Operaciones de matriz numpy

Hoy, aprendemos qué operaciones realizamos en matrices numpy y cómo realizar estas operaciones. Este tutorial será útil si ya está familiarizado con los conceptos básicos de Python y quiere comenzar a usar Numpy.

Numpy es la Biblioteca Avanzada de Programación de Python. La característica principal de Numpy es que ofrece trabajar con matrices multidimensionales y una velocidad sobresaliente, así como capacidades para interactuar con estas matrices.

Numpy se utiliza para realizar las operaciones lógicas y matemáticas. Podemos realizar múltiples operaciones en matrices que son:

• Operaciones aritmeticas
• Operaciones lógicas
• Operaciones de comparación

Operaciones aritmeticas

Podemos realizar múltiples operaciones en matrices numpy donde podemos sumar, restar, multiplicar y dividir las dos matrices; Estas operaciones se llaman operaciones aritméticas. Se requieren al menos dos matrices para las operaciones aritméticas, y deben tener el mismo tamaño o seguir las reglas para la transmisión de la matriz.

Sintaxis:

Veamos la sintaxis de la operación aritmética de la biblioteca de Python, Numpy. Aquí, primero escribimos el nombre de la biblioteca que usamos, que es "Numpy". Luego, llamamos a la función de la operación aritmética que queremos realizar como add (), sub (), mul () y div (). Y luego, pasamos los parámetros a esa función.

Ejemplo:

Pasemos al ejemplo de operaciones aritméticas que suman, restan, multiplican y dividen. Veamos cómo implementar estas operaciones en matrices numpy. Abra su compilador de Python para la implementación del programa aritmético.

El primer paso y básico es importar la biblioteca de Python, que es Numpy. Primero, escribimos la palabra clave "Importar" que muestra que vamos a importar la biblioteca. Luego, escribimos el nombre de la biblioteca que es "Numpy". Y luego, escribimos el alias numpy, "NP". En la tercera línea de código, usamos la instrucción print () para que podamos mostrar el mensaje de que vamos a implementar las operaciones aritméticas. Luego, en la siguiente línea, llamamos a la función Numpy Arange () para la creación de Array1 y pasamos los argumentos en ella.

El primer argumento es el elemento inicial de Array1. El segundo argumento es el elemento paralizado, pero tenga en cuenta que no podemos incluir el elemento de detención en Array1. Y el tercer argumento es cuánta diferencia debemos tomar para obtener el siguiente elemento de Array1; dtype significa qué tipo de datos queremos (como int, float, etc.) para Array1.

En esta línea, usamos otra función aplicando la concatenación que es la función de reashape (). Esta función se usa para dar forma al Array1. Aquí tenemos 2 filas y 4 columnas de la matriz. Luego, creamos otra matriz que es Array2 usando la misma función que usamos para Array1 pero no usamos la función Reshape () en la matriz 2 porque no queremos dar forma a la matriz. Después de la creación de ambas matrices, imprimimos la matriz1 y la matriz2 usando la instrucción print () y pasamos las matrices en ella.

importar numpy como np
Imprimir ("Implementación de operaciones artimáticas: \ n")
Array1 = NP.Arange (40, 96, 7, dtype = int).remodelar (2,4)
imprimir ("La primera matriz es", Array1.ndim, "dimensional: \ n", array1)
array2 = np.Arange (5, 20, 4, dtype = int)
imprimir ("\ nthe Second Array es", Array2.ndim, "dimensional: \ n", array2)
add = np.Agregar (Array1, Array2)
Imprimir ("\ Nadding las dos matrices: \ n", agregar)
sub = NP.Restar (Array1, Array2)
Imprimir ("\ nsubtratando las dos matrices: \ n", sub)
mul = np.Multiplicar (Array1, Array2)
imprimir ("\ nmultipling las dos matrices: \ n", mul)
div = np.Divide (Array1, Array2)
Imprimir ("\ nidividing las dos matrices: \ n", div)

Después de crear ambas matrices, llamamos a las funciones aritméticas una por una. Primero, llamamos a la función add () para la adición de Array1 y Array2. Luego, llamamos a la función sub () para que podamos restar a Array2 de Array1. A continuación, llamamos a la función mul () para la multiplicación de ambas matrices. Por último, tenemos la función div () que divide ambas matrices y obtenemos el cociente. Luego imprimimos todas las funciones usando la instrucción print () y pasamos los parámetros en ella.

Aquí está el resultado de este ejemplo explicado en el que obtenemos el resultado de las operaciones aritméticas:

Operaciones lógicas

Ahora, pasemos a la segunda operación de la biblioteca Numpy, que es la operación lógica. Utilizamos la operación lógica para obtener el verdadero valor de las matrices numpy como los valores de la verdad booleana. Implementamos las operaciones lógicas a través de funciones numpy que son lógicas_and (), lógicas_or () y lógicas_not () funciones.

Sintaxis:

Veamos el estilo de escritura de la operación lógica de la biblioteca de Python, Numpy. Primero, escribimos el nombre de la biblioteca que usamos en este programa que es Numpy. Luego, escribimos el nombre de la función del operador lógico que usamos y luego pasamos los argumentos en él.

Ejemplo:

Comencemos a implementar el ejemplo de las operaciones lógicas de Python-Numpy que son lógicas_and (), lógicas y lógicas_not.

Importamos la Biblioteca de Python que usamos en este programa que es Numpy. Luego, creamos la matriz aleatoria 1-dimensional utilizando la función numpy randn () y pasamos dos parámetros en ella. El primer parámetro muestra el número de filas de la matriz. El segundo parámetro muestra el número de columnas de la matriz. En la sexta línea de código, llamamos a la instrucción print () y pasamos la función lógica_and () en él. Luego, en la siguiente línea, pasamos la función lógica_or () y luego las funciones lógicas_not () en ella.

importar numpy como np
arr = np.aleatorio.Randn (2, 2)
imprimir ("La matriz aleatoria es: \ n", arr)
imprimir ('\ nthe resultado de y es: \ n', np.lógico_and (arr> 0, arr < 0.5))
imprimir ('\ nthe resultado o es: \ n', np.lógico_or (arr < 0, arr > 0.5))
Imprimir ('\ ntEl resultado de no es: \ n', np.lógico_not (arr> 0))

Aquí está la salida del fragmento de código mencionado anteriormente. Como puede ver, obtenemos la matriz aleatoria utilizando la función randn () y aplicamos las múltiples operaciones lógicas:

Operaciones de comparación

Ahora, tenemos la tercera operación de matrices numpy, que es la operación de comparación. En esta operación, comparamos la matriz con cualquier número y verificamos si es verdadero o falso. Realizamos las operaciones de comparación múltiple en matrices numpy que son>, =, <=, =, != etc.

Sintaxis:

Aquí está la sintaxis de las operaciones de comparación en matrices numpy:

Ejemplo:

Ahora, pasemos al ejemplo de operaciones de comparación. Primero, importamos la biblioteca de Python que es numpy. Luego, creamos una matriz numpy aleatoria usando la función randint () para crear la matriz aleatoria entera de 1 a 20. El tamaño de la matriz es de 1 fila y 3 columnas. Luego, llamamos a la instrucción print () y pasamos las operaciones de comparación en ella. Las funciones que realizamos en este ejemplo son mayores (), greater_equal (), menos (), menos_equal (), igual () y no_equal ().

importar numpy como np
arr = np.aleatorio.randint (1, 8, tamaño = (1, 3))
imprimir ("La matriz de entrada es: \ n", arr)
Imprimir ("\ ngreater que es: \ n", np.mayor (arr, 5))
Imprimir ("\ ngreater que o igual a 5: \ n", np.Greater_equal (arr, 5))
imprimir ("\ nless que 5: \ n", np.Menos (arr, 5))
imprimir ("\ nless que o igual a 5: \ n", np.menos_equal (arr, 5))
Imprimir ("\ Nqual a 5: \ n", NP.igual (arr, 5))
imprimir ("\ nnot igual a 5: \ n", np.no_equal (arr, 5))

Aquí está el resultado de las operaciones de comparación:

Conclusión

En este artículo, aprendimos qué operaciones podemos realizar en matrices Numpy, cómo implementar estas operaciones en matrices numpy y qué funciones utilizamos para implementar estas operaciones de Numpy. Implementamos ejemplos de cada operación de matrices numpy y utilizamos las diferentes funciones para crear la matriz en estos ejemplos.