Hướng dẫn matrix program in python - chương trình ma trận trong python

A simple way I look at it: example:

Nội dung chính

• Python Numpy là gì?
• NumPy Array
• Numpy cài đặt như thế nào?
• Multi-dimensional numPy array là gì?
• Python NumPy Array v/s List
• Python NumPy Operations
• Tham khảo

Nội dung chính

• Python Numpy là gì?
• NumPy Array
• Numpy cài đặt như thế nào?
• Multi-dimensional numPy array là gì?
• Python NumPy Array v/s List
• Python NumPy Operations
• Tham khảo

h=np.array([[[[1,2,3],[3,4,5]],[[5,6,7],[7,8,9]],[[9,10,11],[12,13,14]]]])

h.ndim 
4

h
array([[[[ 1,  2,  3],
         [ 3,  4,  5]],

        [[ 5,  6,  7],
         [ 7,  8,  9]],

        [[ 9, 10, 11],
         [12, 13, 14]]]])

If you closely observe, the number of opening square brackets at the beginning is what defines the dimension of the array. In the above array to access 7, the below indexing is used, h[0,1,1,0]

However if we change the array to 3 dimensions as below,

h=np.array([[[1,2,3],[3,4,5]],[[5,6,7],[7,8,9]],[[9,10,11],[12,13,14]]])

h.ndim
3

h

array([[[ 1,  2,  3],
        [ 3,  4,  5]],

       [[ 5,  6,  7],
        [ 7,  8,  9]],

       [[ 9, 10, 11],
        [12, 13, 14]]])

To access element 7 in the above array, the index is h[1,1,0]

Nội dung chính

• Python Numpy là gì?
• NumPy Array
• Numpy cài đặt như thế nào?
• Multi-dimensional numPy array là gì?
• Python NumPy Array v/s List
• Python NumPy Operations
• Tham khảo

Nội dung chính

• Python Numpy là gì?
• NumPy Array
• Numpy cài đặt như thế nào?
• Multi-dimensional numPy array là gì?
• Python NumPy Array v/s List
• Python NumPy Operations
• Tham khảo

Python Numpy là gì?

If you closely observe, the number of opening square brackets at the beginning is what defines the dimension of the array. In the above array to access 7, the below indexing is used, h[0,1,1,0]

NumPy Array

However if we change the array to 3 dimensions as below,

Numpy cài đặt như thế nào?

Multi-dimensional numPy array là gì?

Multi-dimensional numPy array là gì?

Python NumPy Array v/s List

Python NumPy Operations

Tham khảo

import numpy as np
a=np.array([1,2,3])
print(a)

Output:

[1 2 3]

If you closely observe, the number of opening square brackets at the beginning is what defines the dimension of the array. In the above array to access 7, the below indexing is used, h[0,1,1,0]

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

Output:

[[1 2 3]
 [4 5 6]]

Python NumPy Array v/s List

Python NumPy Operations

1. Tham khảo
2. If you closely observe, the number of opening square brackets at the beginning is what defines the dimension of the array. In the above array to access 7, the below indexing is used, h[0,1,1,0]
3. However if we change the array to 3 dimensions as below,

To access element 7 in the above array, the index is h[1,1,0]

import numpy as np

import time
import sys

S = range(1000)
print(sys.getsizeof(5) * len(S))

D = np.arange(1000)
print(D.size * D.itemsize)

Output:

24000
8000

NumPy là một gói Python là viết tắt của Numerical Python. Đây là thư viện cốt lõi cho scientific computing, nó chứa một đối tượng mảng n chiều mạnh mẽ, cung cấp các công cụ để tích hợp C, C ++, v.v. Nó cũng hữu ích trong đại số tuyến tính, random number capability, ... . NumPy Array cũng có thể được sử dụng như multi-dimensional container hiệu quả cho dữ liệu chung. Bây giờ, hãy xem chính xác một numpy array là gì nha.

Numpy array là một đối tượng mảng N chiều mạnh mẽ ở dạng hàng và cột. Chúng ta có thể khởi tạo các numpy arrays từ nested Python lists và truy cập các phần tử của nó. Để thực hiện thao tác này, câu hỏi tiếp theo xuất hiện trong đầu bạn là:

import time
import sys
 
SIZE = 1000000
 
L1= range(SIZE)
L2= range(SIZE)
A1= np.arange(SIZE)
A2=np.arange(SIZE)
 
start= time.time()
result=[(x,y) for x,y in zip(L1,L2)]
print((time.time()-start)*1000)
 
start=time.time()
result= A1+A2
print((time.time()-start)*1000)

Output:

256.494998932
28.0041694641

Để cài đặt Python NumPy, đi tới command của bạn và nhập vào

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

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

Ở đây, tôi có các yếu tố khác nhau được lưu trữ trong các vị trí bộ nhớ tương ứng của chúng. Nó được gọi là hai chiều vì nó có hàng cũng như cột. Trong hình trên, chúng tôi có 3 cột và 4 hàng có sẵn.

Python NumPy Operations

Tham khảo Số chiều của mảng.

h=np.array([[[1,2,3],[3,4,5]],[[5,6,7],[7,8,9]],[[9,10,11],[12,13,14]]])

h.ndim
3

h

array([[[ 1,  2,  3],
        [ 3,  4,  5]],

       [[ 5,  6,  7],
        [ 7,  8,  9]],

       [[ 9, 10, 11],
        [12, 13, 14]]])

Output:

h=np.array([[[1,2,3],[3,4,5]],[[5,6,7],[7,8,9]],[[9,10,11],[12,13,14]]])

h.ndim
3

h

array([[[ 1,  2,  3],
        [ 3,  4,  5]],

       [[ 5,  6,  7],
        [ 7,  8,  9]],

       [[ 9, 10, 11],
        [12, 13, 14]]])

If you closely observe, the number of opening square brackets at the beginning is what defines the dimension of the array. In the above array to access 7, the below indexing is used, h[0,1,1,0]

However if we change the array to 3 dimensions as below, Độ dài của một phần tử mảng tính bằng byte.

Output:

h=np.array([[[1,2,3],[3,4,5]],[[5,6,7],[7,8,9]],[[9,10,11],[12,13,14]]])

h.ndim
3

h

array([[[ 1,  2,  3],
        [ 3,  4,  5]],

       [[ 5,  6,  7],
        [ 7,  8,  9]],

       [[ 9, 10, 11],
        [12, 13, 14]]])

NumPy là một gói Python là viết tắt của Numerical Python. Đây là thư viện cốt lõi cho scientific computing, nó chứa một đối tượng mảng n chiều mạnh mẽ, cung cấp các công cụ để tích hợp C, C ++, v.v. Nó cũng hữu ích trong đại số tuyến tính, random number capability, ... . NumPy Array cũng có thể được sử dụng như multi-dimensional container hiệu quả cho dữ liệu chung. Bây giờ, hãy xem chính xác một numpy array là gì nha. data type của phần tử

h=np.array([[[1,2,3],[3,4,5]],[[5,6,7],[7,8,9]],[[9,10,11],[12,13,14]]])

h.ndim
3

h

array([[[ 1,  2,  3],
        [ 3,  4,  5]],

       [[ 5,  6,  7],
        [ 7,  8,  9]],

       [[ 9, 10, 11],
        [12, 13, 14]]])

Output:

h=np.array([[[1,2,3],[3,4,5]],[[5,6,7],[7,8,9]],[[9,10,11],[12,13,14]]])

h.ndim
3

h

array([[[ 1,  2,  3],
        [ 3,  4,  5]],

       [[ 5,  6,  7],
        [ 7,  8,  9]],

       [[ 9, 10, 11],
        [12, 13, 14]]])

Numpy array là một đối tượng mảng N chiều mạnh mẽ ở dạng hàng và cột. Chúng ta có thể khởi tạo các numpy arrays từ nested Python lists và truy cập các phần tử của nó. Để thực hiện thao tác này, câu hỏi tiếp theo xuất hiện trong đầu bạn là: Tương tự, bạn có thể tìm thấy kích thước và hình dạng của mảng bằng cách sử dụng hàm

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

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

h=np.array([[[1,2,3],[3,4,5]],[[5,6,7],[7,8,9]],[[9,10,11],[12,13,14]]])

h.ndim
3

h

array([[[ 1,  2,  3],
        [ 3,  4,  5]],

       [[ 5,  6,  7],
        [ 7,  8,  9]],

       [[ 9, 10, 11],
        [12, 13, 14]]])

Output:

h=np.array([[[1,2,3],[3,4,5]],[[5,6,7],[7,8,9]],[[9,10,11],[12,13,14]]])

h.ndim
3

h

array([[[ 1,  2,  3],
        [ 3,  4,  5]],

       [[ 5,  6,  7],
        [ 7,  8,  9]],

       [[ 9, 10, 11],
        [12, 13, 14]]])

Để cài đặt Python NumPy, đi tới command của bạn và nhập vào

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

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

h=np.array([[[1,2,3],[3,4,5]],[[5,6,7],[7,8,9]],[[9,10,11],[12,13,14]]])

h.ndim
3

h

array([[[ 1,  2,  3],
        [ 3,  4,  5]],

       [[ 5,  6,  7],
        [ 7,  8,  9]],

       [[ 9, 10, 11],
        [12, 13, 14]]])

Output:

h=np.array([[[1,2,3],[3,4,5]],[[5,6,7],[7,8,9]],[[9,10,11],[12,13,14]]])

h.ndim
3

h

array([[[ 1,  2,  3],
        [ 3,  4,  5]],

       [[ 5,  6,  7],
        [ 7,  8,  9]],

       [[ 9, 10, 11],
        [12, 13, 14]]])

Ở đây, tôi có các yếu tố khác nhau được lưu trữ trong các vị trí bộ nhớ tương ứng của chúng. Nó được gọi là hai chiều vì nó có hàng cũng như cột. Trong hình trên, chúng tôi có 3 cột và 4 hàng có sẵn. trích xuất tập hợp các phần tử cụ thể từ một mảng.

Single-dimensional Numpy Array:

import numpy as np
a=np.array([1,2,3])
print(a)

Multi-dimensional Array:

import numpy as np
a=np.array([1,2,3])
print(a)

Output:

import numpy as np
a=np.array([1,2,3])
print(a)

Ở đây dấu hai chấm đại diện cho tất cả các hàng, bao gồm 0. Bây giờ để có được phần tử thứ 2, chúng tôi sẽ gọi chỉ số 2 từ cả hai hàng cung cấp cho chúng tôi giá trị 3 và 5 tương ứng.

Tiếp theo, chỉ để loại bỏ sự nhầm lẫn, chúng tôi có thêm một hàng và chúng tôi không muốn nhận phần tử thứ 2 của nó như hình ảnh trên. Chúng ta có thể làm gì trong trường hợp như vậy? Hãy xem xét mã dưới đây:

import numpy as np
a=np.array([1,2,3])
print(a)

Output:

import numpy as np
a=np.array([1,2,3])
print(a)

Như bạn có thể thấy trong đoạn mã trên, chỉ có 9 và 11 được in. Bây giờ khi tôi đã viết 0: 2, điều này không bao gồm chỉ mục thứ hai của hàng thứ ba của một mảng. Do đó, chỉ 9 và 11 được in ra.

7. linspace: Trả về các số cách đều nhau trong một khoảng thời gian xác định. Trả về các số cách đều nhau trong một khoảng thời gian xác định.

import numpy as np
a=np.array([1,2,3])
print(a)

Output:

import numpy as np
a=np.array([1,2,3])
print(a)

Như bạn có thể thấy trong kết quả, nó đã in 10 giá trị từ 1 đến 3 cách đều nhau.

8. max/ min: tìm mức tối thiểu, tối đa cũng như tổng của numpy array. tìm mức tối thiểu, tối đa cũng như tổng của numpy array.

import numpy as np
a=np.array([1,2,3])
print(a)

Output:

import numpy as np
a=np.array([1,2,3])
print(a)

Bạn phải tìm hiểu những thứ này khá cơ bản này, với sự giúp đỡ của kiến thức này, bạn cũng có thể thực hiện nhiều nhiệm vụ lớn hơn. Bây giờ, hãy hiểu khái niệm trục (axis) trong python numpy.

Giả sử bạn muốn tính tổng của tất cả các cột, thì bạn có thể sử dụng trục. Hãy để tôi chỉ cho bạn thực tế, cách bạn có thể triển khai trục trong PyCharm của mình:

[1 2 3]

Output:

[1 2 3]

Do đó, tổng của tất cả các cột được thêm vào trong đó 1 + 3 = 4, 2 + 4 = 6 và 3 + 5 = 8. Tương tự, nếu bạn thay thế trục bằng 1, thì nó sẽ in [6 12] trong đó tất cả các hàng được thêm vào.

9. Square Root & Standard Deviation: Có nhiều hàm toán học khác nhau có thể được thực hiện bằng cách sử dụng python numpy. Bạn có thể tìm thấy căn bậc hai, độ lệch chuẩn của mảng.
Có nhiều hàm toán học khác nhau có thể được thực hiện bằng cách sử dụng python numpy. Bạn có thể tìm thấy căn bậc hai, độ lệch chuẩn của mảng.

[1 2 3]

Output:

[1 2 3]

Như bạn có thể thấy đầu ra ở trên, căn bậc hai của tất cả các yếu tố được in. Ngoài ra, độ lệch chuẩn được in cho mảng trên, tức là mỗi phần tử thay đổi bao nhiêu so với giá trị trung bình của numpy array.

10.Addition Operation:

Bạn có thể thực hiện nhiều thao tác hơn trên numpy array, tức là phép trừ, phép nhân và phép chia của hai ma trận. Hãy để tôi đi trước trong hướng dẫn numpy python, và hiển thị nó :

[1 2 3]

Output:

[1 2 3]

Điều này cực kỳ đơn giản! Đúng? Tương tự, chúng ta có thể thực hiện các hoạt động khác như trừ, nhân và chia. Hãy xem xét ví dụ dưới đây:

[1 2 3]

Output:

[1 2 3]

11. Vertical & Horizontal Stacking:

Tiếp theo, nếu bạn muốn nối hai mảng và không chỉ thêm chúng, bạn có thể thực hiện nó bằng hai cách - xếp chồng dọc và xếp chồng ngang.

[1 2 3]

Output:

[1 2 3]

12. ravel:

Có một hoạt động nữa trong đó bạn có thể chuyển đổi một numpy array thành một cột duy nhất.

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

Output:

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

Hi vọng với những chia sẻ trên có thể giúp ích cho bạn. Cảm ơn các bạn đã đọc bài viết

Tham khảo

https://www.edureka.co/blog/python-numpy-tutorial/