#4 Machine Learning - Who use me??? My name is Numpy (ai sử dụng tôi??? tên tôi là Numpy)

Có thể bạn thích

Để tiếp nối bài blog về cách sử dụng NUMPY trước, tôi sẽ tiếp tục giới thiệu cho các bạn một vài câu lệnh để tận dụng anh chàng này một cách hiệu quả hơn trong việc tính toán và sử lý dưới dạng mảng. Điều này có vẽ gò bó anh ta quá vì NUMPY còn có thể làm nhiều việc thú vị hơn thế này.

Điều đầu tiên, không thể thiếu là gọi thự viện:

import numpy as np

NUMPY có một cánh tay vô cùng đắc lực chính là ARANGE:

- Tạo ra một mảng với các số nguyên bắt đầu từ "0" đến "n-1":

a = np.arange(4) #np.arange(n)
>>> array([0, 1, 2, 3])

- Tạo mảng với các số nguyên bắt đầu từ "m" đến "n-1":

a = np.arange(4, 9) #np.arange(m, n-1)
>>> array([4, 5, 6, 7, 8])

- Tạo mảng bắt đầu từ "a" tăng dần theo "d" đơn vị nhưng luôn nhỏ hơn "b":

a = np.arange(1, 9, 2) #np.arange(a,b,d)
>>> array([1, 3, 5, 7])

- Tạo mảng bắt đầu từ "a" giảm dần "d" đơn vị (d<0) nhưng luôn lớn "b":

a = np.arange(15, 9, -2) #np.arange(a,b,d)
>>> array([15, 13, 11])

Tiếp theo là cách đọc tưng phân tử trong mảng (công cụ quen thuộc "[]"):

- Lấy ra một phần tử trong mảng, thay thế nó bằng một giá trị khác cùng kiểu dữ liệu:

a = np.array([15, 13, 11]) #np.arange(a,b,d)
print (a[0])
>>> 15
print (a[-1]) #truy cập ngược lại bằng giá trị âm
>>> 11
a[0] = 9
>>> array([9, 13, 11])

Đọc phần tử trong mảng:

- Đọc bằng các giá trị của mảng khác:

a = 0.5*np.arange(10)
>>> array([0. , 0.5, 1. , 1.5, 2. , 2.5, 3. , 3.5, 4. , 4.5])
b = ([1, 4, 5, 6]) #bạn có thể tạo mảng bằng cách này
a[b] #đọc các phần tử của mảng tại các vị trí do phần tử mảng b quy định
>>> array([0.5, 2. , 2.5, 3. ])

Thư viện NUMPY cũng như thư viện MATH hổ trợ khá nhiều phép toán (tôi có giới thiệu ở bài trước): các hàm toán học như "np.sin, np.cos, np.tan, np.exp, np.log, np.abs, ..."

a = np.array([1, 2, 3])
np.exp(a) #tức là lũy thừa của e
>>> array([ 2.71828183,  7.3890561 , 20.08553692])
np.log(a) #tức là logarit thập phân của các phần tử trong a
>>> array([0. , 0.69314718, 1.09861229])

Có lẽ đã đến lúc thực hiện các phép tính với vector bằng NUMPY để cho các bạn thấy khả năng của nó trong việc sử lý và thực hiện:

- Hổ trợ hàm tính "tích vô hướng":

a = np.arange(4) 
b = np.ones_like(a)
np.sum(a*b) #cách 1>
>>> 6
np.dot(a,b) #cách 2
>>> 6
a.dot(b)
>>> 6 

Tìm min, max, vị trí min, max trong mảng một cách dể dàng:

- Tìm giá trị min, max:

a = np.array([2, 5, 1, 7, 8, 0])<
np.min(a)
>>> 0
a.min()
>>> 0
np.max(a)
>>> 8
a.max()
>>> 8 

- Tìm vị trị của giá trị min, max:

a = np.array([2, 5, 1, 7, 8, 0])
np.argmin(a)
>>> 5
a.argmin()
>>> 5
np.argmax(a)
>>> 4 
a.argmax()
>>> 4

Cảm ơn các bạn đã theo dõi và đọc hết bài viết, bạn đã tiêu hóa trọn vẹn ổ bánh mì chưa, hãy để lại comment bên dưới nhé !!! :)))