Lære Grundlæggende Matematiske Operationer

Sektion 4. Kapitel 2

single

Stryg for at vise menuen

Nu hvor du er bekendt med konceptet broadcasting, lad os gennemgå nogle grundlæggende matematiske operationer i NumPy.

Skalaroperationer

Husk, broadcasting gør det muligt at udføre matematiske operationer mellem to arrays med kompatible former eller mellem et array og en skalar.


              1234567891011
            
import numpy as np
array = np.array([1, 2, 3, 4])
# Scalar addition
result_add_scalar = array + 2
print(f'Scalar addition: {result_add_scalar}')
# Scalar multiplication
result_mul_scalar = array * 3
print(f'Scalar multiplication: {result_mul_scalar}')
# Raising an array to a scalar power
result_power_scalar = array ** 3
print(f'Scalar exponentiation: {result_power_scalar}')

Som du kan se, udføres hver operation elementvist på arrayet. En skalar broadcastes i det væsentlige til et array med samme form som vores oprindelige array, hvor alle elementerne er det samme tal. Derfor udføres operationen på hvert par af tilsvarende elementer i de to arrays.

Operationer mellem to arrays

Hvis formene på to arrays er kompatible, udføres broadcasting om nødvendigt, og igen udføres en operation elementvist:


              123456789101112
            
import numpy as np
arr1 = np.array([1, 2, 3, 4])
arr2 = np.array([5, 6, 7, 8])
# Element-wise addition
result_add = arr1 + arr2
print(f'Element-wise addition: {result_add}')
# Element-wise multiplication
result_mul = arr1 * arr2
print(f'Element-wise multiplication: {result_mul}')
# Element-wise exponentiation (raising to power)
result_power = arr1 ** arr2
print(f'Element-wise exponentiation: {result_power}')

Division, subtraktion og andre aritmetiske operationer fungerer på lignende måde. Her er et andet eksempel, hvor den anden (højre) array broadcastes:


              123456789101112
            
import numpy as np
arr1 = np.array([[1, 2, 3], [4, 5, 6]])
arr2 = np.array([5, 6, 7])
# Element-wise addition
result_add = arr1 + arr2
print(f'Element-wise addition: {result_add}')
# Element-wise multiplication
result_mul = arr1 * arr2
print(f'Element-wise multiplication: {result_mul}')
# Element-wise exponentiation (raising to power)
result_power = arr1 ** arr2
print(f'Element-wise exponentiation:\n{result_power}')

arr_2 broadcastes til et 2D-array med to identiske rækker, som hver indeholder arrayet [5, 6, 7].

Anvendelser

Sådanne matematiske operationer er essentielle for opgaver som skalering, normalisering og transformation af data i maskinlæring og statistisk analyse. De muliggør effektive elementvise operationer til at kombinere datasæt, udføre numeriske simuleringer og anvende filtre i billed- og signalbehandling. Derudover anvendes disse operationer bredt inden for videnskabelig databehandling og datadrevne applikationer.

Opgave

Swipe to start coding

Du analyserer kvartalsvise salgstal for to produkter i 2021 og 2022, gemt i to 2D-arrays:

sales_data_2021: kvartalsvise salgstal for hvert produkt i 2021, hvor hver række repræsenterer et specifikt produkt;
sales_data_2022: kvartalsvise salgstal for hvert produkt i 2022, hvor hver række repræsenterer et specifikt produkt.

Beregn kvartalsvis omsætningsvækst for hvert produkt i procent ved at bruge følgende formel:

\text{Revenue} = \frac{S_{2022} - S_{2021}}{S_{2021}} * 100 \%

Løsning

Skift til skrivebord for at øve i den virkelige verdenFortsæt der, hvor du er, med en af nedenstående muligheder

Var alt klart?

Tak for dine kommentarer!

Sektion 4. Kapitel 2

single

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat