NumPy là thư viện hàng đầu trong Python sử dụng cho các tính toán số học, với nhiều phép toán khác nhau. Các hàm này bao gồm nhiều lĩnh vực về toán như: lượng giác, đa giác, số học và số phức.
Các bài viết liên quan:
Các hàm toán học cơ bản trong NumPy
NumPy cung cấp một loạt các hàm toán học cơ bản để thực hiện các phép toán số học trên mảng dữ liệu. Dưới đây là một số hàm toán học cơ bản trong NumPy cùng với cú pháp và ví dụ minh họa:
- Hàm
np.add(): Thực hiện phép cộng hai mảng.
Cú pháp: np.add(x1, x2, *args, **kwargs)
Ví dụ:
import numpy as np arr1 = np.array([1, 2, 3]) arr2 = np.array([4, 5, 6]) result = np.add(arr1, arr2) print(result) # Output: [5 7 9]
- Hàm
np.subtract(): Thực hiện phép trừ hai mảng.
Cú pháp: np.subtract(x1, x2, *args, **kwargs)
Ví dụ:
import numpy as np arr1 = np.array([1, 2, 3]) arr2 = np.array([4, 5, 6]) result = np.subtract(arr1, arr2) print(result) # Output: [-3 -3 -3]
- Hàm
np.multiply(): Thực hiện phép nhân hai mảng.
Cú pháp: np.multiply(x1, x2, *args, **kwargs)
Ví dụ:
import numpy as np arr1 = np.array([1, 2, 3]) arr2 = np.array([4, 5, 6]) result = np.multiply(arr1, arr2) print(result) # Output: [4 10 18]
- Hàm
np.divide(): Thực hiện phép chia hai mảng.
Cú pháp: np.divide(x1, x2, *args, **kwargs)
Ví dụ:
import numpy as np arr1 = np.array([4, 8, 12]) arr2 = np.array([2, 4, 6]) result = np.divide(arr1, arr2) print(result) # Output: [2. 2. 2.]
- Hàm
np.power(): Thực hiện phép mũ trên mảng.
Cú pháp: np.power(x1, x2, *args, **kwargs)
Ví dụ:
import numpy as np arr = np.array([2, 3, 4]) result = np.power(arr, 2) print(result) # Output: [4 9 16]
Đây chỉ là một số ví dụ về các hàm toán học cơ bản trong NumPy.
- Hàm
np.sin(): Tính sin của các phần tử trong mảng.
Cú pháp: np.sin(x, *args, **kwargs)
Ví dụ:
import numpy as np arr = np.array([0, np.pi/2, np.pi]) result = np.sin(arr) print(result) # Output: [0. 1. 0.]
- Hàm
np.cos(): Tính cos của các phần tử trong mảng.
Cú pháp: np.cos(x, *args, **kwargs)
Ví dụ:
import numpy as np arr = np.array([0, np.pi/2, np.pi]) result = np.cos(arr) print(result) # Output: [1. 0. -1.]
- Hàm
np.exp(): Tính e mũ của các phần tử trong mảng.
Cú pháp: np.exp(x, *args, **kwargs)
Ví dụ:
import numpy as np arr = np.array([1, 2, 3]) result = np.exp(arr) print(result) # Output: [2.71828183 7.3890561 20.08553692]
- Hàm
np.log(): Tính logarit tự nhiên của các phần tử trong mảng.
Cú pháp: np.log(x, *args, **kwargs)
Ví dụ:
import numpy as np arr = np.array([1, np.e, np.e**2]) result = np.log(arr) print(result) # Output: [0. 1. 2.]
- Hàm
np.sqrt(): Tính căn bậc hai của các phần tử trong mảng.
Cú pháp: np.sqrt(x, *args, **kwargs)
Ví dụ:
import numpy as np arr = np.array([4, 9, 16]) result = np.sqrt(arr) print(result) # Output: [2. 3. 4.]
Đây chỉ là một số ví dụ về các hàm toán học trên mảng trong NumPy. NumPy cung cấp nhiều hàm toán học khác nhau như np.power(), np.absolute(), np.around(), v.v. để thực hiện các phép toán toán học trên mảng dữ liệu.
Xem thêm Cách cài đặt NumPy trên Python
- numpy.around()
Numpy cung cấp các hàm khác nhau có thể được sử dụng để cắt ngắn giá trị của một số thực thập phân được làm tròn đến một độ chính xác cụ thể của số thập phân. Hãy thảo luận về các hàm làm tròn.
Hàm này trả về giá trị thập phân được làm tròn đến vị trí mong muốn của số thập phân. Cú pháp của hàm được đưa ra dưới đây.
numpy.around(num, decimals)
Nó chấp nhận các tham số sau.
- num Đây là số đầu vào.
- decimals Là số lượng các số thập phân mà số đó sẽ được làm tròn. Giá trị mặc định là 0. Nếu giá trị này là âm, thì phần thập phân sẽ được chuyển sang bên trái.
Hãy xem xét ví dụ sau.
Thí dụ
import numpy as np
arr = np.array([12.202, 90.23120, 123.020, 23.202])
print("printing the original array values:",end = " ")
print(arr)
print("Array values rounded off to 2 decimal position",np.around(arr, 2))
print("Array values rounded off to -1 decimal position",np.around(arr, -1)) Đầu ra:
- Hàm numpy.floor ()
Hàm này được sử dụng để trả về giá trị sàn của dữ liệu đầu vào là số nguyên lớn nhất không lớn hơn giá trị đầu vào. Hãy xem xét ví dụ sau.
Thí dụ
import numpy as np arr = np.array([12.202, 90.23120, 123.020, 23.202]) print(np.floor(arr))
Output:
- Hàm numpy.ceil ()
Hàm này được sử dụng để trả về giá trị trần của các giá trị mảng là giá trị nguyên nhỏ nhất lớn hơn phần tử mảng. Hãy xem xét ví dụ sau.
Thí dụ
import numpy as np arr = np.array([12.202, 90.23120, 123.020, 23.202]) print(np.ceil(arr))
Xem thêm numpy.array() trong numPy
- Hàm
np.power(): Tính lũy thừa của mảng với một giá trị.
Cú pháp: np.power(x1, x2, *args, **kwargs)
Ví dụ:
import numpy as np arr = np.array([2, 3, 4]) result = np.power(arr, 3) print(result) # Output: [ 8 27 64]
- Hàm
np.absolute(): Tính giá trị tuyệt đối của mảng.
Cú pháp: np.absolute(x, *args, **kwargs)
Ví dụ:
import numpy as np arr = np.array([-1, -2, 3, -4]) result = np.absolute(arr) print(result) # Output: [1 2 3 4]
- Hàm
np.around(): Làm tròn các phần tử trong mảng đến số nguyên gần nhất.
Cú pháp: np.around(x, decimals=0, *args, **kwargs)
Ví dụ:
import numpy as np arr = np.array([1.2, 2.7, 3.5, 4.8]) result = np.around(arr) print(result) # Output: [1. 3. 4. 5.]
Đây chỉ là một số ví dụ về các hàm toán học khác trong NumPy. NumPy cung cấp nhiều hàm toán học khác như np.floor(), np.ceil(), np.log10(), v.v. để thực hiện các phép toán toán học trên mảng dữ liệu. Cú pháp và chức năng của mỗi hàm có thể được tìm hiểu thêm trong tài liệu chính thức của NumPy.
Xem thêm NumPy Datatypes trong thư viện NumPy
Sử dụng hàm toán học trong NumPy
Khi làm việc với NumPy, bạn có thể sử dụng các hàm toán học để thực hiện các phép toán số học và tính toán trên mảng dữ liệu. Dưới đây là một số cách sử dụng hàm toán học trong NumPy:
Tính toán trên toàn bộ mảng:Bạn có thể áp dụng các hàm toán học trực tiếp lên một mảng NumPy để thực hiện phép toán trên từng phần tử.
Ví dụ:
import numpy as np
arr = np.array([1, 2, 3, 4, 5]) # Tính giá trị trung bình
mean_value = np.mean(arr) print("Mean:", mean_value)
# Tính căn bậc hai
sqrt_arr = np.sqrt(arr) print("Square root:", sqrt_arr)Tính toán trên trục (axis) của mảng:Khi làm việc với mảng đa chiều, bạn có thể sử dụng các hàm toán học với tham số axis để thực hiện phép toán trên từng trục của mảng.
Ví dụ:
import numpy as np arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# Tính tổng các phần tử trên từng hàng
row_sum = np.sum(arr, axis=1) print("Row sum:", row_sum)
# Tính giá trị lớn nhất trên từng cột
col_max = np.max(arr, axis=0) print("Column max:", col_max)Kết hợp các hàm toán học:Bạn cũng có thể kết hợp các hàm toán học với nhau để thực hiện các tính toán phức tạp trên mảng.
Ví dụ:
import numpy as np arr = np.array([1, 2, 3, 4, 5])
# Tính tổng các phần tử trong mảng sau khi lấy mũ hai
sum_squared = np.sum(np.power(arr, 2))
print("Sum of squares:", sum_squared)Lưu ý rằng đây chỉ là một số ví dụ về cách sử dụng hàm toán học trong NumPy. NumPy cung cấp nhiều hàm toán học khác nhau để phục vụ các nhu cầu tính toán số học và xử lý dữ liệu của bạn.
Xem thêm String trong NumPy
Lợi ích và ứng dụng của hàm toán học trong NumPy
Hàm toán học trong NumPy mang lại nhiều lợi ích và ứng dụng trong việc xử lý dữ liệu và tính toán số học. Dưới đây là một số lợi ích và ứng dụng của hàm toán học trong NumPy:
- Tính toán nhanh chóng và hiệu quả: NumPy sử dụng các thuật toán tối ưu và thao tác trên mảng dữ liệu, cho phép tính toán nhanh chóng và hiệu quả hơn so với việc sử dụng vòng lặp trong Python thuần.
- Xử lý dữ liệu số lớn: Hàm toán học trong NumPy hỗ trợ xử lý dữ liệu số lớn và tính toán trên các mảng đa chiều có kích thước lớn mà không gặp vấn đề về hiệu năng.
- Cung cấp các hàm toán học phổ biến: NumPy cung cấp một bộ các hàm toán học phổ biến như tính trung bình, phương sai, độ lệch chuẩn, tổng, tối đa, tối thiểu, v.v. giúp tiện lợi trong tính toán và phân tích dữ liệu.
- Tích hợp với các thư viện và công cụ khác: NumPy là một thư viện cốt lõi trong hệ sinh thái khoa học dữ liệu của Python, cho phép tích hợp tốt với các thư viện và công cụ khác như Pandas, Matplotlib, Scikit-learn và TensorFlow.
- Ứng dụng trong lĩnh vực khoa học dữ liệu và máy học: Hàm toán học trong NumPy đóng vai trò quan trọng trong các nhiệm vụ như tiền xử lý dữ liệu, trích xuất đặc trưng, huấn luyện mô hình máy học, tính toán biểu đồ và kiểm định thống kê.
- Đơn giản hóa mã nguồn: Sử dụng hàm toán học trong NumPy giúp đơn giản hóa mã nguồn bằng cách thay thế các vòng lặp thông qua các phép toán vector hoá trên mảng dữ liệu.
Với những lợi ích và ứng dụng trên, hàm toán học trong NumPy là một công cụ mạnh mẽ trong việc thực hiện tính toán số học, xử lý dữ liệu và phân tích số liệu trong các dự án khoa học dữ liệu
Xem thêm numpy.random () bằng Python
