جلسه شانزدهم از کتاب python data science handbook

جلسه شانزدهم از کتاب مرجع علم داده با استفاده از پایتون

در[29]: np.multiply.accumulate(x)
خروجی[29]: آرایه ([ 1، 2، 6، 24، 120])
توجه داشته باشید که برای این موارد خاص، توابع NumPy اختصاصی برای محاسبه وجود دارد
نتایج (np.sum، np.prod، np.cumsum، np.cumprod)، که در «Aggre‐ بررسی خواهیم کرد.
gations: Min, Max, and Everything in Between” در صفحه 58.
محصولات بیرونی
در نهایت، هر ufunc میتواند خروجی تمام جفتهای دو ورودی مختلف را با استفاده از آن محاسبه کند
روش بیرونی این به شما امکان می دهد در یک خط کارهایی مانند ایجاد یک ضرب-
جدول :
در[30]: x = np.arange(1، 6)
np.multiply.outer(x, x)
Out[30]: آرایه([[ 1, 2, 3, 4, 5],
[2، 4، 6، 8، 10]،
[3، 6، 9، 12، 15]،
[4، 8، 12، 16، 20]،
[5، 10، 15، 20، 25]])
روشهای ufunc.at و ufunc.reduceat که در «فانتزی ایندکس» بررسی خواهیم کرد
ing” در صفحه 78 نیز بسیار مفید هستند.
یکی دیگر از ویژگی های بسیار مفید ufuncs توانایی کار بین آرایه های است
اندازه ها و اشکال مختلف، مجموعه ای از عملیات که به عنوان پخش شناخته می شود. این موضوع است
به اندازه کافی مهم است که ما یک بخش کامل را به آن اختصاص می دهیم (به «محاسبات در
آرایه ها: پخش» در صفحه 63).
Ufuncs: یادگیری بیشتر
اطلاعات بیشتر در مورد توابع جهانی (از جمله لیست کامل عملکردهای موجود
tions) را می توان در وب سایت های اسناد NumPy و SciPy یافت.
به یاد داشته باشید که شما همچنین می توانید مستقیماً از داخل IPython با import- به اطلاعات دسترسی پیدا کنید.
بستهها و استفاده از قابلیت تکمیل تب و کمک (?) IPython، به عنوان
در «راهنما و مستندات در IPython» در صفحه 3 توضیح داده شده است.
تجمعات: حداقل، حداکثر، و همه چیز در بین
اغلب هنگامی که با حجم زیادی از داده ها روبرو می شوید، اولین قدم محاسبه مجموع است.
آمار ماری برای داده های مورد نظر. شاید رایج ترین آمار خلاصه
میانگین و انحراف استاندارد هستند که به شما امکان میدهند مقدار «معمولی» را خلاصه کنید.
در یک مجموعه داده استفاده می شود، اما سایر مجموعه ها نیز مفید هستند (مجموع، محصول، میانه،
حداقل و حداکثر، چندک و غیره).
58 | فصل 2: مقدمه ای بر NumPy
NumPy دارای توابع تجمع سریع داخلی برای کار بر روی آرایه ها است. بحث خواهیم کرد
و برخی از آنها را در اینجا نشان دهید.
جمع کردن مقادیر در یک آرایه
به عنوان یک مثال سریع، محاسبه مجموع همه مقادیر در یک آرایه را در نظر بگیرید. پایتون
خودش می تواند این کار را با استفاده از تابع جمع داخلی انجام دهد:
در[1]: numpy را به عنوان np وارد کنید
در [2]: L = np.random.random(100)
جمع (L)
خروجی[2]: 55.61209116604941
نحو کاملاً شبیه تابع جمع NumPy است و نتیجه یکسان است
در ساده ترین حالت:
در[3]: np.sum(L)
خروجی[3]: 55.612091166049424
با این حال، به دلیل اینکه عملیات را در کد کامپایل شده اجرا می کند، نسخه NumPy از آن
عملیات بسیار سریعتر محاسبه می شود:
در [4]: big_array = np.random.rand(1000000)
%timeit sum (big_array)
%timeit np.sum(big_array)
10 حلقه، بهترین از 3: 104 میلی ثانیه در هر حلقه
1000 حلقه، بهترین از 3: 442 میکرو ثانیه در هر حلقه
اما مراقب باشید: تابع sum و تابع np.sum یکسان نیستند، که
گاهی اوقات می تواند منجر به سردرگمی شود! به ویژه، آرگومان های اختیاری آنها متفاوت است.
ent معانی، و np.sum از چند بعد آرایه آگاه است، همانطور که در آن خواهیم دید
بخش زیر
حداقل و حداکثر
به طور مشابه، پایتون دارای توابع min و max داخلی است که برای یافتن مقدار حداقل استفاده می شود
و حداکثر مقدار هر آرایه داده شده:
در [5]: min(big_array)، max(big_array)
خروجی[5]: (1.1717128136634614e-06، 0.9999976784968716)
توابع مربوطه NumPy دارای نحو مشابهی هستند و دوباره بسیار بیشتر عمل می کنند
به سرعت