Kursinhalt
Ultimatives Numpy
Ultimatives Numpy
Grundlegende Mathematische Operationen
Jetzt, da Sie mit dem Konzept des Broadcasting vertraut sind, lassen Sie uns einige grundlegende mathematische Operationen in NumPy besprechen.
Skalaroperationen
Denken Sie daran, dass Broadcasting es Ihnen ermöglicht, mathematische Operationen zwischen zwei Arrays mit kompatiblen Formen oder zwischen einem Array und einem Skalar durchzuführen.
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}')
Wie Sie sehen können, wird jede Operation elementweise auf das Array angewendet. Im Wesentlichen wird ein Skalar auf ein Array der gleichen Form wie unser ursprüngliches array übertragen, wobei alle Elemente die gleiche Zahl sind. Daher wird die Operation auf jedes Paar von entsprechenden Elementen der beiden Arrays angewendet.
Operationen zwischen zwei Arrays
Wenn die Formen von zwei Arrays kompatibel sind, wird bei Bedarf Broadcasting durchgeführt, und erneut wird eine Operation elementweise ausgeführt:
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 und andere arithmetische Operationen funktionieren auf ähnliche Weise. Hier ist ein weiteres Beispiel, bei dem das zweite (rechte) Array übertragen wird:
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 wird auf ein 2D-Array mit zwei identischen Zeilen übertragen, die jeweils das Array [5, 6, 7] enthalten.
Anwendungen
Solche mathematischen Operationen sind unerlässlich für Aufgaben wie Skalierung, Normalisierung und Transformation von Daten in maschinellem Lernen und statistischer Analyse. Sie ermöglichen effiziente elementweise Operationen zum Kombinieren von Datensätzen, Durchführen numerischer Simulationen und Anwenden von Filtern in der Bild- und Signalverarbeitung. Außerdem werden diese Operationen häufig in der wissenschaftlichen Berechnung und datengetriebenen Anwendungen eingesetzt.
Swipe to start coding
Sie analysieren die quartalsweisen Verkaufsdaten für zwei Produkte in den Jahren 2021 und 2022, die in zwei 2D-Arrays gespeichert sind:
sales_data_2021: Quartalsverkäufe für jedes Produkt im Jahr 2021, wobei jede Zeile ein bestimmtes Produkt darstellt;sales_data_2022: Quartalsverkäufe für jedes Produkt im Jahr 2022, wobei jede Zeile ein bestimmtes Produkt darstellt.
Berechnen Sie das quartalsweise Umsatzwachstum für jedes Produkt in Prozent.
Lösung
Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwendenDanke für Ihr Feedback!
Grundlegende Mathematische Operationen
Jetzt, da Sie mit dem Konzept des Broadcasting vertraut sind, lassen Sie uns einige grundlegende mathematische Operationen in NumPy besprechen.
Skalaroperationen
Denken Sie daran, dass Broadcasting es Ihnen ermöglicht, mathematische Operationen zwischen zwei Arrays mit kompatiblen Formen oder zwischen einem Array und einem Skalar durchzuführen.
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}')
Wie Sie sehen können, wird jede Operation elementweise auf das Array angewendet. Im Wesentlichen wird ein Skalar auf ein Array der gleichen Form wie unser ursprüngliches array übertragen, wobei alle Elemente die gleiche Zahl sind. Daher wird die Operation auf jedes Paar von entsprechenden Elementen der beiden Arrays angewendet.
Operationen zwischen zwei Arrays
Wenn die Formen von zwei Arrays kompatibel sind, wird bei Bedarf Broadcasting durchgeführt, und erneut wird eine Operation elementweise ausgeführt:
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 und andere arithmetische Operationen funktionieren auf ähnliche Weise. Hier ist ein weiteres Beispiel, bei dem das zweite (rechte) Array übertragen wird:
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 wird auf ein 2D-Array mit zwei identischen Zeilen übertragen, die jeweils das Array [5, 6, 7] enthalten.
Anwendungen
Solche mathematischen Operationen sind unerlässlich für Aufgaben wie Skalierung, Normalisierung und Transformation von Daten in maschinellem Lernen und statistischer Analyse. Sie ermöglichen effiziente elementweise Operationen zum Kombinieren von Datensätzen, Durchführen numerischer Simulationen und Anwenden von Filtern in der Bild- und Signalverarbeitung. Außerdem werden diese Operationen häufig in der wissenschaftlichen Berechnung und datengetriebenen Anwendungen eingesetzt.
Swipe to start coding
Sie analysieren die quartalsweisen Verkaufsdaten für zwei Produkte in den Jahren 2021 und 2022, die in zwei 2D-Arrays gespeichert sind:
sales_data_2021: Quartalsverkäufe für jedes Produkt im Jahr 2021, wobei jede Zeile ein bestimmtes Produkt darstellt;sales_data_2022: Quartalsverkäufe für jedes Produkt im Jahr 2022, wobei jede Zeile ein bestimmtes Produkt darstellt.
Berechnen Sie das quartalsweise Umsatzwachstum für jedes Produkt in Prozent.
Lösung
Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwendenDanke für Ihr Feedback!
Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden