Python có một mô-đun mạnh mẽ tên là Numpy. Đồng thời, chuyên môn của nó là Khoa học dữ liệu, được sử dụng theo nhiều cách. Các chức năng tích hợp rất linh hoạt. Vì vậy, chúng tôi cung cấp hướng dẫn cho các phần khác nhau của nó để bạn thực hành. Trong phần này, chúng ta sẽ tìm hiểu về dấu vết numpy. Cơ sở của nó hoạt động trên công việc ma trận, vì vậy một trường mới được giữ bằng python
nội dung
Dấu vết numpy là gì?
ma trận numpy. trace[] , chúng ta có thể tìm tổng của tất cả các phần tử đường chéo của một ma trận bằng cách sử dụng ma trận. phương pháp dấu vết []. Phương thức này trả về tổng dọc theo các đường chéo của mảng. Trả về tổng cùng với đường chéo cho một mảng 2D với phần bù đã cho bằng phương pháp này
Đối với mảng 2 chiều =
00011011AVà nếu chúng ta phải tìm tổng của tất cả các phần tử đường chéo i. e. [A[00] + A[11]] , thì chúng tôi phải sử dụng numpy. dấu vết[]
Theo NumPy. org, khi một mảng có nhiều hơn hai chiều, chúng tôi sử dụng các trục được chỉ định bởi axis1 và axis2. Các trục này xác định các mảng con 2-D, sau đó phương thức tìm dấu vết của chúng. Hình dạng của mảng kết quả giống với hình dạng của a với trục1 và trục2 đã bị xóa
Cú pháp của dấu vết Numpy
Cú pháp với tất cả các tham số là
numpy.trace[arr, offset=0, axis1=0, axis2=1, dtype=None, out
Nhưng chúng ta thường chỉ sử dụng
numpy.trace[arr] #or numpy.matrix.trace[] #if array predeclared using numpy array.trace[]
Các tham số được sử dụng trong Numpy Trace
Tham sốBắt buộc hay khôngma trậnbắt buộcoffsettùy chọntrục1tùy chọntrục2tùy chọndtypetùy chọnra tùy chọnmột. Array_like / ma trận
'a' là tham số chính. Đầu vào này là tất cả những gì đủ để đánh giá—mảng hoặc đối tượng đầu vào. Phương thức kiểm tra các phần tử của mảng. Mảng này được coi là ma trận và được viết dưới dạng đó
bù lại
Độ lệch của đường chéo từ đường chéo chính. Có thể là cả tích cực và tiêu cực. Mặc định là 0
trục1/trục2
Trục thứ nhất và thứ hai của các mảng con 2D là các trục cung cấp các đường chéo cần thiết. Các giá trị mặc định là hai trục đầu tiên của a. Kiểu dữ liệu là int.
gõ
Tham số này xác định kiểu dữ liệu của mảng được trả về và bộ tích lũy tính tổng các mục. Nếu dtype có giá trị None và a có độ chính xác của số nguyên nhỏ hơn độ chính xác của số nguyên mặc định, thì hãy sử dụng độ chính xác của số nguyên mặc định. Mặt khác, độ chính xác giống như độ chính xác của a
ngoài
Kiểu dữ liệu là array_like và tùy chọn sử dụng. Tham số này làm cho mảng đầu ra có cùng kích thước với mảng Đầu vào, được đặt cùng với kết quả. Nó có hình dạng giống như hiệu suất theo kế hoạch và duy trì hình thức của nó. Mảng đặt đầu ra. Tham số bảo toàn loại của nó và nó phải có hình dạng phù hợp để giữ kết quả
Giá trị trả về của dấu vết numpy
Trả về tổng dọc theo các đường chéo của mảng. Ở dạng ndarray như
sum_along_diagonals. Nếu a là 2-D, thì chúng ta có tổng dọc theo đường chéo. Nếu a có kích thước lớn hơn, thì một mảng tổng dọc theo các đường chéo sẽ được trả về
Ví dụ để hiểu
trước tiên chúng tôi nhập numpy như
import numpy as np
sau đó chúng ta tạo một mảng hoặc trực tiếp sử dụng nó với phương thức theo dõi
arr = np.array[[[1.0, 2.0, 3.0], [4.0, 5.0, 6.0], [7.0, 8.0, 9.0]]] arr array[[[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]]] arr.trace[] 15.0 np.trace[arr] 15.0
Bạn có thể nhận được một loại đầu ra khác nếu được thực hiện theo cách sau
arr = = np.matrix['[1,2,3; 4,5,6;7,8,9]'] arr matrix[[[1, 2, 3], [4, 5, 6], [7, 8, 9]]] arr.trace[] [[15]]
một vi dụ khac
a = np.arange[24].reshape[[2,2,2,3]] a array[[[[[ 0, 1, 2], [ 3, 4, 5]], [[ 6, 7, 8], [ 9, 10, 11]]], [[[12, 13, 14], [15, 16, 17]], [[18, 19, 20], [21, 22, 23]]]]] np.trace[a] array[[[18, 20, 22], [24, 26, 28]]] np.trace[a].shape [2, 3]
Bây giờ bạn sẽ hiểu phương pháp theo dõi một cách dễ dàng
Cái gì tiếp theo?
NumPy rất mạnh mẽ và cực kỳ cần thiết cho khoa học thông tin trong Python. Điều đó đúng, nếu bạn quan tâm đến khoa học dữ liệu trong Python, bạn thực sự nên tìm hiểu thêm về Python
Bạn có thể thích các hướng dẫn sau đây của chúng tôi về numpy
- Bần tiện. Thực hiện và tầm quan trọng
- Sử dụng Hàm ngẫu nhiên để tạo dữ liệu ngẫu nhiên
- định hình lại. Định hình lại mảng một cách dễ dàng
- Giải thích chuyên sâu về np. power[] với các ví dụ
- Chức năng kẹp
Phần kết luận
Numpy có nhiều ứng dụng. Phương pháp này rất thú vị để sử dụng và thay đổi nơi sử dụng. Ma trận không phải là chủ đề quá hấp dẫn trong toán học nhưng rất hữu ích trong ML. Trace tối ưu hóa việc sử dụng
Vẫn còn bất kỳ nghi ngờ hoặc câu hỏi nào, hãy cho tôi biết trong phần bình luận bên dưới. Tôi sẽ cố gắng giúp bạn trong thời gian sớm nhất