SciPy - Fungsi Dasar

Secara default, semua fungsi NumPy telah tersedia melalui namespace SciPy. Tidak perlu mengimpor fungsi NumPy secara eksplisit, saat SciPy diimpor. Objek utama NumPy adalah array multidimensi yang homogen. Ini adalah tabel elemen (biasanya angka), semua jenis yang sama, diindeks oleh tupel bilangan bulat positif. Dalam NumPy, dimensi disebut sebagai sumbu. Jumlahaxes disebut sebagai rank.

Sekarang, mari kita merevisi fungsi dasar Vektor dan Matriks di NumPy. Karena SciPy dibangun di atas array NumPy, pemahaman tentang dasar-dasar NumPy diperlukan. Karena sebagian besar bagian aljabar linier hanya berurusan dengan matriks.

Vektor NumPy

Vektor dapat dibuat dengan berbagai cara. Beberapa di antaranya dijelaskan di bawah ini.

Mengonversi objek mirip array Python ke NumPy

Mari kita perhatikan contoh berikut.

import numpy as np
list = [1,2,3,4]
arr = np.array(list)
print arr

Output dari program di atas adalah sebagai berikut.

[1 2 3 4]

Pembuatan NumPy Array Intrinsik

NumPy memiliki fungsi bawaan untuk membuat array dari awal. Beberapa dari fungsi ini dijelaskan di bawah.

Menggunakan nol ()

Fungsi nol (bentuk) akan membuat array berisi nilai 0 dengan bentuk yang ditentukan. Tipe defaultnya adalah float64. Mari kita perhatikan contoh berikut.

import numpy as np
print np.zeros((2, 3))

Output dari program di atas adalah sebagai berikut.

array([[ 0., 0., 0.],
[ 0., 0., 0.]])

Menggunakan ones ()

Fungsi ones (bentuk) akan membuat array yang diisi dengan 1 nilai. Ini identik dengan nol dalam semua hal lainnya. Mari kita perhatikan contoh berikut.

import numpy as np
print np.ones((2, 3))

Output dari program di atas adalah sebagai berikut.

array([[ 1., 1., 1.],
[ 1., 1., 1.]])

Menggunakan arange ()

Fungsi arange () akan membuat array dengan nilai yang bertambah secara teratur. Mari kita perhatikan contoh berikut.

import numpy as np
print np.arange(7)

Program di atas akan menghasilkan keluaran sebagai berikut.

array([0, 1, 2, 3, 4, 5, 6])

Mendefinisikan tipe data dari nilai

Mari kita perhatikan contoh berikut.

import numpy as np
arr = np.arange(2, 10, dtype = np.float)
print arr
print "Array Data Type :",arr.dtype

Program di atas akan menghasilkan keluaran sebagai berikut.

[ 2. 3. 4. 5. 6. 7. 8. 9.]
Array Data Type : float64

Menggunakan linspace ()

Fungsi linspace () akan membuat array dengan sejumlah elemen tertentu, yang akan diberi jarak yang sama antara nilai awal dan akhir yang ditentukan. Mari kita perhatikan contoh berikut.

import numpy as np
print np.linspace(1., 4., 6)

Program di atas akan menghasilkan keluaran sebagai berikut.

array([ 1. , 1.6, 2.2, 2.8, 3.4, 4. ])

Matriks

Matriks adalah larik 2-D khusus yang mempertahankan sifat 2-Dnya melalui operasi. Ia memiliki operator khusus tertentu, seperti * (perkalian matriks) dan ** (daya matriks). Mari kita perhatikan contoh berikut.

import numpy as np
print np.matrix('1 2; 3 4')

Program di atas akan menghasilkan keluaran sebagai berikut.

matrix([[1, 2],
[3, 4]])

Konjugasi Transpos Matriks

Fitur ini mengembalikan transpos konjugasi (kompleks) dari self. Mari kita perhatikan contoh berikut.

import numpy as np
mat = np.matrix('1 2; 3 4')
print mat.H

Program di atas akan menghasilkan keluaran sebagai berikut.

matrix([[1, 3],
        [2, 4]])

Transposisi Matriks

Fitur ini mengembalikan pengalihan diri. Mari kita perhatikan contoh berikut.

import numpy as np
mat = np.matrix('1 2; 3 4')
mat.T

Program di atas akan menghasilkan keluaran sebagai berikut.

matrix([[1, 3],
        [2, 4]])

Saat kami mengubah urutan matriks, kami membuat matriks baru yang barisnya adalah kolom dari aslinya. Transposisi konjugasi, di sisi lain, menukar baris dan indeks kolom untuk setiap elemen matriks. Invers dari suatu matriks adalah matriks yang jika dikalikan dengan matriks aslinya akan menghasilkan matriks identitas.