Grunnleggende Matematiske Operasjoner
Nå som du er kjent med konseptet broadcasting, la oss diskutere noen grunnleggende matematiske operasjoner i NumPy.
Skalaroperasjoner
Husk, broadcasting lar deg utføre matematiske operasjoner mellom to matriser av kompatible former eller mellom en matrise og en skalar.
1234567891011import 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, utføres hver operasjon elementvis på matrisen. I hovedsak blir en skalar kringkastet til en matrise med samme form som vår opprinnelige array, der alle elementene er det samme tallet. Derfor utføres operasjonen på hvert par av tilsvarende elementer i de to matrisene.
Operasjoner Mellom To Matriser
Hvis formene til to matriser er kompatible, utføres kringkasting om nødvendig, og nok en gang utføres en operasjon elementvis:
123456789101112import 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}')
Divisjon, subtraksjon og andre aritmetiske operasjoner fungerer på en lignende måte. Her er et annet eksempel hvor den andre (høyre) arrayen kringkastes:
123456789101112import 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 kringkastes til en 2D-array med to identiske rader, hver inneholdende arrayen [5, 6, 7].
Applikasjoner
Slike matematiske operasjoner er essensielle for oppgaver som skalering, normalisering og transformering av data i maskinlæring og statistisk analyse. De muliggjør effektive elementvise operasjoner for å kombinere datasett, utføre numeriske simuleringer og anvende filtre i bilde- og signalbehandling. Dessuten er disse operasjonene mye brukt i vitenskapelig databehandling og datadrevne applikasjoner.
Swipe to start coding
Du analyserer kvartalsvise salgsdata for to produkter i 2021 og 2022, lagret i to 2D-arrayer:
sales_data_2021: kvartalsvise salg for hvert produkt i 2021, med hver rad som representerer et spesifikt produkt;sales_data_2022: kvartalsvise salg for hvert produkt i 2022, med hver rad som representerer et spesifikt produkt.
Beregn den kvartalsvise inntektsveksten for hvert produkt i prosent.
Løsning
Takk for tilbakemeldingene dine!
single
Spør AI
Spør AI
Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår
Awesome!
Completion rate improved to 3.7Grunnleggende Matematiske Operasjoner
Sveip for å vise menyen
Nå som du er kjent med konseptet broadcasting, la oss diskutere noen grunnleggende matematiske operasjoner i NumPy.
Skalaroperasjoner
Husk, broadcasting lar deg utføre matematiske operasjoner mellom to matriser av kompatible former eller mellom en matrise og en skalar.
1234567891011import 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, utføres hver operasjon elementvis på matrisen. I hovedsak blir en skalar kringkastet til en matrise med samme form som vår opprinnelige array, der alle elementene er det samme tallet. Derfor utføres operasjonen på hvert par av tilsvarende elementer i de to matrisene.
Operasjoner Mellom To Matriser
Hvis formene til to matriser er kompatible, utføres kringkasting om nødvendig, og nok en gang utføres en operasjon elementvis:
123456789101112import 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}')
Divisjon, subtraksjon og andre aritmetiske operasjoner fungerer på en lignende måte. Her er et annet eksempel hvor den andre (høyre) arrayen kringkastes:
123456789101112import 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 kringkastes til en 2D-array med to identiske rader, hver inneholdende arrayen [5, 6, 7].
Applikasjoner
Slike matematiske operasjoner er essensielle for oppgaver som skalering, normalisering og transformering av data i maskinlæring og statistisk analyse. De muliggjør effektive elementvise operasjoner for å kombinere datasett, utføre numeriske simuleringer og anvende filtre i bilde- og signalbehandling. Dessuten er disse operasjonene mye brukt i vitenskapelig databehandling og datadrevne applikasjoner.
Swipe to start coding
Du analyserer kvartalsvise salgsdata for to produkter i 2021 og 2022, lagret i to 2D-arrayer:
sales_data_2021: kvartalsvise salg for hvert produkt i 2021, med hver rad som representerer et spesifikt produkt;sales_data_2022: kvartalsvise salg for hvert produkt i 2022, med hver rad som representerer et spesifikt produkt.
Beregn den kvartalsvise inntektsveksten for hvert produkt i prosent.
Løsning
Bytt til skrivebordet for virkelighetspraksisFortsett der du er med et av alternativene nedenforTakk for tilbakemeldingene dine!
single
