Contenu du cours
Numpy Ultime
Numpy Ultime
Opérations Mathématiques de Base
Maintenant que vous êtes familier avec le concept de broadcasting, discutons de quelques opérations mathématiques de base dans NumPy.
Opérations Scalaires
Rappelez-vous, le broadcasting vous permet d'effectuer des opérations mathématiques entre deux tableaux de formes compatibles ou entre un tableau et un scalaire.
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}')
Comme vous pouvez le voir, chaque opération est effectuée élément par élément sur le tableau. Essentiellement, un scalaire est diffusé à un tableau de la même forme que notre array original, où tous les éléments sont le même nombre. Par conséquent, l'opération est effectuée sur chaque paire d'éléments correspondants des deux tableaux.
Opérations Entre Deux Tableaux
Si les formes de deux tableaux sont compatibles, la diffusion est effectuée si nécessaire, et une fois de plus, une opération est effectuée élément par élément :
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}')
La division, la soustraction et d'autres opérations arithmétiques fonctionnent de manière similaire. Voici un autre exemple où le deuxième tableau (à droite) est diffusé :
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 est diffusé en un tableau 2D avec deux lignes identiques, chacune contenant le tableau [5, 6, 7].
Applications
Ces opérations mathématiques sont essentielles pour des tâches telles que la mise à l'échelle, la normalisation et la transformation des données dans l'apprentissage automatique et l'analyse statistique. Elles permettent des opérations efficaces élément par élément pour combiner des ensembles de données, effectuer des simulations numériques et appliquer des filtres dans le traitement d'images et de signaux. De plus, ces opérations sont largement utilisées dans le calcul scientifique et les applications basées sur les données.
Swipe to start coding
Vous analysez les données de ventes trimestrielles de deux produits en 2021 et 2022, stockées dans deux tableaux 2D :
sales_data_2021: ventes trimestrielles pour chaque produit en 2021, chaque ligne représentant un produit spécifique ;sales_data_2022: ventes trimestrielles pour chaque produit en 2022, chaque ligne représentant un produit spécifique.
Calculez la croissance des revenus trimestriels pour chaque produit en pourcentage.
Solution
Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessousMerci pour vos commentaires !
Opérations Mathématiques de Base
Maintenant que vous êtes familier avec le concept de broadcasting, discutons de quelques opérations mathématiques de base dans NumPy.
Opérations Scalaires
Rappelez-vous, le broadcasting vous permet d'effectuer des opérations mathématiques entre deux tableaux de formes compatibles ou entre un tableau et un scalaire.
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}')
Comme vous pouvez le voir, chaque opération est effectuée élément par élément sur le tableau. Essentiellement, un scalaire est diffusé à un tableau de la même forme que notre array original, où tous les éléments sont le même nombre. Par conséquent, l'opération est effectuée sur chaque paire d'éléments correspondants des deux tableaux.
Opérations Entre Deux Tableaux
Si les formes de deux tableaux sont compatibles, la diffusion est effectuée si nécessaire, et une fois de plus, une opération est effectuée élément par élément :
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}')
La division, la soustraction et d'autres opérations arithmétiques fonctionnent de manière similaire. Voici un autre exemple où le deuxième tableau (à droite) est diffusé :
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 est diffusé en un tableau 2D avec deux lignes identiques, chacune contenant le tableau [5, 6, 7].
Applications
Ces opérations mathématiques sont essentielles pour des tâches telles que la mise à l'échelle, la normalisation et la transformation des données dans l'apprentissage automatique et l'analyse statistique. Elles permettent des opérations efficaces élément par élément pour combiner des ensembles de données, effectuer des simulations numériques et appliquer des filtres dans le traitement d'images et de signaux. De plus, ces opérations sont largement utilisées dans le calcul scientifique et les applications basées sur les données.
Swipe to start coding
Vous analysez les données de ventes trimestrielles de deux produits en 2021 et 2022, stockées dans deux tableaux 2D :
sales_data_2021: ventes trimestrielles pour chaque produit en 2021, chaque ligne représentant un produit spécifique ;sales_data_2022: ventes trimestrielles pour chaque produit en 2022, chaque ligne représentant un produit spécifique.
Calculez la croissance des revenus trimestriels pour chaque produit en pourcentage.
Solution
Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessousMerci pour vos commentaires !
Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous