在這個程式中，我們必須列印給定範圍內的 numpy 陣列的元素。使用的不同 numpy 函式是 numpy.where() 和 numpy.logical_and()。演算法步驟 1：定義一個 numpy 陣列。步驟 2：使用 np.where() 和 np.logical_and() 查詢給定範圍內的數字。步驟 3：列印結果。示例程式碼import numpy as np arr = np.array([1,3,5,7,10,2,4,6,8,10,36]) print("原始陣列：",arr) result = np.where(np.logical_and(arr>=4, arr<=10)) print("陣列中介於 4 和 10 之間的元素：", arr[result])輸出原始陣列： [ 1 3 5 7 10 2 4 6 8 10 36] 陣列中介於 4 和 10 之間的元素： [ 4 6 8 10 10]

在這個程式中，我們將找到兩個 numpy 陣列的集合差。我們將使用 numpy 庫中的 setdiff1d() 函式。此函式採用兩個引數：array1 和 array2，並返回 array1 中不在 array2 中的唯一值。演算法步驟 1：匯入 numpy。步驟 2：定義兩個 numpy 陣列。步驟 3：使用 setdiff1d() 函式查詢這兩個陣列之間的集合差。步驟 4：列印輸出。示例程式碼import numpy as np array_1 = np.array([2, 4, 6, 8, 10, 12]) print("陣列 1：", array_1) array_2 = np.array([4, 8, 12]) print("陣列 2：", array_2) set_diff = np.setdiff1d(array_1, array_2) print("兩個陣列之間的集合差：", set_diff)輸出陣列 1： [ 2 4 6 8 10 12] 陣列 2： [ 4 8 12] 兩個陣列之間的集合差： [ 2 6 10] ... 閱讀更多

在這個問題中，我們將找到兩個 numpy 陣列之間的交集。兩個陣列的交集是一個數組，其中包含兩個原始陣列中共同的元素演算法步驟 1：匯入 numpy。步驟 2：定義兩個 numpy 陣列。步驟 3：使用 numpy.intersect1d() 函式查詢陣列之間的交集。步驟 4：列印相交元素的陣列。示例程式碼import numpy as np array_1 = np.array([1,2,3,4,5]) print("陣列 1：", array_1) array_2 = np.array([2,4,6,8,10]) print("陣列 2：", array_2) intersection = np.intersect1d(array_1, array_2) print("兩個陣列之間的交集是：", intersection)輸出陣列 1： [1 2 3 4 5] 陣列 2： [2 4 6 8 10] 兩個陣列之間的交集是： [2 4]

在這個問題中，我們必須將向量/陣列新增到 numpy 陣列。我們將定義 numpy 陣列以及向量並將它們相加以獲得結果陣列演算法步驟 1：定義一個 numpy 陣列。步驟 2：定義一個向量。步驟 3：建立一個與原始陣列相同的陣列。步驟 4：將向量新增到原始陣列的每一行。步驟 5：列印結果陣列。示例程式碼import numpy as np original_array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]) print("原始陣列：", original_array) vector = np.array([1, 1, 0]) print("向量：", vector) result_array = original_array + vector print("結果陣列：", result_array)輸出原始陣列： [[ 1 2 3]  [ 4 5 6]  [ 7 8 9]  [10 11 12]] 向量： [1 1 0] 結果陣列： [[ 2 3 3]  [ 5 6 6]  [ 8 9 9]  [11 12 12]] ... 閱讀更多

在這個問題中，我們將分別找到所有行和所有列的總和。我們將使用 sum() 函式獲取總和。演算法步驟 1：匯入 numpy。步驟 2：建立一個 mxn 維度的 numpy 矩陣。步驟 3：獲取所有行的總和。步驟 4：獲取所有列的總和。示例程式碼import numpy as np a = np.matrix('10 20; 30 40') print("我們的矩陣：", a) sum_of_rows = np.sum(a, axis = 0) print("所有行的總和：", sum_of_rows) sum_of_cols = np.sum(a, axis = 1) print("所有列的總和：", sum_of_cols)輸出我們的矩陣： [[10 20]  [30 40]] 所有行的總和： [[40 60]] 所有列的總和： [[30]  [70]] ... 閱讀更多

要獲得線性迴歸圖，我們可以使用 sklearn 的 Linear Regression 類，此外，我們還可以繪製散點圖。步驟使用 np.random.random((20, 1)) 獲取 x 資料。在半開區間 [20, 1) 中返回隨機浮點數。使用 np.random.normal() 方法獲取 y 資料。從正態（高斯）分佈中抽取隨機樣本。獲取普通最小二乘線性迴歸，即模型。擬合線性模型。使用 linspace() 方法在指定區間內返回均勻間隔的數字。使用 predict() 方法使用線性模型進行預測。建立一個新圖形，或啟用一個現有圖形，並使用給定的 figsize 元組 (4, 3)。在當前圖形中新增一個軸，並將其設定為 ... 閱讀更多

在這個程式中，我們將使用 numpy 庫中的 sum() 函式新增 numpy 矩陣的所有項。我們將首先建立一個隨機的 numpy 矩陣，然後獲取所有元素的總和。演算法步驟 1：匯入 numpy。步驟 2：使用 random() 函式建立一個隨機的 m×n 矩陣。步驟 3：使用 sum() 函式獲取矩陣中所有元素的總和。示例程式碼import numpy as np matrix = np.random.rand(3, 3) print("numpy 矩陣是：", matrix) print("矩陣的總和是：", np.sum(matrix))輸出numpy 矩陣是： [[0.66411969 0.43672579 0.48448593]  [0.76110384 0.79519729 0.24998912]  [0.29472162 0.95238005 0.0774752 ]] 矩陣的總和是： 3.676122336855771 ... 閱讀更多

我們將首先建立一個 numpy 矩陣，然後找出該矩陣的行數和列數演算法步驟 1：建立一個隨機數的 numpy 矩陣。步驟 2：使用 numpy.shape 函式查詢矩陣的行和列。步驟 3：列印行數和列數。示例程式碼import numpy as np matrix = np.random.rand(2,3) print(matrix) print("給定矩陣中行和列的總數為：", matrix.shape)輸出[[0.23226052 0.89690884 0.19813164]  [0.85170808 0.97725669 0.72454096]] 給定矩陣中行和列的總數為： (2, 3)

在這個程式中，我們將列印大小為 nxn 的單位矩陣，其中 n 將作為使用者的輸入。我們將使用 numpy 庫中的 identity() 函式，該函式以維度和元素的資料型別作為引數演算法步驟 1：匯入 numpy。步驟 2：從使用者那裡獲取維度作為輸入。步驟 3：使用 numpy.identity() 函式列印單位矩陣。示例程式碼import numpy as np dimension = int(input("輸入單位矩陣的維度：")) identity_matrix = np.identity(dimension, dtype="int") print(identity_matrix)輸出輸入單位矩陣的維度：5 [[1 0 0 0 0]  [0 1 0 0 0]  [0 0 1 0 0]  [0 0 0 1 0]  [0 0 0 0 1]]

我們需要根據使用者提供的範圍建立一個 NumPy 陣列。我們將使用 NumPy 庫中的 `arange()` 函式來獲取輸出。演算法步驟1：匯入 NumPy。步驟 2：從使用者那裡獲取 `start_value`、`end_value` 和 `Step`。步驟 3：使用 NumPy 中的 `arange()` 函式列印陣列。示例程式碼import numpy as np start_val = int(input("請輸入起始值：")) end_val = int(input("請輸入結束值：")) Step_val = int(input("請輸入步長值：")) print(np.arange(start_val, end_val, Step_val))輸出請輸入起始值：5 請輸入結束值：50 請輸入步長值：5 [ 5 10 15 20 25 30 35 40 45]