Operazioni di Array Numpy

Oggi apprendiamo quali operazioni eseguiamo sugli array numpy e su come eseguire queste operazioni. Questo tutorial sarà utile se hai già familiarità con le basi di Python e vuole iniziare a usare Numpy.

Numpy è la biblioteca avanzata della programmazione Python. La caratteristica principale di Numpy è che si offre di funzionare con array multidimensionali e una velocità eccezionale, nonché le capacità per l'interazione con questi array.

Numpy viene utilizzato per eseguire le operazioni logiche e matematiche. Possiamo eseguire più operazioni in array che sono:

• Operazioni aritmetiche
• Operazioni logiche
• Operazioni di confronto

Operazioni aritmetiche

Possiamo eseguire più operazioni su array numpy in cui possiamo aggiungere, sottrarre, moltiplicare e dividere i due array; Queste operazioni sono chiamate operazioni aritmetiche. Sono necessari almeno due array per le operazioni aritmetiche e devono avere le stesse dimensioni o seguire le regole per la trasmissione di array.

Sintassi:

Vediamo la sintassi del funzionamento aritmetico della Biblioteca Python, Numpy. Qui, scriviamo per la prima volta il nome della biblioteca che usiamo che è "numpy". Quindi, chiamiamo la funzione dell'operazione aritmetica che vogliamo eseguire come add (), sub (), mul () e div (). E poi, passiamo i parametri a quella funzione.

Esempio:

Passiamo all'esempio delle operazioni aritmetiche che stanno aggiungendo, sottraendo, moltiplicando e dividendo. Vediamo come implementare queste operazioni su array numpy. Apri il tuo compilatore Python per l'implementazione del programma aritmetico.

Il primo e fondamentale passo è importare la biblioteca di Python che è numpy. Innanzitutto, scriviamo la parola chiave "importazione" che dimostra che importeremo la libreria. Quindi, scriviamo il nome della biblioteca che è "numpy". E poi, scriviamo l'alias numpy, "NP". Nella terza riga di codice, utilizziamo l'istruzione Print () in modo da poter visualizzare il messaggio che implementeremo le operazioni aritmetiche. Quindi, nella riga successiva, chiamiamo la funzione Numpy Arange () per la creazione di Array1 e passiamo gli argomenti in essa.

Il primo argomento è l'elemento iniziale di Array1. Il secondo argomento è l'elemento di arresto ma tieni presente che non possiamo includere l'elemento di arresto in Array1. E il terzo argomento è quanta differenza dovremmo prendere per ottenere il prossimo elemento di Array1; dType significa quale tipo di dati vogliamo (come int, galleggianti, ecc.) per array1.

In questa linea, utilizziamo un'altra funzione applicando la concatenazione che è la funzione Reshape (). Questa funzione viene utilizzata per modellare l'array1. Qui, abbiamo 2 righe e 4 colonne dell'array. Quindi, creiamo un altro array che è Array2 usando la stessa funzione che usiamo per Array1 ma non usiamo la funzione Reshape () in Array 2 perché non vogliamo modellare l'array. Dopo la creazione di entrambi gli array, stampiamo l'array1 e l'array2 usando l'istruzione print () e passiamo gli array in essa.

Importa Numpy come NP
Print ("Implementazione delle operazioni artimatiche: \ n")
Array1 = np.Arange (40, 96, 7, dType = int).Reshape (2,4)
Stampa ("Il primo array è", array1.ndim, "dimensionale: \ n", array1)
array2 = np.Arange (5, 20, 4, dType = int)
print ("\ n il secondo array è", array2.ndim, "dimensionale: \ n", array2)
Aggiungi = np.Aggiungi (Array1, Array2)
print ("\ nadding the due array: \ n", aggiungi)
sub = np.sottrai (array1, array2)
print ("\ nsubtracting i due array: \ n", sub)
Mul = np.Multiply (Array1, Array2)
print ("\ nmultipling i due array: \ n", mul)
div = np.Divide (Array1, Array2)
print ("\ ndividing i due array: \ n", div)

Dopo aver creato entrambi gli array, chiamiamo le funzioni aritmetiche una per una. Innanzitutto, chiamiamo la funzione ADD () per l'aggiunta di Array1 e Array2. Quindi, chiamiamo la funzione sub () in modo da poter sottrarre Array2 da Array1. Successivamente, chiamiamo la funzione MUL () per la moltiplicazione di entrambi gli array. Infine, abbiamo la funzione div () che divide entrambi gli array e otteniamo il quoziente. Quindi stampiamo tutte le funzioni utilizzando l'istruzione print () e passiamo i parametri in essa.

Ecco l'output di questo esempio spiegato in cui otteniamo il risultato delle operazioni aritmetiche:

Operazioni logiche

Ora, passiamo alla seconda operazione della libreria numpy che è l'operazione logica. Usiamo l'operazione logica per ottenere il vero valore degli array numpy come i valori della verità booleana. Implettiamo le operazioni logiche attraverso funzioni numpy che sono logical_and (), logical_or () e logical_not () funzioni.

Sintassi:

Diamo un'occhiata allo stile di scrittura dell'operazione logica della Biblioteca Python, Numpy. Innanzitutto, scriviamo il nome della libreria che utilizziamo in questo programma che è numpy. Quindi, scriviamo il nome della funzione dell'operatore logico che utilizziamo e quindi passiamo gli argomenti in esso.

Esempio:

Iniziamo a implementare l'esempio delle operazioni logiche di Python-Numpy che sono logical_and (), logical_or e logical_not.

Importiamo la biblioteca di Python che utilizziamo in questo programma che è numpy. Quindi, creiamo l'array casuale 1-dimensionale usando la funzione numpy randn () e passiamo due parametri in essa. Il primo parametro mostra il numero di righe dell'array. Il secondo parametro mostra il numero di colonne dell'array. Nella sesta riga di codice, chiamiamo l'istruzione print () e passiamo la funzione logical_and () in essa. Quindi, nella riga successiva, passiamo la funzione logical_or () e quindi le funzioni logical_not () in essa.

Importa Numpy come NP
arr = np.casuale.Randn (2, 2)
print ("L'array casuale è: \ n", arr)
print ('\ n il risultato di ed è: \ n', np.logical_and (arr> 0, arr < 0.5))
print ('\ n il risultato di o è: \ n', np.logical_or (arr < 0, arr > 0.5))
print ('\ n il risultato di non è: \ n', np.logical_not (arr> 0))

Ecco l'output del frammento di codice precedentemente menzionato. Come puoi vedere, otteniamo l'array casuale usando la funzione Randn () e applicato le più operazioni logiche:

Operazioni di confronto

Ora, abbiamo la terza operazione di array numpy che è l'operazione di confronto. In questa operazione, confrontiamo l'array con qualsiasi numero e controlliamo se è vero o falso. Eseguiamo le operazioni di confronto multiple in array numpy che sono>, =, <=, =, != etc.

Sintassi:

Ecco la sintassi delle operazioni di confronto in array numpy:

Esempio:

Ora, passiamo all'esempio delle operazioni di confronto. Innanzitutto, importa la biblioteca Python che è numpy. Quindi, creiamo un array numpy casuale usando la funzione Randint () per creare l'array casuale intero da 1 a 20. La dimensione dell'array è di 1 riga e 3 colonne. Quindi, chiamiamo l'istruzione Print () e passiamo le operazioni di confronto. Le funzioni che eseguiamo in questo esempio sono maggiori (), Greater_Equal (), less (), less_Equal (), Equal () e Not_Equal ().

Importa Numpy come NP
arr = np.casuale.RandInt (1, 8, dimensione = (1, 3))
print ("L'array di input è: \ n", arr)
print ("\ nGreater di quanto non sia: \ n", NP.maggiore (arr, 5))
print ("\ nGreater che o uguale a 5: \ n", NP.Greater_Equal (arr, 5))
print ("\ nless di 5: \ n", NP.meno (arr, 5))
Stampa ("\ nless che o uguale a 5: \ n", NP.less_equal (arr, 5))
print ("\ nequal to 5: \ n", NP.uguale (arr, 5))
print ("\ nnot uguale a 5: \ n", NP.not_equal (arr, 5))

Ecco l'output delle operazioni di confronto:

Conclusione

In questo articolo, abbiamo appreso quali operazioni possiamo eseguire in array numpy, come implementare queste operazioni in array numpy e quali funzioni utilizziamo per implementare queste operazioni di numpy. Abbiamo implementato esempi di ogni operazione di array numpy e abbiamo usato le diverse funzioni per creare l'array in questi esempi.