Мы Найти Сложение Между Двумя Массивами Numpy С Разными Формами?

Простыми словами, Нет, мы не можем найти сложение или использовать функцию numpy add в двух массивах numpy, которые имеют разные формы.

Давайте рассмотрим это на одном примере,

import numpy as np
a1 = , ]
a2 = , ]

print ("1st Input array : ", a1) 
print ("2nd Input array : ", a2) 
	.add(a1, a2) 
print ("Addition of two input arrays : ", ad)

Выход:

Объяснение

Если форма двух массивов numpy будет отличаться, то мы получим valueerror. Ошибка значения будет говорить что – то вроде, например.

ValueError: operands could not be broadcast together with shapes (2,3) (2,)

Здесь, в этом примере, мы получаем valueerror, потому что входной массив a2 имеет другую форму, чем входной массив a1. Чтобы получить сложение без какой-либо ошибки значения, обязательно проверьте форму массивов.

Агрегирование в NumPy

Дополнительным преимуществом NumPy является наличие в нем функций агрегирования:

Функциями , и дело не ограничивается.

К примеру:

• позволяет получить среднее арифметическое;
• выдает результат умножения всех элементов;
• нужно для среднеквадратического отклонения.

Это лишь небольшая часть довольно обширного списка функций агрегирования в NumPy.

Использование нескольких размерностей NumPy

Все перечисленные выше примеры касаются векторов одной размерности. Главным преимуществом NumPy является его способность использовать отмеченные операции с любым количеством размерностей.

Перестройка массива

После нарезки данных вам может понадобиться изменить их.

Например, некоторые библиотеки, такие как scikit-learn, могут требовать, чтобы одномерный массив выходных переменных (y) был сформирован как двумерный массив с одним столбцом и результатами для каждого столбца.

Некоторые алгоритмы, такие как рекуррентная нейронная сеть с короткой кратковременной памятью в Keras, требуют ввода данных в виде трехмерного массива, состоящего из выборок, временных шагов и функций.

Важно знать, как изменить ваши массивы NumPy, чтобы ваши данные соответствовали ожиданиям конкретных библиотек Python. Мы рассмотрим эти два примера

Форма данных

Массивы NumPy имеют атрибут shape, который возвращает кортеж длины каждого измерения массива.

Например:

При выполнении примера печатается кортеж для одного измерения.

Кортеж с двумя длинами возвращается для двумерного массива.

Выполнение примера возвращает кортеж с количеством строк и столбцов.

Вы можете использовать размер измерений вашего массива в измерении формы, например, указав параметры.

К элементам кортежа можно обращаться точно так же, как к массиву, с 0-м индексом для числа строк и 1-м индексом для количества столбцов. Например:

Запуск примера позволяет получить доступ к конкретному размеру каждого измерения.

Изменить форму 1D в 2D Array

Обычно требуется преобразовать одномерный массив в двумерный массив с одним столбцом и несколькими массивами.

NumPy предоставляет функцию reshape () для объекта массива NumPy, который можно использовать для изменения формы данных.

Функция reshape () принимает единственный аргумент, который задает новую форму массива. В случае преобразования одномерного массива в двумерный массив с одним столбцом кортеж будет иметь форму массива в качестве первого измерения (data.shape ) и 1 для второго измерения.

Собрав все это вместе, мы получим следующий проработанный пример.

При выполнении примера печатается форма одномерного массива, изменяется массив, чтобы иметь 5 строк с 1 столбцом, а затем печатается эта новая форма.

Изменить форму 2D в 3D Array

Обычно требуется преобразовать двумерные данные, где каждая строка представляет последовательность в трехмерный массив для алгоритмов, которые ожидают множество выборок за один или несколько временных шагов и одну или несколько функций.

Хорошим примером являетсямодель в библиотеке глубокого обучения Keras.

Функция изменения формы может использоваться напрямую, указывая новую размерность. Это ясно с примером, где каждая последовательность имеет несколько временных шагов с одним наблюдением (функцией) на каждый временной шаг.

Мы можем использовать размеры в атрибуте shape в массиве, чтобы указать количество выборок (строк) и столбцов (временных шагов) и зафиксировать количество объектов в 1

Собрав все это вместе, мы получим следующий проработанный пример.

При выполнении примера сначала печатается размер каждого измерения в двумерном массиве, изменяется форма массива, а затем суммируется форма нового трехмерного массива.

Добро пожаловать в NumPy!

NumPy (NumericalPython) — это библиотека Python с открытым исходным кодом, которая используется практически во всех областях науки и техники. Это универсальный стандарт для работы с числовыми данными в Python, и он лежит в основе научных экосистем Python и PyData. В число пользователей NumPy входят все — от начинающих программистов до опытных исследователей, занимающихся самыми современными научными и промышленными исследованиями и разработками. API-интерфейс NumPy широко используется в пакетах Pandas, SciPy, Matplotlib, scikit-learn, scikit-image и в большинстве других научных и научных пакетов Python.

Библиотека NumPy содержит многомерный массив и матричные структуры данных (дополнительную информацию об этом вы найдете в следующих разделах). Он предоставляет ndarray, однородный объект n-мерного массива, с методами для эффективной работы с ним. NumPy может использоваться для выполнения самых разнообразных математических операций над массивами. Он добавляет мощные структуры данных в Python, которые гарантируют эффективные вычисления с массивами и матрицами, и предоставляет огромную библиотеку математических функций высокого уровня, которые работают с этими массивами и матрицами.

Узнайте больше о NumPy здесь!

GIF черезgiphy

Установка NumPy

Чтобы установить NumPy, я настоятельно рекомендую использовать научный дистрибутив Python. Если вам нужны полные инструкции по установке NumPy в вашей операционной системе, вы можетенайти все детали здесь,

Если у вас уже есть Python, вы можете установить NumPy с помощью

conda install numpy

или

pip install numpy

Если у вас еще нет Python, вы можете рассмотреть возможность использованияанаконда, Это самый простой способ начать. Преимущество этого дистрибутива в том, что вам не нужно слишком беспокоиться об отдельной установке NumPy или каких-либо основных пакетов, которые вы будете использовать для анализа данных, таких как pandas, Scikit-Learn и т. Д.

Если вам нужна более подробная информация об установке, вы можете найти всю информацию об установке наscipy.org,

фотоАдриеннотPexels

Если у вас возникли проблемы с установкой Anaconda, вы можете ознакомиться с этой статьей:

Как импортировать NumPy

Каждый раз, когда вы хотите использовать пакет или библиотеку в своем коде, вам сначала нужно сделать его доступным.

Чтобы начать использовать NumPy и все функции, доступные в NumPy, вам необходимо импортировать его. Это можно легко сделать с помощью этого оператора импорта:

import numpy as np

(Мы сокращаем «numpy» до «np», чтобы сэкономить время и сохранить стандартизированный код, чтобы любой, кто работает с вашим кодом, мог легко его понять и запустить.)

В чем разница между списком Python и массивом NumPy?

NumPy предоставляет вам огромный выбор быстрых и эффективных числовых опций. Хотя список Python может содержать разные типы данных в одном списке, все элементы в массиве NumPy должны быть однородными. Математические операции, которые должны выполняться над массивами, были бы невозможны, если бы они не были однородными.

Зачем использовать NumPy?

фотоPixabayотPexels

Массивы NumPy быстрее и компактнее, чем списки Python. Массив потребляет меньше памяти и намного удобнее в использовании. NumPy использует гораздо меньше памяти для хранения данных и предоставляет механизм задания типов данных, который позволяет оптимизировать код еще дальше.

Что такое массив?

Массив является центральной структурой данных библиотеки NumPy. Это таблица значений, которая содержит информацию о необработанных данных, о том, как найти элемент и как интерпретировать элемент. Он имеет сетку элементов, которые можно проиндексировать в Все элементы имеют одинаковый тип, называемыймассив dtype(тип данных).

Массив может быть проиндексирован набором неотрицательных целых чисел, логическими значениями, другим массивом или целыми числами.рангмассива это количество измерений.формамассива — это кортеж целых чисел, дающий размер массива по каждому измерению.

Одним из способов инициализации массивов NumPy является использование вложенных списков Python.

a = np.array(, , ])

Мы можем получить доступ к элементам в массиве, используя квадратные скобки. Когда вы получаете доступ к элементам, помните, чтоиндексирование в NumPy начинается с 0, Это означает, что если вы хотите получить доступ к первому элементу в вашем массиве, вы получите доступ к элементу «0».

print(a)

Выход:

Универсальные тригонометрические функции в NumPy

В ходе этой концепции мы теперь рассмотрим некоторые универсальные тригонометрические функции в NumPy .

1. тупица. deg2rad() : Эта функция помогает нам преобразовать значение градуса в радианы.
2. функция numpy.sinh () : Вычисляет значение гиперболического синуса.
3. функция numpy.sin () : Вычисляет обратную гиперболическую величину синуса.
4. функция numpy.hypot () : Вычисляет гипотенузу для прямоугольной структуры треугольника.

Пример:

import numpy as np

data = np.array()

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:

Inverse Sine hyperbolic values:

hypotenuse value for the right angled triangle:
6.708203932499369

7.5. Дискретное преобразование Фурье

Если данные в ваших массивах — это сигналы: звуки, изображения, радиоволны, котировки акций и т.д., то вам наверняка понадобится дискретное преобразование Фурье. В NumPy представлены методы быстрого дискретного преобразования Фурье для одномерных, двумерных и многомерных сигналов, а так же некоторые вспомогательные функции. Рассмотрим некоторые простые примеры.

Одномерное дискретное преобразование Фурье:

Двумерное дискретное преобразование Фурье:

Очень часто при спектральном анализе используются оконные функции (оконное преобразование Фурье), некоторые из которых так же представлены в NumPy

Почему SciPy?

SciPy предоставляет высокоуровневые команды и классы для управления данными и визуализации данных, что значительно увеличивает мощность интерактивного сеанса Python.

Помимо математических алгоритмов в SciPy, программисту доступно все, от классов, веб-подпрограмм и баз данных до параллельного программирования, что упрощает и ускоряет разработку сложных и специализированных приложений.

Поскольку SciPy имеет открытый исходный код, разработчики по всему миру могут вносить свой вклад в разработку дополнительных модулей, что очень полезно для научных приложений, использующих SciPy.

Базовые математические функции

Все те же самые
операции и многие другие можно выполнять через функции пакета NumPy, а не через
методы массива. Вот список основных из них:

Название	Описание
np.abs(x)	Вычисление модуля от аргумента(ов)x; xможет быть числом, списком или массивом.
np.amax(x)	Нахождение максимального значения от аргумента(ов)x
np.amin(x)	Нахождение минимального значения от аргумента(ов)x
np.argmax(x)	Нахождение индекса максимального значения дляx.
np.argmin(x)	Нахождение индекса минимального значения дляx.
np.around(x)	Округление до ближайшего целого.
np.mean(x)	Вычисление среднего значения.
np.log(x)	Вычисление натурального логарифма.
np.log2(x)	Вычисление логарифма по основанию 2.
np.log10(x)	Вычисление логарифма по основанию 10.

Предположим,
имеется массив:

a = np.array(-1, 1, 5, -44, 32, 2)

тогда для
вычисления модулей значений его элементов можно записать команду:

np.abs(a) # array()

На выходе
получаем новый массив с абсолютными величинами. То же самое будет, если на вход
подать обычный список значений:

np.abs(-1, 1, 5, -44, 32, )# array()

или просто
число:

np.abs(-10.5) # 10.5

Эти примеры
демонстрируют разные типы входных данных: массив, список, число. Все это
допустимо использовать в математических функциях.

Остальные
функции работают по аналогии, например:

np.amax(a) # 32
np.log(a) # array()
np.around(0.7) # 1.0

Функции amin, amax, mean, argmax, argmin, при работе с
многомерными матрицами, могут делать вычисления по строго определенной оси.
Например:

a.resize(2, 3)
np.amax(a, axis=)  # array()
np.argmax(a, axis=1) # array(, dtype=int32)

И так далее.

Арифметические операции с матрицей

Вы можете выполнять арифметические операции, такие как сложение, вычитание, умножение и деление между матрицами. В следующем примере вы можете увидеть несколько примеров арифметических операций.

import numpy


# initialize two array
x = numpy.array(, ], dtype=numpy.float64)
y = numpy.array(, ], dtype=numpy.float64)

print('Print the two matrices')
print('X = \n', x)
print('Y = \n', y)

# Elementwise sum; both produce the array
print('\nElementwise addition of two matrices: ( X + Y of Matlab )')
print('Add using add operator: \n', x + y)
print('Add using add function: \n', numpy.add(x, y))

# Elementwise difference; both produce the array
print('\nElementwise subtraction of two matrices: ( X - Y of Matlab )')
print('Subtract using operator: \n', x - y)
print('Subtract using function: \n', numpy.subtract(x, y))

# Elementwise product; both produce the array
print('\nElementwise Multiplication of two matrices: ( X .* Y of Matlab )')
print('Multiply using operator: \n', x * y)
print('Multiply using function: \n', numpy.multiply(x, y))

# Elementwise division; both produce the array
print('\nElementwise division of two matrices: ( X ./ Y of Matlab )')
print('Division using operator: \n', x / y)
print('Division using function: \n', numpy.divide(x, y))

# Elementwise square root; produces the array
print('\nSquare root each element of X matrix\n', numpy.sqrt(x))

# Matrix Multiplication
print('\nMatrix Multiplication of two matrices: ( X * Y of Matlab )')
print(x.dot(y))

Ниже приведен результат работы вышеуказанной программы матрицы numpy.

X = 
 
 ]
Y = 
 
 ]

Elementwise addition of two matrices: ( X + Y of Matlab )
Add using add operator: 
 
 ]
Add using add function: 
 
 ]

Elementwise subtraction of two matrices: ( X - Y of Matlab )
Subtract using operator: 
 
 ]
Subtract using function: 
 
 ]

Elementwise Multiplication of two matrices: ( X .* Y of Matlab )
Multiply using operator: 
 
 ]
Multiply using function: 
 
 ]

Elementwise division of two matrices: ( X ./ Y of Matlab )
Division using operator: 
 
 ]
Division using function: 
 
 ]

Square root each element of X matrix
 
 ]

Matrix Multiplication of two matrices: ( X * Y of Matlab )

 ]

Синтаксис

Эта функция принимает массив типа numpy (например, массив целых и логических значений NumPy).

Он возвращает новый массив numpy после фильтрации на основе условия, который представляет собой массив логических значений, подобный numpy.

Например, условие может принимать значение массива (]), который является логическим массивом типа numpy. (По умолчанию NumPy поддерживает только числовые значения, но мы также можем преобразовать их в bool).

Например, если условием является массив (]), а наш массив – a = ndarray (]), при применении условия к массиву (a ), мы получим массив ndarray (`1 2`).

import numpy as np

a = np.arange(10)
print(a) # Will only capture elements <= 2 and ignore others

Вывод:

array()

ПРИМЕЧАНИЕ. То же условие условия также может быть представлено как <= 2. Это рекомендуемый формат для массива условий, так как записывать его как логический массив очень утомительно.

Но что, если мы хотим сохранить размерность результата и не потерять элементы из нашего исходного массива? Для этого мы можем использовать numpy.where().

numpy.where(condition )

У нас есть еще два параметра x и y. Что это? По сути, это означает, что если условие выполняется для некоторого элемента в нашем массиве, новый массив будет выбирать элементы из x.

В противном случае, если это false, будут взяты элементы из y.

При этом наш окончательный выходной массив будет массивом с элементами из x, если условие = True, и элементами из y, если условие = False.

Обратите внимание, что хотя x и y необязательны, если вы указываете x, вы также ДОЛЖНЫ указать y. Это потому, что в этом случае форма выходного массива должна быть такой же, как и входной массив

ПРИМЕЧАНИЕ. Та же логика применима как для одномерных, так и для многомерных массивов. В обоих случаях мы выполняем фильтрацию по условию. Также помните, что формы x, y и условия передаются вместе.

Теперь давайте рассмотрим несколько примеров, чтобы правильно понять эту функцию.

Вывод

В заключение можно сказать, что функция tile() может быть использована для построения массива путем репликации числа экземпляров, заданных reps.И мы можем использовать ее для многомерных массивов. Честно говоря, это немного сложнее представить и рассмотреть более высокие измерения, поэтому ради простоты я вряд ли буду много описывать об этом. Просто поймите, что np.tile действительно работает в более чем двух измерениях.

Однако, если у вас есть какие-либо сомнения или вопросы, дайте мне знать в разделе комментариев ниже. Я постараюсь помочь вам как можно скорее.

Счастливого Пифонирования!