Numpy Sqrt

Numpy SQRT representerer funksjonen til Python -skriptet som brukes til å ta kvadratroten til elementene. Numpy er kjent som et bibliotek på Python-språket som ble bygget for å jobbe med ND-arrays, og også for manipulasjonen matriser. Numpy SQRT-funksjonen tar i enten det enkeltelementet eller de flerdimensjonale matriser/matriser og bruker kvadratroten på hvert element i matrisen og returnerer kvadratrotverdien til hvert element i samme rekkefølge som den ble gitt i matrisen.

Fremgangsmåte:

Prosedyren til artikkelen dekker alle de viktigste konseptene som kan kreves for at enhver nybegynner skal forstå konseptet helt angående Numpy SQRT -funksjonen. Opprinnelig vil parametrene for funksjonen som kalles Numpy SQRT bli diskutert på Python -språket, og deretter implementerer vi de forskjellige eksemplene som omhandler de forskjellige scenariene i Numpy SQRT -funksjonen. For praktisk talt å jobbe med denne funksjonen, vil vi bruke Python -kompilatorene med Numpy -biblioteket installert i dem. Følgende er trinn-for-trinn-prosessen for Numpy SQRT-funksjonen.

Syntaks:

Før vi implementerer eller ringer til noen funksjon i koden vår, må vi først kjenne inngangsparametrene som funksjonen tar og returnerer ønsket utgang. Derfor utforsker vi nå metoden for å kalle Numpy SQRT -funksjonen. Denne funksjonen har følgende syntaks som har parametrene som er nevnt i følgende:

$ numpy. SQRT ()

Den første parameteren for funksjonen er "input -matrisen" hvis kvadratrot vi ønsker å bestemme. Den andre parameteren er "ut" som representerer ND-array der vi ønsker å lagre resultatene som blir returnert etter at vi har tatt kvadratroten av inngangsarrayen. Her må vi være forsiktige med at formen og dimensjonene til denne matrisen skal være den samme som input -matrisen og denne parameteren ikke er en tvang, den er valgfri. Den siste parameteren er "retur". Return er en nd-matrise som har kvadratroten av inngangsarrayen i den. Etter å ha kjent syntaks i detalj for Numpy SQRT -funksjonen, implementerer vi nå denne syntaksen og prøver å kalle denne funksjonen for forskjellige eksempler i Python -koden.

Eksempel 1:

Numpy Array -funksjonen er den enkleste funksjonen som skal brukes, men likevel prøver vi å implementere dette med det enkleste eksemplet, og så øker vi gradvis vanskelighetsnivået i de neste kommende eksemplene. For å starte eksemplet lager vi først et prosjekt med navnet "SQRT" i Python -kompilatoren. Etter å ha opprettet et nytt prosjekt, importerer vi nå de viktige bibliotekene. Et av de viktigste bibliotekene som omhandler ND-Garrays er "Numpy". Mens du importerer dette biblioteket, kan det være forskjellige måter. Vi kan enten importere dette biblioteket som numpy, eller vi kan gi det et prefiks eller kallenavn som "NP" for å kalle det med funksjonen i koden senere. Den konvensjonelle metoden for å importere Numpy er å bruke prefikset “NP”, så vi kommer også sammen med denne metoden.

Når de foregående trinnene er gjort, initialiserer vi nå en rekke som vi overfører til kvadratrotfunksjonen for å beregne kvadratroten av dens elementer. Vi erklærer og initialiserer matrisen ved å bruke “NP. Array () ”-metode og elementene som vi gir til denne matrisen er“ [4, 9, 16, 25] ”. For å beregne kvadratroten, kaller vi “NP. sqrt () ”funksjon og gi denne funksjonen til matrisen som vi opprettet. Vi lagrer resultatene fra "SQRT" -funksjonen i en annen matrise som har dimensjonene lik inngangsarrayen som "kvadratrot". Og så viser vi kvadratroten ved hjelp av print () -metoden. Vi kan bruke følgende kode som er skrevet i Python -skriptet og sjekke resultatene:

Importer numpy som NP
# Deklarerer en matrise med positive reelle tall
Array = NP.Array ([4, 9, 16, 25])
# Beregning av kvadratroten til en matrise
Squareroot = NP.SQRT (Array)
Print ("Squareroot of Array:", Square Root)

Resultatene fra eksemplet ble ut til å være en annen matrise med elementene som er kvadratroten av inngangsarrayen som “[2, 3, 4, 5]”. Dette fører oss til konklusjonen at vi har lært å bruke den numpy firkantede rotfunksjonen.

Eksempel 2:

Det forrige eksemplet har de positive reelle tallene. Deretter beregnet vi deres firkantede rot. Men i dette eksemplet takler vi komplekse tall. Vi initialiserer en matrise med de komplekse tallene og tar deretter kvadratroten av de komplekse tallene. Vi starter med å lage et nytt prosjekt og importerer Numpy -biblioteket med stevnet som vi diskuterte i det første eksemplet.

Etter dette initialiserer vi en endimensjonal matrise ved å ringe “NP.Array () ”-metode med sine elementer som komplekse tall som“ [4 + 25J, 9 + 16J, - 5 - 8J] ”. Vi beregner kvadratroten av disse komplekse tallene ved å sende disse tallene til parametrene til “NP. sqrt () ”funksjon og vise resultatene. Følgende er Python -koden som vi kan kjøre i kompilatorene våre for å se om denne funksjonen fungerer for komplekse tall eller ikke:

Importer numpy som NP
# Deklarerer en matrise med komplekse tall
Array = NP.Array ([4 + 25J, 9 + 16J, - 5 - 8J])
# Beregning av kvadratroten til en matrise
Squareroot = NP.SQRT (Array)
Print ("Squareroot of Array:", Square Root)

Vi utførte den gjennomgripende koden og lagret resultatene fra koden i "Squareroot" -variabelen. Den forrige figuren viser utdataene fra koden som er kvadratroten til de komplekse tallene som vi har gitt i inngangsarrayen.

Konklusjon

Artikkelen kaster lys over konseptet med numpy.sqrt () funksjon. Vi lærte og diskuterte introduksjonen og syntaksen til denne funksjonen i denne artikkelen for å få et godt grep om dette konseptet. Og for å teste kunnskapen vår, utførte vi to eksempler der vi måtte definere de to matriser som hadde de virkelige og komplekse tallene som deres elementer og deretter beregnet de firkantede røttene. Vi håper at denne artikkelen vil hjelpe deg å fjerne uklarhetene dine om bruken av Numpy.sqrt () funksjon.