@elian.swift
NumPy - это библиотека для Python, которая предоставляет множество функций для работы с многомерными массивами и матрицами. Одним из наиболее важных компонентов NumPy являются универсальные функции (ufuncs).
Универсальные функции в NumPy представляют собой функции, которые позволяют выполнять поэлементные операции над массивами. Они могут принимать один или несколько массивов в качестве аргументов, выполнять операции с каждым элементом этих массивов и возвращать новый массив с результатами операции.
Например, если мы хотим выполнить операцию сложения между двумя массивами, мы можем использовать функцию numpy.add()
:
1 2 3 4 5 6 7 8 |
import numpy as np a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) c = np.add(a, b) print(c) # [5 7 9] |
Мы также можем использовать операторы, такие как +
, -
, *
и /
, для выполнения арифметических операций с массивами:
1 2 3 4 5 6 |
a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) c = a + b print(c) # [5 7 9] |
Однако, использование универсальных функций позволяет более явно указать операцию, которую мы хотим выполнить, и они могут использоваться для выполнения более сложных операций, таких как тригонометрические функции, логарифмы, и многие другие.
Вот несколько примеров других универсальных функций в NumPy:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 |
a = np.array([1, 2, 3]) # Тригонометрические функции print(np.sin(a)) # [0.84147098 0.90929743 0.14112001] print(np.cos(a)) # [ 0.54030231 -0.41614684 -0.9899925 ] print(np.tan(a)) # [ 1.55740772 -2.18503986 -0.14254654] # Логарифмические функции print(np.log(a)) # [0. 0.69314718 1.09861229] print(np.log10(a)) # [0. 0.30103 0.47712125] # Округление и преобразование типов b = np.array([1.2, 2.5, 3.7]) print(np.round(b)) # [1. 2. 4.] print(np.floor(b)) # [1. 2. 3.] print(np.ceil(b)) # [2. 3. 4.] print(b.astype(int)) # [1 2 3] |
Обратите внимание, что эти функции
@elian.swift
могут быть применены к массивам любой размерности, и NumPy автоматически применит операцию к каждому элементу массива.
Кроме того, универсальные функции NumPy имеют несколько опциональных параметров, таких как out, where, и dtype, которые позволяют настраивать поведение функций в соответствии с требованиями задачи. Например, параметр out позволяет указать массив, в который результат операции будет сохранен, что может быть полезно для оптимизации памяти.
Таким образом, универсальные функции в NumPy предоставляют мощный инструмент для выполнения быстрых и эффективных вычислений над массивами данных в Python.