NumPy – Operaciones aritméticas

NumPy es una biblioteca Python de código abierto para realizar computación de array (operaciones de array). Es una envoltura alrededor de la biblioteca implementada en C y utilizada para realizar varias operaciones trigonométricas, algebraicas y estadísticas. Los objetos NumPy se pueden convertir fácilmente en otros tipos de objetos, como el marco de datos de Pandas y el tensor de tensorflow. La lista de Python se puede usar para la computación de arrays, pero es mucho más lenta que NumPy. NumPy logra su rápida implementación mediante la vectorización . Una de las características importantes de las arrays NumPy es que un desarrollador puede realizar la misma operación matemática en cada elemento con un solo comando.

Entendamos las operaciones aritméticas usando NumPy.

Suma

import numpy as np
 
# Defining both the matrices
a = np.array([5, 72, 13, 100])
b = np.array([2, 5, 10, 30])
 
# Performing addition using arithmetic operator
add_ans = a+b
print(add_ans)
 
# Performing addition using numpy function
add_ans = np.add(a, b)
print(add_ans)
 
# The same functions and operations can be used for multiple matrices
c = np.array([1, 2, 3, 4])
add_ans = a+b+c
print(add_ans)
 
add_ans = np.add(a, b, c)
print(add_ans)

Producción

[  7  77  23 130]
[  7  77  23 130]
[  8  79  26 134]
[  8  79  26 134]

Como podemos ver que las arrays tienen la misma forma, si son diferentes, Numpy intentará transmitir si es posible. El lector puede ver que la misma operación (suma) se puede hacer usando la operación aritmética (+) así como la función numérica (np.add).

Sustracción

import numpy as np
 
# Defining both the matrices
a = np.array([5, 72, 13, 100])
b = np.array([2, 5, 10, 30])
 
# Performing subtraction using arithmetic operator
sub_ans = a-b
print(sub_ans)
 
# Performing subtraction using numpy function
sub_ans = np.subtract(a, b)
print(sub_ans)

Producción

[ 3 67  3 70]
[ 3 67  3 70]

El usuario también puede realizar transmisiones con una array y una constante

import numpy as np
 
# Defining both the matrices
a = np.array([5, 72, 13, 100])
b = np.array([2, 5, 10, 30])
 
# Performing subtraction using arithmetic operator
sub_ans = a-b-1
print(sub_ans)
 
# Performing subtraction using numpy function
sub_ans = np.subtract(a, b, 1)
print(sub_ans)

Producción

[ 2 66  2 69]
[ 2 66  2 69]

Multiplicación

import numpy as np
 
# Defining both the matrices
a = np.array([5, 72, 13, 100])
b = np.array([2, 5, 10, 30])
 
# Performing multiplication using arithmetic operator
mul_ans = a*b
print(mul_ans)
 
# Performing multiplication using numpy function
mul_ans = np.multiply(a, b)
print(mul_ans)

Producción

[  10  360  130 3000]
[  10  360  130 3000]

División

import numpy as np
 
# Defining both the matrices
a = np.array([5, 72, 13, 100])
b = np.array([2, 5, 10, 30])
 
# Performing division using arithmetic operators
div_ans = a/b
print(div_ans)
 
# Performing division using numpy functions
div_ans = np.divide(a, b)
print(div_ans)

Producción

[ 2.5        14.4         1.3         3.33333333]
[ 2.5        14.4         1.3         3.33333333]

Hay una miríada de otras funciones que en NumPy nos permiten ver algunas de ellas una por una.

función mod() y power()

Ejemplo

# Performing mod on two matrices
mod_ans = np.mod(a, b)
print(mod_ans)
 
#Performing remainder on two matrices
rem_ans=np.remainder(a,b)
print(rem_ans)
 
# Performing power of two matrices
pow_ans = np.power(a, b)
print(pow_ans)

Producción

[ 1  2  3 10]
[ 1  2  3 10]
[                 25          1934917632        137858491849
 1152921504606846976]

Algunas funciones estadísticas y de agregación

Ejemplo

# Getting mean of all numbers in 'a'
mean_a = np.mean(a)
print(mean_a)
 
# Getting average of all numbers in 'b'
mean_b = np.average(b)
print(mean_b)
 
# Getting sum of all numbers in 'a'
sum_a = np.sum(a)
print(sum_a)
 
# Getting variance of all number in 'b'
var_b = np.var(b)
print(var_b)

Producción

47.5
11.75
190
119.1875