Hướng dẫn dùng numpy library python - using numpy library python Chi tiết - Tạo Khiên Facebook

Mẹo Hướng dẫn Hướng dẫn dùng numpy library python – using numpy library python 2022

Pro đang tìm kiếm từ khóa Hướng dẫn dùng numpy library python – using numpy library python được Update vào lúc : 2022-10-12 04:11:37 . Với phương châm chia sẻ Bí kíp về trong nội dung bài viết một cách Chi Tiết Mới Nhất. Nếu sau khi Read tài liệu vẫn ko hiểu thì hoàn toàn có thể lại phản hồi ở cuối bài để Tác giả lý giải và hướng dẫn lại nha.

Numpy

Numpy là một thư viện lõi phục vụ cho khoa học máy tính của Python, tương hỗ cho việc tính toán những mảng nhiều chiều, có kích thước lớn với những hàm đã được tối ưu vận dụng lên những mảng nhiều chiều đó. Numpy đặc biệt quan trọng hữu ích khi thực thi những hàm liên quan tới Đại Số Tuyến Tính.

Nội dung chính

Array indexingBroadcastingKết luậnTài liệu tìm hiểu thêm

Để setup numpy nếu bạn có Anaconda chỉ việc gõ

import numpy as np

a = np.zeros((2,2)) # Tạo một numpy array với toàn bộ phẩn tử là 0
print(a) # “[[ 0. 0.]
# [ 0. 0.]]”

b = np.ones((1,2)) # Tạo một numpy array với toàn bộ phẩn tử là một trong
print(b) # “[[ 1. 1.]]”

c = np.full((2,2), 7) # Tạo một mảng hằng
print(c) # “[[ 7. 7.]
# [ 7. 7.]]”

d = np.eye(2) # Tạo một ma trận cty 2 x 2
print(d) # “[[ 1. 0.]
# [ 0. 1.]]”

a = np.zeros((2,2)) # Tạo một numpy array với toàn bộ phẩn tử là 0
print(a) # “[[ 0. 0.]
# [ 0. 0.]]”

b = np.ones((1,2)) # Tạo một numpy array với toàn bộ phẩn tử là một trong
print(b) # “[[ 1. 1.]]”

c = np.full((2,2), 7) # Tạo một mảng hằng
print(c) # “[[ 7. 7.]
# [ 7. 7.]]”

d = np.eye(2) # Tạo một ma trận cty 2 x 2
print(d) # “[[ 1. 0.]
# [ 0. 1.]]”

Sau khi setup xong, trong Python, toàn bộ chúng ta cần khai báo

import numpy as np

a = np.zeros((2,2)) # Tạo một numpy array với toàn bộ phẩn tử là 0
print(a) # “[[ 0. 0.]
# [ 0. 0.]]”

b = np.ones((1,2)) # Tạo một numpy array với toàn bộ phẩn tử là một trong
print(b) # “[[ 1. 1.]]”

c = np.full((2,2), 7) # Tạo một mảng hằng
print(c) # “[[ 7. 7.]
# [ 7. 7.]]”

d = np.eye(2) # Tạo một ma trận cty 2 x 2
print(d) # “[[ 1. 0.]
# [ 0. 1.]]”

e = np.random.random((2,2)) # Tạo một mảng với những giá trị ngẫu nhiên
print(e) # Có thể là “[[ 0.91940167 0.08143941]
# [ 0.68744134 0.87236687]]”
f = np.arange(10) # Tạo 1 numpy array với những phẩn tử từ 0 đến 9
print(f) # “[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]”
7 để hoàn toàn có thể khởi đầu sử dụng những hàm của numpy. Vì numpy là thư viện được sử dụng thường xuyên nên nó thường được khai báo gọn lại thành np import numpy as np

a = np.zeros((2,2)) # Tạo một numpy array với toàn bộ phẩn tử là 0
print(a) # “[[ 0. 0.]
# [ 0. 0.]]”

b = np.ones((1,2)) # Tạo một numpy array với toàn bộ phẩn tử là một trong
print(b) # “[[ 1. 1.]]”

c = np.full((2,2), 7) # Tạo một mảng hằng
print(c) # “[[ 7. 7.]
# [ 7. 7.]]”

d = np.eye(2) # Tạo một ma trận cty 2 x 2
print(d) # “[[ 1. 0.]
# [ 0. 1.]]”

e = np.random.random((2,2)) # Tạo một mảng với những giá trị ngẫu nhiên
print(e) # Có thể là “[[ 0.91940167 0.08143941]
# [ 0.68744134 0.87236687]]”
f = np.arange(10) # Tạo 1 numpy array với những phẩn tử từ 0 đến 9
print(f) # “[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]”
8 np hoàn toàn có thể thay thế bằng những từ khác, tuy nhiên bạn nên được đặt là np vì những tài liệu hướng dẫn đều ngầm quy ước như vậy.np import numpy as np

a = np.zeros((2,2)) # Tạo một numpy array với toàn bộ phẩn tử là 0
print(a) # “[[ 0. 0.]
# [ 0. 0.]]”

b = np.ones((1,2)) # Tạo một numpy array với toàn bộ phẩn tử là một trong
print(b) # “[[ 1. 1.]]”

c = np.full((2,2), 7) # Tạo một mảng hằng
print(c) # “[[ 7. 7.]
# [ 7. 7.]]”

d = np.eye(2) # Tạo một ma trận cty 2 x 2
print(d) # “[[ 1. 0.]
# [ 0. 1.]]”

e = np.random.random((2,2)) # Tạo một mảng với những giá trị ngẫu nhiên
print(e) # Có thể là “[[ 0.91940167 0.08143941]
# [ 0.68744134 0.87236687]]”
f = np.arange(10) # Tạo 1 numpy array với những phẩn tử từ 0 đến 9
print(f) # “[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]”
8 np hoàn toàn có thể thay thế bằng những từ khác, tuy nhiên bạn nên được đặt là np vì những tài liệu hướng dẫn đều ngầm quy ước như vậy.

Arrays

Một mảng numpy là một lưới những giá trị, và toàn bộ những giá trị có dùng kiểu giá trị, và được lập chỉ mục bởi một số trong những nguyên không âm, số chiều được gọi là rank của mảng Numpy, và shape là một tuple những số nguyên đưa ra kích thước của mảng theo mỗi chiều.rank của mảng Numpy, và
shape là một tuple những số nguyên đưa ra kích thước của mảng theo mỗi chiều.

Chúng ta hoàn toàn có thể khởi tạo numpy arrays từ nested Python lists, và dùng dấu ngoặc vuông để truy vấn từng thành phần

import numpy as np

a = np.array([1, 2, 3]) # Tạo một numpy array với rank = 1

print(type(a)) # Sẽ in ra “<class ‘numpy.ndarray’>”
print(a.shape) # Sẽ in ra “(3,)”
print(a[0], a[1], a[2]) # Sẽ in ra “1 2 3”
a[0] = 5 # Thay đổi giá trị của một thành phần trong mảng
print(a) # Sẽ in ra kết quả là “[5, 2, 3]”

b = np.array([[1,2,3],[4,5,6]]) # Tạo một numpy array với rank =2
print(b.shape) # In ra “(2, 3)”
print(b[0, 0], b[0, 1], b[1, 0]) # Sẽ in ra “1 2 4”

Numpy cũng phục vụ thật nhiều hàm để khởi tạo arrays

import numpy as np

a = np.zeros((2,2)) # Tạo một numpy array với toàn bộ phẩn tử là 0
print(a) # “[[ 0. 0.]
# [ 0. 0.]]”

b = np.ones((1,2)) # Tạo một numpy array với toàn bộ phẩn tử là một trong
print(b) # “[[ 1. 1.]]”

c = np.full((2,2), 7) # Tạo một mảng hằng
print(c) # “[[ 7. 7.]
# [ 7. 7.]]”

d = np.eye(2) # Tạo một ma trận cty 2 x 2
print(d) # “[[ 1. 0.]
# [ 0. 1.]]”

Còn thật nhiều hảm để khởi tạo array bạn hoàn toàn có thể tìm hiểu thêm tại đây documentation

Array indexing

Numpy phục vụ một số trong những phương pháp để truy xuất thành phần trong mảng

Slicing: Tương tự như list trong python, numpy arrays cũng hoàn toàn có thể được cắt.: Tương tự như list trong python, numpy arrays cũng hoàn toàn có thể được cắt.

import numpy as np

# Khởi tạo numpy array có shape = (3, 4) có mức giá trị như sau:
# [[ 1 2 3 4]
# [ 5 6 7 8]
# [ 9 10 11 12]]
a = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]])

# Sử dụng slicing để tạo numpy array b bằng phương pháp lấy 2 số 1 tiên
# và cột 1, 2. Như vậy b sẽ có được shape = (2, 2):
# [[2 3]
# [6 7]]
b = a[:2, 1:3]

# Một array tạo ra từ slicing sẽ có được cùng địa chỉ với array gốc.
# Nếu thay đổi 1 trong 2 thì array còn sót lại cũng thay đổi.
print(a[0, 1]) # Prints “2”
b[0, 0] = 77 # b[0, 0] ở đây tương tự với a[0, 1]
print(a[0, 1]) # Prints “77”

Bạn cũng hoàn toàn có thể phối hợp việc dùng slicing và dùng chỉ số. Tuy nhiên, cách làm này sẽ cho ra một mảng mới có rank thấp hơn mảng gốc.

import numpy as np

# Tạo một numpy array có shape (3, 4) với giá trị như sau:
# [[ 1 2 3 4]
# [ 5 6 7 8]
# [ 9 10 11 12]]
a = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]])

# Hai cách truy vấn tài liệu ở hàng giữa của mảng
# Dùng phối hợp chỉ số và slice -> được array mới có rank thấp hơn,
# Nếu chỉ dùng slice ta sẽ có được một array mới có cùng rank
# với array gốc
row_r1 = a[1, :] # Rank 1, hàng thứ hai của a
row_r2 = a[1:2, :] # Rank 2, vẫn là hàng thứ hai của a
print(row_r1, row_r1.shape) # Prints “[5 6 7 8] (4,)”
print(row_r2, row_r2.shape) # Prints “[[5 6 7 8]] (1, 4)”

# Chúng ta hoàn toàn có thể làm tương tự với cột của numpy array:
col_r1 = a[:, 1]
col_r2 = a[:, 1:2]
print(col_r1, col_r1.shape) # Prints “[ 2 6 10] (3,)”
print(col_r2, col_r2.shape) # Prints “[[ 2]
# [ 6]
# [10]] (3, 1)”

Integer array indexing: Khi bạn truy xuất mảng dùng slicing, kết quả trả về sẽ là mảng con của mảng ban đầu, tuy nhiên sử dụng chỉ số mảng được cho phép bạn xây dựng mảng tùy ý từ một mảng khác: Khi bạn truy xuất mảng dùng slicing, kết quả trả về sẽ là mảng con của mảng ban đầu, tuy nhiên sử dụng chỉ số mảng được cho phép bạn
xây dựng mảng tùy ý từ một mảng khác

import numpy as np

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

# Truy xuất mảng dùng chỉ số.
# Kết quả thu được là một trong mảng có shape (3,)
print(a[[0, 1, 2], [0, 1, 0]]) # Prints “[1 4 5]”

# Sẽ thu được kết quả tương tự như trên với cách này:
print(np.array([a[0, 0], a[1, 1], a[2, 0]])) # Prints “[1 4 5]”

# Bạn được phép sử dụng chỉ số mảng để
# truy xuất tới 1 thành phần
# của mảng gốc nhiều hơn nữa 1 lần
print(a[[0, 0], [1, 1]]) # Prints “[2 2]”

# Một cách làm khác tương tự:
print(np.array([a[0, 1], a[0, 1]])) # Prints “[2 2]”

Một mẹo hữu ích dùng chỉ số mảng để chọn và thay đổi thành phần từ mỗi hàng của ma trận

import numpy as np

# Tạo một mảng mới từ đó ta sẽ chọn những thành phần
a = np.array([[1,2,3], [4,5,6], [7,8,9], [10, 11, 12]])

print(a) # prints “array([[ 1, 2, 3],
# [ 4, 5, 6],
# [ 7, 8, 9],
# [10, 11, 12]])”

# Tạo một mảng những chỉ số
b = np.array([0, 2, 0, 1])

# Lấy 1 thành phần từ mỗi hàng của a dùng với chỉ số ở mảng b
print(a[np.arange(4), b]) # Prints “[ 1 6 7 11]”

# Thay đổi một phẩn tử từ mỗi hàng của a dùng với chỉ số ở mảng b
a[np.arange(4), b] += 10

print(a) # prints “array([[11, 2, 3],
# [ 4, 5, 16],
# [17, 8, 9],
# [10, 21, 12]])

Boolean array indexing: Cho phép bạn lựa chọn ra những thành phần tùy ý của một mảng, thường được sử dụng để lựa chọn ra những thành phần thỏa mãn nhu cầu Đk nào đó: Cho phép bạn lựa chọn ra những thành phần tùy ý của một mảng, thường được sử dụng để lựa chọn ra những thành phần thỏa mãn nhu cầu Đk nào đó

import numpy as np

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

bool_idx = (a > 2) # Tìm những thành phần to nhiều hơn 2;
# Trả về 1 numpy array of Booleans có shape như mảng a
# và giá trị tại mỗi thành phần là
# True nếu thành phần của a tại đó > 2,
# False cho trường hợp ngược lại.

print(bool_idx) # Prints “[[False False]
# [ True True]
# [ True True]]”

# Sử dụng một boolean array indexing để lấy
# những thành phần thỏa mãn nhu cầu Đk nhất định trong a
# Ví dụ ở đây in ra những giá trị của a > 2
# sử dụng array bool_idx đã tạo
print(a[bool_idx]) # Prints “[3 4 5 6]”

# Một cách ngắn gọn hơn:
print(a[a > 2]) # Prints “[3 4 5 6]”

Nếu bạn muốn tìm hiều nhiều hơn nữa về numpy array indexing bạn hoàn toàn có thể tìm hiểu thêm tại đây documentation

Datatypes

Mỗi numpy array là một lưới những thành phần cùng kiểu tài liệu. Numpy phục vụ một tập hợp lớn những kiểu tài liệu số mà bạn hoàn toàn có thể sử dụng để xây dựng những mảng. Numpy nỗ lực đoán một kiểu tài liệu khi bạn tạo một mảng, nhưng những hàm xây dựng những mảng thường cũng gồm có một đối số tùy chọn để chỉ định rõ ràng kiểu tài liệu

import numpy as np

x = np.array([1, 2]) # Để numpy xác lập kiểu tài liệu
print(x.dtype) # Prints “int64”

x = np.array([1.0, 2.0]) # Để numpy xác lập kiểu tài liệu
print(x.dtype) # Prints “float64”

x = np.array([1, 2], dtype=np.int64) # Chỉ định kiều tài liệu củ thể cho mảng
print(x.dtype) # Prints “int64”

Array math

Ghép, cộng, nhân, hoán vị chỉ với một dòng code. Dưới đấy là một số trong những ví dụ về những phép toán số học và nhân rất khác nhau với những mảng Numpy

import numpy as np

x = np.array([[1,2],[3,4]], dtype=np.float64)
y = np.array([[5,6],[7,8]], dtype=np.float64)

# Tổng của 2 mảng, cả hai cách cho cùng một kết quả
# [[ 6.0 8.0]
# [10.0 12.0]]
print(x + y)
print(np.add(x, y))

# Hiệu 2 mảng
# [[-4.0 -4.0]
# [-4.0 -4.0]]
print(x – y)
print(np.subtract(x, y))

# Tính tích từng thành phần của x nhân với từng thành phần của y
# [[ 5.0 12.0]
# [21.0 32.0]]
print(x * y)
print(np.multiply(x, y))

# Tương tự thương của từng phần x chia với từng thành phần y
# [[ 0.2 0.33333333]
# [ 0.42857143 0.5 ]]
print(x / y)
print(np.divide(x, y))

# Bình phương từng thành phần trong x
# [[ 1. 1.41421356]
# [ 1.73205081 2. ]]
print(np.sqrt(x))

Để nhân 2 ma trận hoặc nhân vector với ma trận trong numpy, toàn bộ chúng ta sử dụng hàm dotdot

import numpy as np

x = np.array([[1,2],[3,4]])
y = np.array([[5,6],[7,8]])

v = np.array([9,10])
w = np.array([11, 12])

# Tích trong của 2 vector; Cả 2 đều cho kết quả là 219
print(v.dot(w))
print(np.dot(v, w))

# Nhân ma trận với vector; cả hai đều cho mảng rank 1: [29 67]
print(x.dot(v))
print(np.dot(x, v))

# Ma trận với ma trận; cả hai đều cho mảng rank 2
# [[19 22]
# [43 50]]
print(x.dot(y))
print(np.dot(x, y))

Numpy phục vụ nhiều hàm hữu ích để thực thi tính toán trên mảng; một trong những hàm hữu ích nữa là sumsum

import numpy as np

a = np.zeros((2,2)) # Tạo một numpy array với toàn bộ phẩn tử là 0
print(a) # “[[ 0. 0.]
# [ 0. 0.]]”

b = np.ones((1,2)) # Tạo một numpy array với toàn bộ phẩn tử là một trong
print(b) # “[[ 1. 1.]]”

c = np.full((2,2), 7) # Tạo một mảng hằng
print(c) # “[[ 7. 7.]
# [ 7. 7.]]”

d = np.eye(2) # Tạo một ma trận cty 2 x 2
print(d) # “[[ 1. 0.]
# [ 0. 1.]]”

Bạn hoàn toàn có thể tìm thấy list khá đầy đủ những hàm toán học được phục vụ bởi numpy tại đây documentation

Ngoài việc tính toán trên mảng, toàn bộ chúng ta thường xuyên phải định hình lại hoặc thao tác tài liệu theo mảng. Ví dụ đơn thuần và giản dị nhất của loại hoạt động và sinh hoạt giải trí này là chuyển vị ma trận; để chuyển vị một ma trận, chỉ việc sử dụng thuộc tính T của một đối tượng người dùng mảng

import numpy as np

a = np.zeros((2,2)) # Tạo một numpy array với toàn bộ phẩn tử là 0
print(a) # “[[ 0. 0.]
# [ 0. 0.]]”

b = np.ones((1,2)) # Tạo một numpy array với toàn bộ phẩn tử là một trong
print(b) # “[[ 1. 1.]]”

c = np.full((2,2), 7) # Tạo một mảng hằng
print(c) # “[[ 7. 7.]
# [ 7. 7.]]”

d = np.eye(2) # Tạo một ma trận cty 2 x 2
print(d) # “[[ 1. 0.]
# [ 0. 1.]]”

Numpy phục vụ nhiều hàm hơn để thao tác những mảng; bạn hoàn toàn có thể xem list khá đầy đủ tại đây documentation.

Broadcasting

Broadcasting là một cơ chế mạnh mẽ và tự tin được cho phép thực thi những phép toán số học trên những numpy array có kích thước rất khác nhau. Chúng ta thường có một mảng nhỏ hơn và một mảng to nhiều hơn và chúng tôi muốn sử dụng mảng nhỏ hơn nhiều lần để thực thi một số trong những thao tác trên mảng to nhiều hơn.

Ví dụ: Giả sử rằng toàn bộ chúng ta muốn thêm một vectơ không đổi vào mỗi hàng của ma trận. Chúng ta hoàn toàn có thể làm như vậy này

import numpy as np

a = np.zeros((2,2)) # Tạo một numpy array với toàn bộ phẩn tử là 0
print(a) # “[[ 0. 0.]
# [ 0. 0.]]”

b = np.ones((1,2)) # Tạo một numpy array với toàn bộ phẩn tử là một trong
print(b) # “[[ 1. 1.]]”

c = np.full((2,2), 7) # Tạo một mảng hằng
print(c) # “[[ 7. 7.]
# [ 7. 7.]]”

d = np.eye(2) # Tạo một ma trận cty 2 x 2
print(d) # “[[ 1. 0.]
# [ 0. 1.]]”

Cách này hoạt động và sinh hoạt giải trí thông thường, khi ma trận x quá rộng, việc sử dụng vòng lặp này sẽ rất chậm. Nếu bạn để ý thì việc thêm vectơ v vào mỗi hàng của ma trận x tương tự với việc tạo một ma trận vv bằng phương pháp xếp chồng nhiều bản sao của v theo chiều dọc, tiếp theo đó thực thi phép tính tổng của x và vv. Chúng ta hoàn toàn có thể thực thi phương pháp này như vậy này

import numpy as np

a = np.zeros((2,2)) # Tạo một numpy array với toàn bộ phẩn tử là 0
print(a) # “[[ 0. 0.]
# [ 0. 0.]]”

b = np.ones((1,2)) # Tạo một numpy array với toàn bộ phẩn tử là một trong
print(b) # “[[ 1. 1.]]”

c = np.full((2,2), 7) # Tạo một mảng hằng
print(c) # “[[ 7. 7.]
# [ 7. 7.]]”

d = np.eye(2) # Tạo một ma trận cty 2 x 2
print(d) # “[[ 1. 0.]
# [ 0. 1.]]”

Numpy broadcasting được cho phép toàn bộ chúng ta thực thi tính toán này mà tránh việc phải tạo ra nhiều bản sao của v. Và đấy là code khi sử dụng broadcasting

import numpy as np

a = np.zeros((2,2)) # Tạo một numpy array với toàn bộ phẩn tử là 0
print(a) # “[[ 0. 0.]
# [ 0. 0.]]”

b = np.ones((1,2)) # Tạo một numpy array với toàn bộ phẩn tử là một trong
print(b) # “[[ 1. 1.]]”

c = np.full((2,2), 7) # Tạo một mảng hằng
print(c) # “[[ 7. 7.]
# [ 7. 7.]]”

d = np.eye(2) # Tạo một ma trận cty 2 x 2
print(d) # “[[ 1. 0.]
# [ 0. 1.]]”

Về nguyên tắc thực thi của broadcasting bạn hoàn toàn có thể tìm hiểu thêm tại đây documentation

Các hàm tương hỗ broadcasting được gọi là universal functions. Bạn hoàn toàn có thể tìm list những hàm universal functions tại đây documentation

Kết luận

Nhưng kiến thức và kỹ năng trên đây đã phục vụ cho bạn những hiểu biết thiết yếu về numby, đó không phải là toàn bộ, hãy tìm hiểu thêm tài liệu này documentation để tìm hiểu thêm về numby

Tài liệu tìm hiểu thêm

Bài viết được dịch từ nguồn: Python Numpy Tutorial

Tải thêm tài liệu liên quan đến nội dung bài viết Hướng dẫn dùng numpy library python – using numpy library python

programming
python
NumPy in Python
Numpy trong Python
Numpy là gì
Thư viện Numpy
Numpy Python install
np.array là gì

Reply
8
0
Chia sẻ

Review Hướng dẫn dùng numpy library python – using numpy library python ?

Bạn vừa tìm hiểu thêm tài liệu Với Một số hướng dẫn một cách rõ ràng hơn về Review Hướng dẫn dùng numpy library python – using numpy library python tiên tiến và phát triển nhất

Chia Sẻ Link Tải Hướng dẫn dùng numpy library python – using numpy library python miễn phí

Pro đang tìm một số trong những Chia SẻLink Tải Hướng dẫn dùng numpy library python – using numpy library python miễn phí.

Giải đáp vướng mắc về Hướng dẫn dùng numpy library python – using numpy library python

Nếu Pro sau khi đọc nội dung bài viết Hướng dẫn dùng numpy library python – using numpy library python , bạn vẫn chưa hiểu thì hoàn toàn có thể lại phản hồi ở cuối bài để Tác giả lý giải và hướng dẫn lại nha
#Hướng #dẫn #dùng #numpy #library #python #numpy #library #python