【数据分析】numpy （二）-阿里云开发者社区

【数据分析】numpy （二）

2024-03-28 31

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： numpy作为数据分析，深度学习常用的库，本篇博客我们来介绍numpy的一些进阶用法

numpy作为数据分析，深度学习常用的库，本篇博客我们来介绍numpy的一些进阶用法：

a = np.array([[1, 2],
              [3, 4]])
np.sum(a）

np.mean(a) # 求取平均值
2.5

np.min(a)
1

np.max(a)
4

以下就不再一一列举，我转成表格大家可以去Python手动尝试一下。

2.1加法：

array([ 9, 18, 27, 36, 45])
a = np.array([10, 20, 30, 40, 50])
b = np.arange(1, 6)
print(a + b)
array([11, 22, 33, 44, 55])

2.2减法

a - b
array([ 9, 18, 27, 36, 45])

2.3乘法：

a * b
 array([ 10, 40, 90, 160, 250])

2.4除法：

a / b
array([10., 10., 10., 10., 10.])

2.5加法：

A = np.array([[1, 2],
              [3, 4]])
B = np.array([[5, 6],
              [7, 8]])
print(A+B)
[[6,8],
[10,12]]

2.6减法：

A-B

[[-4 -4]
 [-4 -4]]

2.7乘法

A*B

[[ 5 12]
 [21 32]]

2.8除法：

A/B

[[0.2        0.33333333]
 [0.42857143 0.5       ]]

A = np.array([[1, 2],
              [3, 4]])
B = np.array([[5, 6],
              [7, 8]])
print(np.dot(A,B))

[[19 22]
 [43 50]]

print(A.T)

[[1 3]
 [2 4]]

3.3求逆矩阵

np.linalg.inv(A)

[[-2.   1. ]
 [ 1.5 -0.5]]

四，numpy广播机制：

术语广播是指 NumPy 在算术运算期间处理不同形状的数组的能力。对数组的算术运算通常在相应的元素上进行。如果两个阵列具有完全相同的形状，则这些操作被无缝执行。

a = np.array([1,2,3,4]) 
b = np.array([10,20,30,40]) 
c = a * b 
print(c)

[10   40   90   160]

a = np.array([[1, 2, 3],
             [4, 5, 6],
             [7, 8, 9]])
b = np.array([1, 2, 3])

# 可直接简写为a+ b, numpy自动实现广播功能，当参与运算的操作数的维度不一样时
a + b

array([[ 2, 4, 6],
   [ 5, 7, 9],
   [ 8, 10, 12]])

【数据分析】numpy （二）