Kinh Nghiệm Hướng dẫn np.hstack là gì Chi Tiết
You đang tìm kiếm từ khóa np.hstack là gì được Update vào lúc : 2022-03-13 20:33:16 . Với phương châm chia sẻ Thủ Thuật Hướng dẫn trong nội dung bài viết một cách Chi Tiết 2022. Nếu sau khi Read nội dung bài viết vẫn ko hiểu thì hoàn toàn có thể lại Comments ở cuối bài để Mình lý giải và hướng dẫn lại nha.
Numpy Là Gì – Python Numpy Tutorial
Nội dung chính
- NumPy ArrayNumpy setup như vậy nào?Multi-dimensional numPy array là gì?Python NumPy Array v/s ListPython NumPy OperationsVideo liên quan
Python Numpy là gì?
NumPy là một gói Python là viết tắt của Numerical Python. Đó là thư viện cốt lõi cho scientific computing, nó có một đối tượng người dùng người tiêu dùng mảng n chiều vững mạnh, phân phối những công cụ để gắn vào C, C ++, v.v. Nó cũng luôn có thể có lợi trong đại số tuyến tính, random number capability, … . NumPy Array cũng hoàn toàn có thể đc dùng như multi-dimensional container hiệu suất cao cho tài liệu chung. Hiện nay, hãy xem đúng chuẩn một numpy array là gì nha.
Bài Viết: Numpy là gì
NumPy Array
Numpy array là một đối tượng người dùng người tiêu dùng mảng N chiều vững mạnh ở dạng hàng and cột. Các bạn hoàn toàn có thể khởi tạo những numpy arrays từ nested Python lists and truy vấn những thành phần của nó. Để triển khai thao tác này, khúc mắc tiếp theo xuất hiện trong đầu bạn là:
Numpy setup như vậy nào?
Để setup Python NumPy, đi đến command của bạn and nhập khẩu pip install numpy. Sau khi setup hoàn tất, hãy truy vấn IDE của bạn (Ví dụ: PyCharm) and chỉ việc import nó bằng phương thức nhập: import numpy as np.
Multi-dimensional numPy array là gì?
Ở đây, tôi có những tác nhân rất khác nhau đc tàng trữ trong những nơi đặt bộ nhớ tương ứng của chúng. Nó đc gọi là hai chiều vì nó có hàng tương tự cột. Trong hình trên, chúng tôi có 3 cột and 4 hàng có sẵn.
Hãy xem nó đc tiến hành trong Pycharm như vậy nào:
Single-dimensional Numpy Array:
import numpy as npa=np.array()print(a)Output:
Multi-dimensional Array:
a=np.array()print(a)Output:
>
Python NumPy Array v/s List
Chúng tôi dùng numpy array thay thế vì một list vì ba nguyên do phía dưới đây:Bộ nhớ ít hơnNhanhTiện lợi
Tôi sẽ chứng tỏ từng điểm một trên thực tiễn trong PyCharm. Hãy xem xét ví dụ phía dưới đây:
import numpy as npimport timeimport sysS = range(1000)print(sys.getsizeof(5) * len(S))D = np.arange(1000)print(D.size * D.itemsize)Output:
240008000Đầu ra ở trên cao cho cảm thấy rằng bộ nhớ đc phân loại theo list (ký hiệu là S) là 24000 trong lúc bộ nhớ đc phân loại bởi numpy array chỉ là 4000. Từ đó, bạn cũng hoàn toàn có thể kết luận rằng chứa một sự khác lạ to giữa hai and điều đó tạo ra numpy array là yếu tố lựa chọn ưu ái hơn riêng với list.
Xem Ngay: Heat Wave Là Gì – Nghĩa Của Từ Heat
Tiếp theo, hãy nói về phương thức thức numpy array của python nhanh hơn and thuận tiện hơn khi so sánh với list.
import timeimport sys SIZE = 1000000 L1= range(SIZE)L2= range(SIZE)A1= np.arange(SIZE)A2=np.arange(SIZE) start= time.time()result=print((time.time()-start)*1000) start=time.time()result= A1+A2print((time.time()-start)*1000)Output:
256.49499893228.0041694641Trong đoạn code trên, chúng tôi đã cam kết hai lists and numpy arrays. Sau đó, chúng tôi đã so sánh thời hạn triển khai để tìm tổng của list and tổng của numpy array. Nếu bạn cảm thấy đầu ra của chương trình trên, có hai sửa đổi đáng kể trong hai giá cả. List mất 256ms trong lúc numpy array mất 28ms. Vì thế, numpy array nhanh hơn list. Hiện nay, nếu bạn nhận cảm thấy chúng tôi đã chạy một vòng lặp ‘for cho một list trả về sự việc phối hợp của toàn bộ hai lists trong lúc so với những numpy arrays, chúng tôi vừa thêm hai array bằng phương thức A1 + A2. Đấy là nguyên do tại sao thao tác với numpy thuận tiện và đơn thuần và giản dị and thuận tiện hơn đôi lúc so sánh với list.
Vì thế, những ví dụ trên chứng tỏ nguyên do tại sao bạn nên lựa chọn numpy array chứ không cần là một list!
Python NumPy Operations
1. ndim: Số chiều của mảng.
import numpy as npa = np.array()print(a.ndim)Output:
2Vì đầu ra là 2, nó là một mảng hai chiều (đa chiều).
2. itemsize: Độ dài của một thành phần mảng tính bằng byte.
import numpy as npa = np.array()print(a.itemsize)Output:
83. dtype: data type của thành phần
import numpy as npa = np.array()print(a.dtype)Output:
int644. Size, shape:Cũng in như, bạn cũng hoàn toàn có thể tìm cảm thấy kích thước and dáng dấp của mảng bằng phương thức dùng hàm size and shape tương ứng.
import numpy as npa = np.array()print(a.size)print(a.shape)Output:
6(1, 6)5. reshape: Tán thành một dáng dấp mới cho một mảng mà không sửa đổi tài liệu của nó.
Xem Ngay: Overview Of Docker Compose, Giới Thiệu Về Docker Compose
import numpy as npa = np.array()print(a)a=a.reshape(3,2)print(a)Output:
> >6. slicing: trích xuất tập hợp những thành phần rõ rệt từ một mảng.
Trước khi đi vào ví dụ trên, hãy để một chiếc nhìn dễ chơi. Các bạn chứa một mảng and những bạn cần 1 thành phần rõ rệt (giả sử 3) trong một mảng ổn định. Hãy xem xét ví dụ phía dưới đây:
Xem Ngay: Knockout Là Gì – Knock Out Là Gì
import numpy as npa=np.array()print(a)Output:
3Ở đây, mảng (1,2,3,4) là chỉ số 0 của bạn and (3,4,5,6) là chỉ số 1 của numpy array. Vì thế, chúng tôi đã in thành phần thứ hai từ chỉ mục 0.Tiến lên một bước, hãy để nói rằng những bạn cần thành phần thời điểm vào đầu tuần từ chỉ số 0 and chỉ mục trước tiên của mảng. Hãy để xem phương thức bạn cũng hoàn toàn có thể triển khai thao tác này:
import numpy as npa=np.array()print(a)Output:
Ở đây dấu hai chấm thay mặt cho cục bộ những hàng, kể cả 0. Hiện nay để sở hữu đc thành phần thời điểm vào đầu tuần, chúng tôi sẽ gọi chỉ số 2 từ cả hai hàng phân phối cho chúng tôi giá cả 3 and 5 tương ứng.
Tiếp theo, chỉ để sa thải sự nhầm lẫn, chúng tôi lại thêm một hàng and chúng tôi không thích nhận thành phần thời điểm vào đầu tuần của nó như hình ảnh trên. Các bạn hoàn toàn có thể làm gì trong trường hợp như vậy?Hãy xem xét mã phía dưới đây:
import numpy as npa=np.array()print(a)Output:
Như bạn cũng hoàn toàn có thể cảm thấy trong khúc mã trên, chỉ có 9 and 11 đc in. Hiện nay khi tôi đã viết 0: 2, điều đó không kể cả chỉ mục thứ hai của hàng thứ ba của một mảng. Vì thế, chỉ 9 and 11 đc in ra.
7. linspace: Trả về những số phương thức đều nhau trong một khoảng chừng thời hạn cam kết.
import numpy as npa=np.linspace(1,3,10)print(a)Output:
Như bạn cũng hoàn toàn có thể cảm thấy trong kết quả, nó đã in 10 giá cả từ là 1 đến 3 phương thức đều nhau.
8. max/ min: tìm mức tối thiểu, tối đa tương tự tổng của numpy array.
import numpy as np a= np.array()print(a.min())print(a.max())print(a.sum())Output:
1 3 6Bạn phải thăm dò những thứ này khá cơ bản này, với việc tương hỗ của kiến thức và kỹ năng này, bạn hoàn toàn có thể triển khai nhiều trách nhiệm to nhiều hơn. Hiện nay, hãy hiểu khái niệm trục (axis) trong python numpy.
Như bạn cũng hoàn toàn có thể cảm thấy trong hình, những bạn chứa một mảng 2 * 3 ngăn nắp. Ở đây những hàng đc gọi là trục 1 and những cột đc gọi là trục 0. Hiện nay bạn nên phải tự hỏi việc dùng những trục đấy là gì?
Xem Ngay: Store Là Gì – Nghĩa Của Từ Store
Giả sử bạn có nhu yếu tính tổng của cục bộ những cột, thì bạn cũng hoàn toàn có thể dùng trục. Hãy để tôi chỉ cho bạn thực tiễn, phương thức bạn cũng hoàn toàn có thể tiến hành trục trong PyCharm của tớ:
import numpy as npa= np.array()print(a.sum(axis=0))Output:
Vì thế, tổng của cục bộ những cột đc thêm vào trong số đó 1 + 3 = 4, 2 + 4 = 6 and 3 + 5 = 8. Cũng in như, nếu bạn thay thế trục bằng 1, thì nó sẽ bị in trong số đó cục bộ những hàng đc thêm vào.
9. Square Root & Standard Deviation:Có nhiều hàm toán học rất khác nhau hoàn toàn có thể đc triển khai bằng phương thức dùng python numpy. Bạn cũng hoàn toàn có thể tìm cảm thấy căn bậc hai, độ lệch chuẩn của mảng.
import numpy as npa=np.array()print(np.sqrt(a))print(np.std(a))Output:
10.Addition Operation:
Bạn cũng hoàn toàn có thể triển khai nhiều thao tác hơn trên numpy array, tức là phép trừ, phép nhân and phép chia của hai ma trận. Hãy để tôi đi trước trong hướng dẫn numpy python, and hiển thị nó :
import numpy as npx= np.array()y= np.array()print(x+y)Output:
>Điều ấy rất là dễ chơi! Đúng? Cũng in như, những bạn hoàn toàn có thể triển khai những vận động khác ví như trừ, nhân and chia. Hãy xem xét ví dụ phía dưới đây:
import numpy as npx= np.array()y= np.array()print(x-y)print(x*y)print(x/y)Output:
> > >11. Vertical & Horizontal Stacking:
Tiếp theo, nếu bạn có nhu yếu nối hai mảng and không riêng gì có thêm chúng, bạn cũng hoàn toàn có thể triển khai nó bằng hai phương thức – xếp chồng dọc and xếp chồng ngang.
Xem Ngay: Moe Là Gì – Gap Bán Trong Anime
import numpy as npx= np.array()y= np.array()print(np.vstack((x,y)))print(np.hstack((x,y)))Output:
> >12. ravel:
Chứa một vận động nữa trong số đó bạn cũng hoàn toàn có thể convert một numpy array thành một cột duy nhất.
import numpy as npx= np.array()print(x.ravel())Output:
Hi vọng với những giải bày trên hoàn toàn có thể cứu ích cho bạn. Cảm ơn toàn bộ chúng ta đã đọc nội dung bài viết
Thể Loại: Chia sẻ trình diễn Kiến Thức Cộng Đồng
://.youtube/watch?v=ksqPbrS-b78
Review np.hstack là gì ?
Bạn vừa Read nội dung bài viết Với Một số hướng dẫn một cách rõ ràng hơn về Clip np.hstack là gì tiên tiến và phát triển nhất
Chia Sẻ Link Cập nhật np.hstack là gì miễn phí
Bạn đang tìm một số trong những Chia SẻLink Tải np.hstack là gì Free.
Giải đáp vướng mắc về np.hstack là gì
Nếu sau khi đọc nội dung bài viết np.hstack là gì vẫn chưa hiểu thì hoàn toàn có thể lại Comment ở cuối bài để Mình lý giải và hướng dẫn lại nha
#nphstack #là #gì