Rate this post

Hàm numpy.sum () có sẵn trong gói NumPy của Python. Hàm này được sử dụng để tính tổng của tất cả các phần tử, tổng của mỗi hàng và tổng của mỗi cột của một mảng nhất định.

Các bài viết liên quan:

Về cơ bản, điều này tổng hợp các phần tử của một mảng, lấy các phần tử trong một ndarray và cộng chúng lại với nhau. Cũng có thể thêm các phần tử hàng và cột của một mảng. Đầu ra sẽ ở dạng một đối tượng mảng.

Tóm tắt nội dung

Cú pháp của numpy.sum ()

Có cú pháp sau của hàm numpy.sum ():

numpy.sum (arr, axis = None, dtype = None, out = None, keepdims = <no value>, initial = <no value>)

Tham số

1) arr: array_like

Đây là một ndarray. Đây là mảng nguồn có các phần tử mà chúng ta muốn tính tổng. Tham số này rất cần thiết và đóng một vai trò quan trọng trong hàm numpy.sum ().

2) axis: int hoặc None hoặc nhiều int (tùy chọn)

Tham số này xác định trục mà một tổng được thực hiện dọc theo. Trục mặc định là Không, trục này sẽ tính tổng tất cả các phần tử của mảng. Khi trục âm, nó tính từ trục cuối cùng đến trục đầu tiên. Trong phiên bản 1.7.0, một tổng được thực hiện trên tất cả các trục được chỉ định trong bộ giá trị thay vì một trục đơn hoặc tất cả các trục như trước đây khi một trục là một bộ số nguyên.

3) dtype: loại dtype (tùy chọn)

Tham số này xác định kiểu của bộ tích lũy và mảng được trả về trong đó các phần tử được tính tổng. Theo mặc định, loại arr được sử dụng trừ khi arr có loại số nguyên có độ chính xác thấp hơn số nguyên nền tảng mặc định. Trong trường hợp như vậy, khi arr được ký, thì số nguyên nền tảng được sử dụng và khi arr không có dấu, thì số nguyên không dấu có cùng độ chính xác với số nguyên nền tảng được sử dụng.

4) out: ndarray (tùy chọn)

Tham số này xác định mảng đầu ra thay thế trong đó kết quả sẽ được đặt. Mảng kết quả này phải có cùng hình dạng với đầu ra mong đợi. Loại giá trị đầu ra sẽ được ép kiểu, khi cần thiết.

5) keepdims: bool (option)

Tham số này xác định một giá trị Boolean. Khi tham số này được đặt thành True, trục được giảm xuống được để lại trong kết quả là các kích thước có kích thước là một. Với sự trợ giúp của tùy chọn này, kết quả sẽ được phát chính xác so với mảng đầu vào. Các keepdim sẽ không được chuyển cho phương thức tổng của các lớp con của một mảng ndarray, khi giá trị mặc định được chuyển, nhưng không phải trong trường hợp giá trị không phải là giá trị mặc định. Nếu phương thức lớp con không triển khai keepdims, thì bất kỳ ngoại lệ nào cũng có thể được đưa ra.

6) initial: vô hướng

Tham số này xác định giá trị bắt đầu cho tổng.

Xem thêm having trong sql là gì ?

Return của hàm numpy.sum ()

Hàm này trả về một mảng có cùng hình dạng với arr với trục được chỉ định đã bị loại bỏ. Khi arr là một mảng 0-d hoặc khi trục là Không, một đại lượng vô hướng được trả về. Một tham chiếu đến out được trả về, khi một đầu ra mảng được chỉ định.

Ví dụ 1: numpy.array ()

import numpy as np  
a=np.array([0.4,0.5])  
b=np.sum(a)  
b

Output:

Trong đoạn code trên

Chúng tôi đã tạo một mảng ‘a’ bằng hàm np.array ().
Chúng ta đã khai báo biến ‘b’ và gán giá trị trả về của hàm np.sum ().
Chúng tôi đã chuyển mảng ‘a’ trong hàm.
Cuối cùng, chúng tôi đã cố gắng in giá trị của b.

Trong đầu ra, tổng của tất cả các phần tử của mảng đã được hiển thị.

Ví dụ 2:

import numpy as np  
a=np.array([0.4,0.5,0.9,6.1])  
x=np.sum(a, dtype=np.int32)  
x

Output:

Trong đoạn code trên

Chúng tôi đã tạo một mảng ‘a’ bằng hàm np.array ().
Chúng tôi đã khai báo biến ‘x’ và gán giá trị trả về của hàm np.sum ().
Chúng ta đã chuyển mảng ‘a’ và kiểu dữ liệu int32 vào trong hàm.
Cuối cùng, chúng tôi đã cố gắng in giá trị của x.

Trong đầu ra, chỉ tổng của các số nguyên, không phải giá trị dấu phẩy động đã được hiển thị.

Ví dụ 3:

import numpy as np  
a=np.array([[1,4],[3,5]])  
b=np.sum(a)  
b

Output:

Ví dụ 4:

import numpy as np  
a=np.array([[1,4],[3,5]])  
b=np.sum(a,axis=0)  
b

Trong đoạn code trên

Chúng tôi đã tạo một mảng ‘a’ bằng hàm np.array ().
Chúng ta đã khai báo biến ‘b’ và gán giá trị trả về của hàm np.sum ().
Chúng ta đã chuyển mảng ‘a’ và axis = 0 trong hàm.
Cuối cùng, chúng tôi đã cố gắng in giá trị của b.

Trong đầu ra, tổng của các phần tử cột đã được tính toán tương ứng.

Output:

Ví dụ 5:

import numpy as np  
a=np.array([[1,4],[3,5]])  
b=np.sum(a,axis=1)  
b

Output:

Ví dụ 6:

import numpy as np  
b=np.sum([15], initial=8)  
b

Output:

Trong đoạn code trên

Chúng ta đã khai báo biến ‘b’ và gán giá trị trả về của hàm np.sum ().
Chúng tôi đã chuyển số phần tử và giá trị ban đầu trong hàm.
Cuối cùng, chúng tôi đã cố gắng in giá trị của b.

Trong đầu ra, giá trị ban đầu đã được thêm vào phần tử cuối cùng trong dãy phần tử và sau đó thực hiện tính tổng của tất cả các phần tử.

Xem thêm Định lý cộng trong xác suất

Ứng dụng thực tế của hàm numpy.sum()

Hàm numpy.sum() trong thư viện NumPy của Python có nhiều ứng dụng thực tế hữu ích. Dưới đây là một số ví dụ về cách hàm này có thể được sử dụng:

Tính tổng các điểm số: Hàm numpy.sum() có thể được sử dụng để tính tổng các điểm số trong một bảng điểm, một tập dữ liệu hoặc một mảng. Ví dụ: tính tổng điểm số của mỗi sinh viên trong một lớp học.
Xử lý dữ liệu khoa học: Trong các phân tích dữ liệu khoa học, việc tính tổng các giá trị có thể được sử dụng để tính tổng mật độ điện tích, tổng lượng chất, tổng năng lượng và nhiều tính toán khác.
Thống kê: Hàm numpy.sum() cũng được sử dụng rộng rãi trong các phép toán thống kê. Ví dụ: tính tổng các giá trị trong một mẫu, tính tổng các giá trị trong một phân phối, tính tổng các giá trị trong một cụm dữ liệu.
Xử lý hình ảnh: Trong xử lý hình ảnh, hàm numpy.sum() có thể được sử dụng để tính tổng các giá trị pixel trong một kênh màu, tính tổng độ tương phản hoặc tính tổng các chỉ số đo lường khác.
Machine Learning và Data Science: Hàm numpy.sum() thường được sử dụng trong quá trình tính toán và xử lý dữ liệu trong các thuật toán Machine Learning và Data Science. Ví dụ: tính tổng các giá trị đặc trưng, tính tổng các lỗi, tính tổng các trọng số.
Tính toán tài chính: Hàm numpy.sum() có thể được sử dụng để tính tổng giá trị của các giao dịch tài chính, tổng lợi nhuận hoặc tổng số tiền gửi/trả trong các bài toán tài chính.

Trên đây là một số ví dụ về ứng dụng thực tế của hàm numpy.sum(). Hàm này đóng vai trò quan trọng trong việc tính toán tổng các giá trị và thực hiện các phép toán tổng hợp trong nhiều lĩnh vực khác nhau.

Xem thêm Data Generalization sử dụng Attribute-Oriented Induction

Lưu ý khi sử dụng hàm numpy.sum()

Khi sử dụng hàm numpy.sum() trong thư viện NumPy, có một số lưu ý quan trọng sau đây:

Kiểu dữ liệu: Hàm numpy.sum() trả về kết quả dưới dạng một số nguyên hoặc số thực, tùy thuộc vào kiểu dữ liệu của mảng đầu vào. Đảm bảo rằng kiểu dữ liệu của mảng là phù hợp để tránh mất mát dữ liệu không mong muốn hoặc sai sót trong tính toán.
Trục tính toán: Tham số axis trong hàm numpy.sum() xác định trục hoặc trục mà bạn muốn tính tổng theo. Chắc chắn rằng bạn đã chỉ định đúng trục để tính toán kết quả chính xác. Nếu không chỉ định, mảng sẽ được làm phẳng và tính tổng của tất cả các phần tử sẽ được tính.
Giá trị NaN: Hàm numpy.sum() xử lý giá trị NaN (Not a Number) bằng cách bỏ qua chúng trong quá trình tính toán tổng. Điều này có thể ảnh hưởng đến kết quả nếu bạn có giá trị NaN trong mảng. Đảm bảo làm rõ xử lý giá trị NaN theo yêu cầu của bài toán.
Hiệu suất: Nếu bạn làm việc với các mảng lớn hoặc cần tính toán tổng nhiều lần, hãy cân nhắc về hiệu suất. Hàm numpy.sum() có thể được thay thế bằng các phương pháp tính tổng khác như numpy.add.reduce(), numpy.einsum() hoặc numpy.sum(axis=0) để tối ưu hóa hiệu suất tính toán.
Kiểm tra kích thước: Trước khi sử dụng hàm numpy.sum(), hãy đảm bảo kiểm tra kích thước và hình dạng của mảng để đảm bảo tính nhất quán và chính xác của kết quả.

Lưu ý những yếu tố trên giúp bạn sử dụng hàm numpy.sum() một cách chính xác và hiệu quả trong các tác vụ tính toán tổng giá trị trong mảng NumPy.

Xem thêm Lệnh tổng hợp MongoDB

Numpy

Hàm numpy.sum () trong python và cách sử dụng

Cú pháp của numpy.sum ()

Return của hàm numpy.sum ()

Ứng dụng thực tế của hàm numpy.sum()

Lưu ý khi sử dụng hàm numpy.sum()

Để lại một bình luận Hủy