Vì numpy là thư viện được sử dụng thường xuyên nên nó thường được khai báo thu gọn lại như trên
c = np.eye[3] # Create a 3 x 3 identity matrix
print[c] # Prints "[[ 1. 0. 0.]
# [ 0. 1. 0.]
# [ 0. 0. 1.]]"
c = np.eye[3] # Create a 3 x 3 identity matrix
print[c] # Prints "[[ 1. 0. 0.]
# [ 0. 1. 0.]
# [ 0. 0. 1.]]"
Theo định nghĩa trên trang chủ của Numpy
"NumPy là gói cơ bản cho điện toán khoa học bằng Python. Nó là một thư viện Python cung cấp đối tượng mảng đa chiều, các đối tượng dẫn xuất khác nhau [chẳng hạn như mảng bị che và ma trận] và một loạt các quy trình cho các thao tác nhanh trên mảng, bao gồm thao tác toán học, logic, hình dạng, sắp xếp, chọn, I/O . // tài liệu. scipy. org/doc/numpy-1. 10. 1/người dùng/whatisnumpy. html.
-//docs.scipy.org/doc/numpy-1.10.1/user/whatisnumpy.html.
Bạn có thể hiểu đơn giản. NumPy [Numeric Python] là thư viện cốt lõi cho tính toán khoa học trong Python. Nó cung cấp một đối tượng mảng có hiệu suất cao và các công cụ để làm việc với các mảng này
Hãy xem qua một ví dụ cho thấy NumPy mạnh như thế nào. Giả sử chúng ta có hai danh sách a và b, bao gồm 100. 000 số không âm thanh đầu tiên và chúng tôi muốn tạo một danh sách c mới có phần tử thứ i là a[i] + 2 * b[i]
Cách tiếp cận sẽ được chạy hai vòng lặp lồng nhau cho đến khi hết độ dài của danh sách đã cho. Vòng lặp ngoài i đi từ 0 đến độ dài của danh sách và vòng lặp bên trong đi từ 0 đến i. Cần thêm 1 vào độ dài vì phạm vi chỉ đi từ 0 đến i-1. Để lấy mảng con, chúng ta có thể sử dụng phép cắt để lấy mảng con.
Bước 1. Chạy một vòng lặp cho đến khi độ dài + 1 của danh sách đã cho.
Bước 2. Chạy một vòng lặp khác từ 0 đến i.
Bước 3. Cắt mảng con từ j đến i.
Bước 4. Nối nó vào một danh sách khác để lưu trữ nó
Bước 5. In nó ở cuối
Dưới đây là triển khai Python của phương pháp trên
con trăn
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]3
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]4
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]5
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]6
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]7
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]8
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]9
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]0
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]1
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]8
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]3
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]4
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]5
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]6
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]7
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]8
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]9
c = np.eye[3] # Create a 3 x 3 identity matrix
print[c] # Prints "[[ 1. 0. 0.]
# [ 0. 1. 0.]
# [ 0. 0. 1.]]"
c = np.eye[3] # Create a 3 x 3 identity matrix
print[c] # Prints "[[ 1. 0. 0.]
# [ 0. 1. 0.]
# [ 0. 0. 1.]]"
c = np.eye[3] # Create a 3 x 3 identity matrix
print[c] # Prints "[[ 1. 0. 0.]
# [ 0. 1. 0.]
# [ 0. 0. 1.]]"
c = np.eye[3] # Create a 3 x 3 identity matrix
print[c] # Prints "[[ 1. 0. 0.]
# [ 0. 1. 0.]
# [ 0. 0. 1.]]"
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]3
c = np.eye[3] # Create a 3 x 3 identity matrix
print[c] # Prints "[[ 1. 0. 0.]
# [ 0. 1. 0.]
# [ 0. 0. 1.]]"
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]5
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]6
c = np.eye[3] # Create a 3 x 3 identity matrix
print[c] # Prints "[[ 1. 0. 0.]
# [ 0. 1. 0.]
# [ 0. 0. 1.]]"
c = np.eye[3] # Create a 3 x 3 identity matrix
print[c] # Prints "[[ 1. 0. 0.]
# [ 0. 1. 0.]
# [ 0. 0. 1.]]"
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]30
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]8
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]32
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]9
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]34
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]35
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]0
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]37
c = np.eye[3] # Create a 3 x 3 identity matrix
print[c] # Prints "[[ 1. 0. 0.]
# [ 0. 1. 0.]
# [ 0. 0. 1.]]"
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]39
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]40
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]39
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]42
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]43
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]44____445
đầu ra.
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]
Cách tiếp cận #2.
Cách tiếp cận sẽ sử dụng cho vòng lặp và chức năng kết hợp. Vòng lặp for được sử dụng để lặp cho đến hết độ dài của danh sách, điều này hữu ích cho việc tạo danh sách con có độ dài thứ i thay đổi. Với mỗi chức năng kết hợp lặp lại, tạo ra sự kết hợp có thể có của danh sách với độ dài thứ i.
Python3
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]3
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]4
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]48
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]49
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]50
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]51
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]5
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]6
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]7
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]8
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]56
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]8
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]58
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]0
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]60
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]8
_______48____463
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]8
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]3
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]4
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]5
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]6
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]7
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]8
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]9
c = np.eye[3] # Create a 3 x 3 identity matrix
print[c] # Prints "[[ 1. 0. 0.]
# [ 0. 1. 0.]
# [ 0. 0. 1.]]"
c = np.eye[3] # Create a 3 x 3 identity matrix
print[c] # Prints "[[ 1. 0. 0.]
# [ 0. 1. 0.]
# [ 0. 0. 1.]]"
c = np.eye[3] # Create a 3 x 3 identity matrix
print[c] # Prints "[[ 1. 0. 0.]
# [ 0. 1. 0.]
# [ 0. 0. 1.]]"
c = np.eye[3] # Create a 3 x 3 identity matrix
print[c] # Prints "[[ 1. 0. 0.]
# [ 0. 1. 0.]
# [ 0. 0. 1.]]"
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]76
c = np.eye[3] # Create a 3 x 3 identity matrix
print[c] # Prints "[[ 1. 0. 0.]
# [ 0. 1. 0.]
# [ 0. 0. 1.]]"
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]58
c = np.eye[3] # Create a 3 x 3 identity matrix
print[c] # Prints "[[ 1. 0. 0.]
# [ 0. 1. 0.]
# [ 0. 0. 1.]]"
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]0
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]37
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]82
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]83
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]3
c = np.eye[3] # Create a 3 x 3 identity matrix
print[c] # Prints "[[ 1. 0. 0.]
# [ 0. 1. 0.]
# [ 0. 0. 1.]]"
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]5
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]87
c = np.eye[3] # Create a 3 x 3 identity matrix
print[c] # Prints "[[ 1. 0. 0.]
# [ 0. 1. 0.]
# [ 0. 0. 1.]]"
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]39
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]40
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]39
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]42
[[], [1], [2], [1, 2], [3], [2, 3], [1, 2, 3]]93