Hướng dẫn dùng numpy slides python

Ngày đăng: 21/01/2021, 09:24

Nump y Giới thiệu Nhóm Avengers Assemble Danh sách thành viên Nguyễn Văn Hiệp Lê Trường Huy Trần Quốc Khánh Hoàng Huy Lương Phan Thành Nên Nội dung 01 02 Giới thiệu sơ lược ngơn ngữ lập trình python Giới thiệu numpy Định nghĩa, cài đặt, kiểu liệu, tạo mảng, Array Indexing, Các phép toán với NumPy array, Broadcasting, ứng dụng numpy với thư viện khác 03 Kết luận Giới thiệu sơ lược ngơn ngữ lập trình python 01 Ngơn ngữ lập trình phù hợp với Machine learning Python là ngơn ngữ lập trình thơng dịch (interpreted), hướng đối tượng (objectoriented), ngôn ngữ bậc cao (high-level)  ngữ nghĩa động (dynamic semantics) Python hỗ trợ module gói (packages), khuyến khích chương trình module hóa tái sử dụng mã Trình thơng dịch Python thư viện chuẩn mở rộng có sẵn dạng mã nguồn dạng nhị phân miễn phí cho tất tảng phân phối tự 02 Giới thiệu Thư viện hỗ trợ tính toán ma numpy trận Giới thiệu NumPy # NumPy thư viện Python, sở hữu kiểu liệu NumPy array hàm hỗ trợ xử lí liệu Chứa phần tử có kiểu liệu Numpy thư viện toán học phổ biến mạnh mẽ NumPy trang bị hàm số tối ưu, cho phép làm việc hiệu với ma trận mảng Cài đặt NumPy PIP # B1 Mở Terminal thư mục cài đặt python, gõ lệnh: pip install numpy B2 Import thư viện numpy vào python bất kì: import numpy as Sử dụng NumPy để tạo mảng # NumPy array (numpy.ndarray) là kiểể u liệu chứa ma ểng n chiểề u chứa phầề n tửểcó kiểể u liệu | np.array() hàm dùng đểểtạo ma ểng NumPy shape là thuộc tính có kiểể u liệu tuple lửu thông tin vểềcác chiểề u cu ểa ma ểng # Các kiểu liệu # Các kiểu liệu import numpy as np x = np.array([1, 2]) print(x.dtype) # Đểểnumpy xác định kiểể u liệu # Output: int64 x = np.array([1.0, 2.0]) print(x.dtype) # Đểểnumpy xác định kiểể u liệu # Output: float64 x = np.array([1, 2], dtype=np.int64) cho ma ểng print(x.dtype) # Chỉ ể định kiểể u liệu cụ thểể # Output: int64 Indexing | Indexing slicing # Khơ ể i tạo numpy array có shape = (3, 4) nhử sau: a = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]] # Dùng ể sôấđểểlầấ y phầề n tửểhàng 1, cột print(a[1][2]) # Output: print(a[1, 2]) # Output: # Dùng slicing đểểlầấ y hàng đầề u tiển cu ểa cột đầề u tiển print(a[:2][:2]) # Output: [[1 2] [5 6]] # Kểấ t hợp dùng slicing indexing # Chú ý: tạo ma ểng có rank thầấ p ma ểng cũ r1 = a[1, :] # Rank 1, hàng cu ểa a print(r1, r1.shape) # Output: [[5 8]] (4,) Indexing | Boolean Indexing a = np.array([[1, 2], [3, 4], [5, 6]]) bool_idx = (a > 2) # Tìm phầề n tửểlớn 2; # Tra ể vểề1 numpy array of Booleans có shape nhử ma ểng a giá trị môẫ i phầề n tửểlà True nểấ u phầề n tửểcu ểa a > 2, False cho trửờng hợp ngửợc lại print(bool_idx) # Output: [[False False] [True True] [True True]] Indexing | Masking Indexing a = np.array([[1,0,2], [2,3,0]]) mask = a>=2 #lầấ y phầề n tửểlớn ma ểng print(a[mask]) # Output: [2 3] array # Khơ ể i tạo ma ểng x y x = np.array([[1,2],[3,4]], dtype=np.float64) y = np.array([[5,6],[7,8]], dtype=np.float64) # Tôể ng cu ểa ma ểng, ca ể cách cho kểấ t qua ể print(x + y) # Output: [[ 6.0 8.0] [10.0 12.0]] print(np.add(x, y)) # Output: [[ 6.0 8.0] [10.0 12.0]] # Hiệu ma ểng print(x - y) # Output: [[-4.0 -4.0] [-4.0 -4.0]] print(np.subtract(x, y)) # Output: [[-4.0 -4.0] [-4.0 -4.0]] array # Khơ ể i tạo ma ểng x y x = np.array([[1,2],[3,4]], dtype=np.float64) y = np.array([[5,6],[7,8]], dtype=np.float64) # Tính tích phầề n tửểcu ểa x nhần với phầề n tửể cu ểa y print(x * y) # Output: [[ 5.0 12.0] [21.0 32.0]] print(np.multiply(x, y)) # Output: [[ 5.0 12.0] [21.0 32.0]] # Thửơng cu ểa phầề n tửểtrong x chia với phầề n tửể y print(x / y) # Output: [[ 0.2 0.33333333] [ 0.42857143 0.5 ]] print(np.divide(x, y)) # Output: [[ 0.2 0.33333333] [ 0.42857143 0.5 ]] array # Khơ ể i tạo ma ểng x y x = np.array([[1,2],[3,4]], dtype=np.float64) y = np.array([[5,6],[7,8]], dtype=np.float64) # a mũ b với a phầề n tửểtrong x b phầề n tửể y print(x ** y) # Output: [[1.0000e+00 6.4000e+01] [2.1870e+03 6.5536e+0]] print(np.power(x, y)) # Output: [[1.0000e+00 6.4000e+01] [2.1870e+03 6.5536e+0]] # Căn bậc phầề n tửểtrong x print(np.sqrt(x)) # Output: [[ 1.41421356] [ 1.73205081 ]] array x y v w = = = = np.array([[1,2],[3,4]]) np.array([[5,6],[7,8]]) np.array([9, 10]) np.array([11, 12]) # Tích vô hửớng cu ểa vector vw; Ca ể đểề u cho kểấ t qua ể 219 print(v.dot(w)) print(np.dot(v, w)) # Nhần ma trận với vector; ca ể đểề u cho ma ểng rank [29 67] print(x.dot(v)) print(np.dot(x, v)) xT # Ma trận với ma trận; ca ể đểề u cho ma ểng rank [[19 22] [43 50]] print(x.dot(y)) print(np.dot(x, y)) print(x.T) # Output: [[1 3] [2 4]] array Các hàm toán học nhử np.sum, np.abs, np.log, np.exp, np.sin, np.cos, np.tan áp dụng lển phầề n tửểcu ểa ma ểng Ví dụ sửểdụng hàm np.sum nhử sau: x = np.array([[1,2],[3,4]]) print(np.sum(x)) 10 # Tôể ng phầề n tửểcu ểa ma ểng; print(np.sum(x, axis=0)) # Tính tơể ng theo cột; # Output: [4 6] print(np.sum(x, axis=1)) # Tính tơể ng theo hàng; # Output: [3 7] # Output: Các phép toán với NumPy array # # Khơ ể i tạo ma ểng a a = np.arange(10) a[-1] = -2 # [ -2] a.min() # Tra ể vểềgiá trị -2 np.min(a) # Tra ể vểềgiá trị -2 np.argmin(a) # Tra ể vểềgiá trị a.argmin() # Tra ể vểềgiá trị a.max() # Tra ể vểềgiá trị np.max(a) # Tra ể vểềgiá trị np.argmax(a) # Tra ể vểềgiá trị a.argmax() # Tra ể vểềgiá trị # Broadcasting a = np.array([[1,0,2], [2,3,0]]) # shape: (2,3) b = np.array([[1,2,1]]) # shape: (1,3) c = np.array([[1], [2]]) # shape: (2,1) print(a-1) # Output: [[ -1 1] [ -1]] print(a-b) # Output: [[ -2 1] [ 1 -1]] print(a-c) # Output: [[ -1 1] [ -2]] Ứng dụng numpy với số thư viện khác # Hỗỗtrợ numpy tính tốn nhanh Kếế t hợp thay thếếMatlab Nâng cao hiệu suâế t tính tốn, giúp thực phép tính khoa học phức tạp Kếế t hợp thay thếế Matlab Giúp tạo biếể u đỗồkếế t quaể tính tốn Tkint er Giúp tạo giao diện trực quan, thân thiện với người dùng ... tính toán ma numpy trận Giới thiệu NumPy # NumPy thư viện Python, sở hữu kiểu liệu NumPy array hàm hỗ trợ xử lí liệu Chứa phần tử có kiểu liệu Numpy thư viện toán học phổ biến mạnh mẽ NumPy trang... Cài đặt NumPy PIP # B1 Mở Terminal thư mục cài đặt python, gõ lệnh: pip install numpy B2 Import thư viện numpy vào python bất kì: import numpy as Sử dụng NumPy để tạo mảng # NumPy. .. ngôn ngữ lập trình python Giới thiệu numpy Định nghĩa, cài đặt, kiểu liệu, tạo mảng, Array Indexing, Các phép toán với NumPy array, Broadcasting, ứng dụng numpy với thư viện khác 03 Kết luận Giới

- Xem thêm -

Xem thêm: numpy slide,