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
Python3
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
Python3
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
Python3
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
Python3
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
Python3
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
Python3
# 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
Python3
# 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
Publicación traducida automáticamente
Artículo escrito por apurva__007 y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA