1. Base de numpy biblioteca de computación científica
1.1 ¿Qué es numpy
NumPy (Numerical Python) es un lenguaje Python biblioteca de la extensión, soporta un número de dimensiones de las operaciones de la matriz y de la matriz, además, proporciona una gran cantidad de biblioteca matemática para las operaciones de matriz.
El predecesor de NumPy numérica fue desarrollado por primera vez por Jim Hugunin con otros colaboradores, en 2005, Travis Oliphant numérico combinado con otro en la naturaleza de las características de la biblioteca numarray, y se unió a la otra expansión y desarrollo de NumPy. NumPy es de código abierto y salvaguardar conjuntamente el desarrollo de muchos colaboradores.
NumPy se está ejecutando biblioteca matemática muy rápido, sobre todo para el cálculo de la matriz, que comprende:
- Un potente N-dimensional ndarray matriz de objetos
- la función de ejecución radiodifundida
- Integración de la herramienta de código C / C ++ / Fortran
- álgebra lineal, transformada de Fourier, de números aleatorios funciones de generación
1.2 crea una matriz (matriz)
# Codificación. 8 = UTF- Importación numpy NP AS # utiliza para generar una matriz numpy dar ndarray escriba T1 = np.array ([l, 2,3 ,]) Imprimir (T1) Imprimir (tipo (T1)) T2 = NP. array (Rango (10 )) Imprimir (T2) Imprimir (tipo (T2)) T3 = np.arange (4,10,2 ) Imprimir (T3) Imprimir (tipo (T3)) Imprimir (t3.dtype)
Los resultados operativos
1.3 Tipos de datos
nombre | descripción |
---|---|
bool_ | Tipo de datos booleano (verdadero o falso) |
En t_ | El tipo de número entero predeterminado (similar al lenguaje C de largo, int32 o Int64) |
INTC | El mismo tipo C y int, int es generalmente 64 o int32 |
intp | Para el tipo de número entero del índice (un ssize_t C-como, en general, sigue siendo int32 o Int64) |
INT8 | Byte (-128 a 127) |
Int16 | Entero (-32768-32.767) |
int32 | Entero (desde -2147483648 hasta 2147.483647 millones) |
Int64 | Entero (-9223372036854775808-9223372036854775807) |
uint8 | número entero sin signo (0 a 255) |
uint16 | número entero sin signo (0 a 65535) |
uint32 | número entero sin signo (0 a 4294967295) |
uint64 | número entero sin signo (0 a 18446744073709551615) |
flotador_ | tipo float64 de taquigrafía |
float16 | formato de coma flotante de precisión media, que comprende: un bit de signo, de cinco bits de exponente, 10 bits de la mantisa |
float32 | la precisión de un solo número de coma flotante, que comprende: un bit de signo, ocho exponente, 23 bits de la mantisa |
float64 | Doble precisión en coma flotante, que comprende: un bit de signo, 11 bits de exponente, 52 bits de mantisa |
complejo_ | complex128 tipo taquigrafía, es decir, una pluralidad de 128 bits |
complex64 | , Número de coma flotante Complex 32 bits representa bis (número real parte y parte número imaginario) |
complex128 | , Número de coma flotante Complex 64 bits representa bis (número real parte y parte número imaginario) |
# Codificación. 8 = UTF- Importación numpy, como NP importación Random # INT8, Int16, Int32, Int64 cuatro tipos de datos puede utilizar cadena 'i1', 'i2', 'i4', 'i8' en lugar de t1 = np.array ( Rango (l, 4), DTYPE = " I1 " ) Imprimir (T1) Imprimir (t1.dtype) # #numpy en tipo bool t2 = np.array ([1,1,0,1,0,0], = DTYPE BOOL) Imprimir (T2) de impresión (t2.dtype) # ajustado tipo de datos T3 = t2.astype ( " int8 " ) Imprimir (T3) Imprimir (t3.dtype) # numpy de decimal t4 = np.array ([ al azar.aleatorio()para i en rango (10 )]) de impresión (t4) de impresión (t4.dtype) t5 = np.round (t4,2 ) de impresión (t5)
El resultado:
array 1.4 forma
# Codificación. 8 = UTF- Importación numpy NP AS A = np.array ([[3,4,5,6,7,8], [4,5,6,7,8,9 ]]) Imprimir (A) # Comprobar array forma de impresión (a.shape) # modificar la matriz de la forma de impresión (a.reshape (3,4 )) # forma original array sin cambios de impresión (a.shape) B = a.reshape (3,4 ) Imprimir (B .shape) Imprimir (B) # la matriz en uno de datos dimensional de impresión (b.reshape (placas de 1,12 )) Imprimir (b.flatten ())
El resultado:
sumas de matriz calculan 1,5
# Codificación. 8 = UTF- Importación numpy NP AS A = np.array ([[3,4,5,6,7,8], [4,5,6,7,8,9 ]]) Imprimir (A) # Además sustracción de impresión (A +. 5 ) Imprimir (. 5-A ) # división multiplicación de impresión (A *. 3 ) Imprimir (A /. 3)
El resultado:
1.6 Cálculo de las matrices y matrices
# Codificación. 8 = UTF- Importación numpy NP AS A = np.array ([[3,4,5,6,7,8], [4,5,6,7,8,9 ]]) B = NP. array ([[21,22,23,24,25,26], [27,28,29,30,31,32 ]]) # arrays de resta y matrices de impresión (a + B) Imprimir (A- B ) # matrices y matriz de multiplicación y división de impresión (a * B) Imprimir (a / B)
El resultado:
Diferentes dimensiones de una matriz de computación:
# Codificación. 8 = UTF- Importación numpy NP AS A = np.array ([[3,4,5,6,7,8], [4,5,6,7,8,9 ]]) C = NP. array ([[1,2,3,4], [5,6,7,8], [9,10,11,12 ]]) # una serie de diferentes dimensiones calculado de impresión (a * C)
El resultado:
# Codificación. 8 = UTF- Importación numpy NP AS # 2 filas 6 array a = np.array ([[3,4,5,6,7,8] , [4,5,6,7,8,9 ]]) # 1 fila de la matriz 6 es C = np.array ([1,2,3,4,5,6 ]) Imprimir (A- C) Imprimir (a * C)
El resultado:
# Codificación. 8 = UTF- Importación numpy NP AS # 2 filas 6 array a = np.array ([[3,4,5,6,7,8] , [4,5,6,7,8,9 ]]) # 1 fila de la matriz 6 es C = np.array ([[1], [2 ]]) Imprimir (a + ) C Imprimir (a * C) Imprimir (a * C)
El resultado: