快速了解numpy中常用的函数集合，需要具体代码示例
随着数据科学和机器学习的兴起，numpy成为了Python中最常用的科学计算库之一。numpy不仅提供了强大的多维数组对象，还提供了丰富的函数集合，可以进行数学运算、数组操作、统计分析和线性代数等操作。
为了快速了解numpy中常用的函数集合，下面将介绍一些常用的函数，并提供具体的代码示例。
- 创建数组
numpy提供了不同的函数来创建数组，包括将列表转换为数组、生成等差数列或随机数等。
import numpy as np
array1 = np.array([1, 2, 3, 4, 5]) # 将列表转换为数组
print(array1)
array2 = np.arange(1, 10, 2) # 生成等差数列，起始值为1，结束值为10，步长为2
print(array2)
array3 = np.random.random((2, 3)) # 生成2行3列的随机数数组
print(array3)
- 数组运算
numpy提供了各种各样的数学运算函数，包括加减乘除、指数、对数、三角函数等。
import numpy as np
array1 = np.array([1, 2, 3, 4, 5])
array2 = np.array([6, 7, 8, 9, 10])
array_sum = np.add(array1, array2) # 数组相加
print(array_sum)
array_diff = np.subtract(array1, array2) # 数组相减
print(array_diff)
array_mult = np.multIPly(array1, array2) # 数组相乘
print(array_mult)
array_div = np.divide(array1, array2) # 数组相除
print(array_div)
array_exp = np.exp(array1) # 数组指数
print(array_exp)
array_log = np.log(array1) # 数组对数
print(array_log)
array_sin = np.sin(array1) # 数组正弦值
print(array_sin)
- 数组操作
numpy提供了多种对数组进行操作的函数，包括数组形状变换、数组拼接、数组切片等。
import numpy as np
array1 = np.array([[1, 2, 3], [4, 5, 6]])
array2 = np.array([[7, 8, 9], [10, 11, 12]])
array_transpose = np.transpose(array1) # 数组转置
print(array_transpose)
array_concatenate = np.concatenate((array1, array2), axis=0) # 数组垂直拼接
print(array_concatenate)
array_slice = array1[0:2, 1:3] # 数组切片
print(array_slice)
- 统计分析
numpy提供了多种用于统计分析的函数，包括求和、求平均值、方差和标准差等。
import numpy as np
array1 = np.array([1, 2, 3, 4, 5])
array_sum = np.sum(array1) # 数组元素求和
print(array_sum)
array_mean = np.mean(array1) # 数组元素求平均值
print(array_mean)
array_std = np.std(array1) # 数组元素求标准差
print(array_std)
- 线性代数
numpy提供了丰富的线性代数函数，可以进行矩阵相乘、矩阵求逆和矩阵特征值等操作。
import numpy as np
matrix1 = np.array([[1, 2], [3, 4]])
matrix2 = np.array([[5, 6], [7, 8]])
matrix_dot = np.dot(matrix1, matrix2) # 矩阵相乘
print(matrix_dot)
matrix_inv = np.linalg.inv(matrix1) # 求矩阵的逆
print(matrix_inv)
matrix_eigen = np.linalg.eig(matrix1) # 求矩阵的特征值
print(matrix_eigen)
以上是numpy中常用的函数集合的代码示例。通过了解这些函数，我们可以更加灵活地进行数组操作、数学运算、统计分析和线性代数等计算。希望本文可以帮助读者更好地掌握numpy中的常用函数。
