NUMPY
CÁC CHỦ ĐỀ
BÀI MỚI NHẤT
MỚI CẬP NHẬT

Thông báo: Download 4 khóa học Python từ cơ bản đến nâng cao tại đây.

Cách sử dụng hàm add() trong NumPy

Trong bài viết này, bạn sẽ học cách sử dụng hàm numpy add() hoặc toán tử + để thực hiện phép cộng từng phần tử của hai mảng có kích thước bằng nhau. Phép cộng từng phần tử này giúp bạn dễ dàng thao tác và tính toán trên các mảng số liệu một cách hiệu quả và linh hoạt. Qua các ví dụ minh họa, bạn sẽ thấy cách áp dụng hàm add() và toán tử + trong các trường hợp cụ thể, từ mảng một chiều đến mảng hai chiều.

test php

banquyen png
Bài viết này được đăng tại freetuts.net, không được copy dưới mọi hình thức.

Giới thiệu về hàm add() trong NumPy

Hàm numpy.add() trong thư viện NumPy của Python được sử dụng để thực hiện phép cộng phần tử theo phần tử giữa các mảng. Hàm này cho phép cộng hai mảng với nhau và trả về một mảng mới, trong đó mỗi phần tử là tổng của các phần tử tương ứng từ hai mảng đầu vào.

Dưới đây là cú pháp cơ bản của hàm numpy.add():

numpy.add(x1, x2, out=None, where=True, casting='same_kind', order='K', dtype=None, subok=True, *, signature=None, extobj=None)

Tham số

Bài viết này được đăng tại [free tuts .net]

  • x1, x2: Các mảng đầu vào cần cộng. Chúng phải có cùng kích thước hoặc có thể broadcast được với nhau.
  • out: (Tùy chọn) Mảng đích để lưu kết quả. Nếu được cung cấp, nó phải có cùng hình dạng như các mảng đầu vào.
  • where: (Tùy chọn) Mảng boolean cùng kích thước với x1 và x2, xác định các vị trí thực hiện phép cộng. Nếu không được cung cấp, phép cộng sẽ thực hiện trên toàn bộ các phần tử.
  • casting: (Tùy chọn) Điều khiển loại casting. Các giá trị hợp lệ là 'no', 'equiv', 'safe', 'same_kind', và 'unsafe'.
  • order: (Tùy chọn) Điều khiển thứ tự lưu trữ của kết quả. Các giá trị hợp lệ là 'C', 'F', 'A', và 'K'.
  • dtype: (Tùy chọn) Kiểu dữ liệu mong muốn của mảng kết quả.
  • subok: (Tùy chọn) Nếu True, các mảng con của mảng đầu vào sẽ được cho phép trong mảng kết quả.

Sử dụng hàm add() và toán tử + để cộng hai mảng 1D trong NumPy

Ví dụ sau sử dụng toán tử + để cộng hai mảng 1D:

import numpy as np

a = np.array([1, 2])
b = np.array([2, 3])

c = a + b
print(c)

Kết quả:

[3 5]

Screenshot 202024 06 07 20163749 png

Cách hoạt động:

Đầu tiên, tạo hai mảng 1D với hai phần tử mỗi mảng:

a = np.array([1, 2])
b = np.array([2, 3])

Tiếp theo, cộng mảng a với mảng b và gán kết quả vào biến c:

c = a + b

Toán tử + cộng từng phần tử của mảng a với phần tử tương ứng trong mảng b:

[1+2, 2+3] = [3, 5]

Tương tự, bạn có thể sử dụng hàm add() để cộng hai mảng 1D như sau:

import numpy as np

a = np.array([1, 2])
b = np.array([2, 3])

c = np.add(a, b)

print(c)

Kết quả:

[3 5]

Sử dụng hàm add() và toán tử + để cộng hai mảng 2D trong NumPy

Ví dụ sau sử dụng toán tử + để cộng hai mảng 2D:

import numpy as np

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])

c = a + b
print(c)

Kết quả:

[[ 6  8]
 [10 12]]

Screenshot 202024 06 07 20163737 png

Trong ví dụ này, toán tử + thực hiện phép cộng từng phần tử như sau:

[[ 1+5  2+6]
 [ 3+7  4+8]]

Tương tự, bạn có thể sử dụng hàm add() để cộng hai mảng 2D:

import numpy as np

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])

c = np.add(a, b)
print(c)

Kết quả:

[[ 6  8]
 [10 12]]

Kết bài

Sử dụng toán tử + hoặc hàm add() để cộng hai mảng có kích thước bằng nhau là một cách tiếp cận trực quan và hiệu quả trong việc xử lý các phép toán trên mảng số liệu. Các phương pháp này không chỉ giúp bạn thực hiện phép cộng một cách nhanh chóng mà còn đảm bảo tính chính xác và dễ đọc của mã nguồn. Qua các ví dụ đã thảo luận, hy vọng bạn đã nắm vững cách áp dụng các phương pháp này để phục vụ cho các nhu cầu tính toán và phân tích dữ liệu của mình.

Cùng chuyên mục:

Cách lưu trữ và tải lại Models trong PyTorch

Cách lưu trữ và tải lại Models trong PyTorch

Tìm hiểu về TensorBoard với PyTorch

Tìm hiểu về TensorBoard với PyTorch

Học chuyển giao (Transfer Learning) trong PyTorch Beginner

Học chuyển giao (Transfer Learning) trong PyTorch Beginner

Hướng dẫn cơ bản mạng Nơ-ron Tích Chập (CNN) trong PyTorch

Hướng dẫn cơ bản mạng Nơ-ron Tích Chập (CNN) trong PyTorch

Mạng Nơ-Ron truyền thẳng (Feed Forward Neural Network) trong PyTorch

Mạng Nơ-Ron truyền thẳng (Feed Forward Neural Network) trong PyTorch

Tìm hiểu Activation Functions trong PyTorch

Tìm hiểu Activation Functions trong PyTorch

Softmax và Cross Entropy trong PyTorch Beginner

Softmax và Cross Entropy trong PyTorch Beginner

Dataset Transforms trong PyTorch Beginner

Dataset Transforms trong PyTorch Beginner

Dataset và DataLoader trong PyTorch Beginner

Dataset và DataLoader trong PyTorch Beginner

Hồi quy Logistic trong PyTorch Beginner

Hồi quy Logistic trong PyTorch Beginner

Hồi quy tuyến tính trong PyTorch Beginner

Hồi quy tuyến tính trong PyTorch Beginner

Training Pipeline trong PyTorch Beginner

Training Pipeline trong PyTorch Beginner

Sử dụng Gradient Descent với Autograd trong PyTorch

Sử dụng Gradient Descent với Autograd trong PyTorch

Hướng dẫn về Tensor cơ bản trong PyTorch

Hướng dẫn về Tensor cơ bản trong PyTorch

Hướng dẫn cài đặt PyTorch với Deep Learning

Hướng dẫn cài đặt PyTorch với Deep Learning

LDA (Linear Discriminant Analysis) trong Python

LDA (Linear Discriminant Analysis) trong Python

Thuật toán AdaBoost trong Python

Thuật toán AdaBoost trong Python

Thuật toán K-Means Clustering trong Python

Thuật toán K-Means Clustering trong Python

Triển khai PCA bằng Python

Triển khai PCA bằng Python

Triển khai thuật toán Random Forest bằng Python

Triển khai thuật toán Random Forest bằng Python

Top