Działania arytmetyczne element po elemencie
Dodawać, odejmować, mnożyć i dzielić tablice element po elemencie oraz rozumieć, jak NumPy eliminuje potrzebę stosowania jawnych pętli w Pythonie
Działania arytmetyczne element po elemencie to bezpłatna lekcja Pandas & NumPy Academy na CoddyKit. To lekcja 3 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Pandas & NumPy Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Pandas & NumPy Academy zawiera 4 lekcji w sumie.
Problem z pętlami Pythona
Dodawanie list w czystym Pythonie wymaga powolnej pętli. NumPy wykonuje je za pomocą szybkiego kodu C — często od 10 do 100 razy szybciej. Ta technika nazywa się wektoryzacją. ⚡
# Python list approach -- slow
a = [1, 2, 3, 4]
b = [10, 20, 30, 40]
result = [x + y for x, y in zip(a, b)]
print(result) # [11, 22, 33, 44]
# NumPy approach -- fast
import numpy as np
na, nb = np.array(a), np.array(b)
print(na + nb) # [11 22 33 44]Dodawanie i odejmowanie
Operatory + i - działają na tablicach o tym samym kształcie element po elemencie, dopasowując odpowiadające sobie pozycje w jednym szybkim przebiegu.
import numpy as np
a = np.array([10, 20, 30])
b = np.array([1, 2, 3])
print(a + b) # [11 22 33]
print(a - b) # [ 9 18 27]Mnożenie i dzielenie
Operatorów * i / należy używać do mnożenia i dzielenia element po elemencie — należy pamiętać, że * nie oznacza mnożenia macierzy. Dzielenie zawsze zwraca liczby zmiennoprzecinkowe, nawet gdy dane wejściowe są całkowite.
import numpy as np
a = np.array([10, 20, 30])
b = np.array([2, 4, 5])
print(a * b) # [ 20 80 150]
print(a / b) # [5. 5. 6.]
print(a // b) # [5 5 6]
print(a % b) # [0 0 0]Działania na skalarach (wprowadzenie do broadcastingu)
Po dodaniu pojedynczej liczby do tablicy NumPy zastosuje ją do każdego elementu. To najprostszy przykład broadcastingu — świetnie nadaje się do przesuwania lub skalowania danych.
import numpy as np
a = np.array([1, 2, 3, 4, 5])
print(a + 10) # [11 12 13 14 15]
print(a * 2) # [ 2 4 6 8 10]
print(a ** 2) # [ 1 4 9 16 25]
print(a / 10) # [0.1 0.2 0.3 0.4 0.5]Potęgowanie i pierwiastek kwadratowy
Operatora ** należy używać do podnoszenia każdego elementu do potęgi. Do obliczania pierwiastków kwadratowych służy funkcja ufunc np.sqrt — jest zaimplementowana w C i działa szybciej niż pętla w Pythonie.
import numpy as np
a = np.array([1.0, 4.0, 9.0, 16.0])
print(a ** 0.5) # [1. 2. 3. 4.]
print(np.sqrt(a)) # [1. 2. 3. 4.]
print(a ** 2) # [ 1. 16. 81. 256.]Operatory porównania zwracają tablice wartości logicznych
Porównanie tablicy za pomocą >, == lub < zwraca tablicę wartości logicznych True/False — podstawę filtrowania danych.
import numpy as np
a = np.array([3, 7, 2, 9, 1])
print(a > 4) # [False True False True False]
print(a == 2) # [False False True False False]
print(a >= 3) # [ True True False True False]Operatory logiczne na tablicach wartości logicznych
Do łączenia tablic wartości logicznych należy używać symboli &, | i ~ — a nie słów and/or/not. Każdy warunek należy umieścić w nawiasach, aby uniknąć nieoczekiwanych efektów kolejności operatorów.
import numpy as np
a = np.array([3, 7, 2, 9, 1])
mask = (a > 2) & (a < 8)
print(mask) # [ True True False False False]
print(a[mask]) # [3 7]Operacje w miejscu za pomocą +=
Operatory takie jak += zmieniają tablicę w miejscu, oszczędzając pamięć dzięki pominięciu tworzenia nowej kopii. Należy tylko zachować zgodność dtype — w ten sposób nie można dodać 0.5 do tablicy liczb całkowitych.
import numpy as np
a = np.array([1.0, 2.0, 3.0])
a += 10.0
print(a) # [11. 12. 13.]
a *= 2.0
print(a) # [22. 24. 26.]Działania na tablicach 2D
Działania element po elemencie działają tak samo na tablicach 2D: po dodaniu dwóch macierzy o zgodnych kształtach każda komórka jest sumowana z odpowiadającą jej komórką. Nie są potrzebne zagnieżdżone pętle.
import numpy as np
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
print(A + B)
# [[ 6 8]
# [10 12]]
print(A * B) # element-wise, NOT matrix multiply
# [[ 5 12]
# [21 32]]Promocja dtype w działaniach mieszanych
Gdy połączymy dwa typy dtype, NumPy promuje oba do bezpieczniejszego typu, aby nie utracić informacji — int plus float daje float. Należy uważać, ponieważ może to po cichu zwiększyć zużycie pamięci.
import numpy as np
a = np.array([1, 2, 3], dtype=np.int32)
b = np.array([0.5, 1.5, 2.5], dtype=np.float64)
c = a + b
print(c) # [1.5 3.5 5.5]
print(c.dtype) # float64Wartość bezwzględna i znak
Do obliczania wartości bezwzględnych służy np.abs, a np.sign zwraca dla każdego elementu -1, 0 lub +1. Obie funkcje są szybkimi funkcjami ufunc, często używanymi w funkcjach straty i etapach normalizacji.
import numpy as np
a = np.array([-3, 0, 4, -7, 2])
print(np.abs(a)) # [3 0 4 7 2]
print(np.sign(a)) # [-1 0 1 -1 1]Szybki test
Sprawdź swoją wiedzę na temat działań arytmetycznych wykonywanych element po elemencie w NumPy z tego rozdziału.
Podsumowanie rozdziału
Doskonale! NumPy wykonuje działania element po elemencie, bez pętli, skalar jest rozgłaszany na całą tablicę, a porównania zwracają tablice wartości logicznych. Następny temat: wycinanie i indeksowanie.
Często zadawane pytania
Czy lekcja „Działania arytmetyczne element po elemencie” jest bezpłatna?
Tak — pełny tekst „Działania arytmetyczne element po elemencie” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Pandas & NumPy Academy, przejdź na CoddyKit PRO. Kurs Pandas & NumPy Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Działania arytmetyczne element po elemencie”?
Dodawać, odejmować, mnożyć i dzielić tablice element po elemencie oraz rozumieć, jak NumPy eliminuje potrzebę stosowania jawnych pętli w Pythonie Ćwiczysz Pandas & NumPy Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Pandas & NumPy Academy?
Nie wymagamy żadnego doświadczenia. Pandas & NumPy Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 3 z 4.
Ile czasu zajmuje lekcja „Działania arytmetyczne element po elemencie”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Pandas & NumPy Academy?
Tak. Każda lekcja Pandas & NumPy Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Tworzenie tablic NumPy
- Atrybuty tablic i ich inspekcja
- Działania arytmetyczne element po elemencie
- Wycinanie i indeksowanie tablic