{"id":143,"date":"2020-12-20T14:33:25","date_gmt":"2020-12-20T14:33:25","guid":{"rendered":"https:\/\/web.htk.tlu.ee\/digitaru\/tarkvara2\/?post_type=chapter&p=143"},"modified":"2020-12-28T20:09:19","modified_gmt":"2020-12-28T20:09:19","slug":"numpy-uhemootmeliste-jarjendite-funktsioonid","status":"publish","type":"chapter","link":"https:\/\/web.htk.tlu.ee\/digitaru\/tarkvara2\/chapter\/numpy-uhemootmeliste-jarjendite-funktsioonid\/","title":{"raw":"NumPy \u00fchem\u00f5\u00f5tmeliste j\u00e4rjendite funktsioonid","rendered":"NumPy \u00fchem\u00f5\u00f5tmeliste j\u00e4rjendite funktsioonid"},"content":{"raw":"

Sisseehitatud funktsioonid<\/h2>\r\nNagu ka Pythonil, on NumPyl endal sisseehitatud funktsioonid, mille abil saab j\u00e4rjendite kohta andmeid v\u00f5i vastavalt soovile neid t\u00f6\u00f6delda. J\u00e4rgnevalt vaatame l\u00e4hemalt peamisi NumPy funktsioone ja mille jaoks neid kasutatakse.\r\n
<\/pre>\r\n
J\u00e4rjendi suurima\/v\u00e4hima v\u00e4\u00e4rtuse leidmine<\/h2>\r\nJ\u00e4rjendist saab v\u00e4ga lihtsalt leida suurimat ja v\u00e4himat v\u00e4\u00e4rtust. Pythonis oleme kasutanud selleks funktsioone max(j\u00e4rjend)<\/code> ja min(j\u00e4rjend)<\/code>. NumPys on need aga vastavalt: np.amax(j\u00e4rjend)<\/code> ja np.amin(j\u00e4rjend)<\/code>.\r\n
# J\u00e4rjendi suurim element\r\na = np.array([1, 2, 3])\r\nprint(\"J\u00e4rjendi suurim element: \", np.amax(a))<\/pre>\r\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  J\u00e4rjendi suurim element:\u00a0 3<\/pre>\r\n
# J\u00e4rjendi v\u00e4him element\r\nprint(\"J\u00e4rjendi v\u00e4him element: \", np.amin(a))<\/pre>\r\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  J\u00e4rjendi v\u00e4him element:  1<\/pre>\r\n
J\u00e4rjendi aritmeetiline keskmine ja mediaan<\/h2>\r\n\u00dcks levinumaid matemaatilisi funktsioone on arvude aritmeetilise keskmise leidmine. Aritmeetiliseks keskmiseks nimetatakse arvu, mis saadakse antud arvude summa jagamisel liidetavate arvuga. Seda saab v\u00e4ga lihtsalt ka teha NumPy j\u00e4rjendiga, kasutades mean<\/code> funktsiooni. mean<\/code> funktsioon liidab automaatselt j\u00e4rjendi elemendid kokku ja jagab j\u00e4rjendi pikkuse ehk elementide arvuga. Vaatame n\u00e4idet:\r\n
# NumPy j\u00e4rjendi keskmine v\u00e4\u00e4rtus\r\n\r\na = np.array([2, 8, 10, 6, 12])\r\n\r\n# Leiame arvude keskmise v\u00e4\u00e4rtuse\r\nprint(\"J\u00e4rjendi keskmine v\u00e4\u00e4rtus: \", np.mean(a))<\/pre>\r\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  J\u00e4rjendi keskmine v\u00e4\u00e4rtus:\u00a0 7.6<\/pre>\r\nSarnaselt saab leida ka mediaani, kasutades median<\/code> funktsiooni. Mediaan on variatsioonirea keskmine liige ehk v\u00e4\u00e4rtus, millest suuremaid (v\u00f5i v\u00f5rdseid) ja v\u00e4iksemaid (v\u00f5i v\u00f5rdseid) liikmeid on variatsioonireas \u00fchepalju. Kui liikmeid on paarisarv, siis mediaaniks on variatsioonirea kahe keskmise liikme aritmeetiline keskmine.\r\n
# NumPy j\u00e4rjendi mediaan\r\n\r\na = np.array([2, 8, 10, 6, 12])\r\nb = np.array([2, 8, 10, 6, 12, 5])\r\n\r\nprint(\"J\u00e4rjendi mediaan (paaritu): \", np.median(a))\r\nprint(\"J\u00e4rjendi mediaan (paaris): \", np.median(b))<\/pre>\r\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  J\u00e4rjendi mediaan (paaritu):\u00a0 8.0\r\n  J\u00e4rjendi mediaan (paaris):\u00a0 7.0<\/pre>\r\n
Oma funktsiooni kasutamine<\/h2>\r\nNumpy j\u00e4rjendi elementidel on v\u00f5imalik rakendada otse ka kasutaja loodud funktsioone. N\u00e4iteks teeme funktsiooni, mis korrutab j\u00e4rjendi elemendid 3,14ga. Funktsiooni argumendiks on NumPy j\u00e4rjend ning funktsiooni sees korrutame selle j\u00e4rjendi 3,14ga. Meeles tuleb pidada seda, et funktsioon peab kindlasti tagastama, mitte v\u00e4ljastama, sest nii saame arvutatud j\u00e4rjendi muutujasse salvestada.\r\n
def korruta(lst):\r\n    return lst*3.14\r\n\r\na = np.array([1, 2, 3, 4])\r\nc = korruta(a)\r\nprint(c)<\/pre>\r\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  [ 3.14\u00a0 6.28\u00a0 9.42 12.56]<\/pre>","rendered":"
Sisseehitatud funktsioonid<\/h2>\n
Nagu ka Pythonil, on NumPyl endal sisseehitatud funktsioonid, mille abil saab j\u00e4rjendite kohta andmeid v\u00f5i vastavalt soovile neid t\u00f6\u00f6delda. J\u00e4rgnevalt vaatame l\u00e4hemalt peamisi NumPy funktsioone ja mille jaoks neid kasutatakse.<\/p>\n
<\/pre>\n
J\u00e4rjendi suurima\/v\u00e4hima v\u00e4\u00e4rtuse leidmine<\/h2>\n
J\u00e4rjendist saab v\u00e4ga lihtsalt leida suurimat ja v\u00e4himat v\u00e4\u00e4rtust. Pythonis oleme kasutanud selleks funktsioone max(j\u00e4rjend)<\/code> ja min(j\u00e4rjend)<\/code>. NumPys on need aga vastavalt: np.amax(j\u00e4rjend)<\/code> ja np.amin(j\u00e4rjend)<\/code>.<\/p>\n
# J\u00e4rjendi suurim element\r\na = np.array([1, 2, 3])\r\nprint(\"J\u00e4rjendi suurim element: \", np.amax(a))<\/pre>\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  J\u00e4rjendi suurim element:\u00a0 3<\/pre>\n
# J\u00e4rjendi v\u00e4him element\r\nprint(\"J\u00e4rjendi v\u00e4him element: \", np.amin(a))<\/pre>\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  J\u00e4rjendi v\u00e4him element:  1<\/pre>\n
J\u00e4rjendi aritmeetiline keskmine ja mediaan<\/h2>\n
\u00dcks levinumaid matemaatilisi funktsioone on arvude aritmeetilise keskmise leidmine. Aritmeetiliseks keskmiseks nimetatakse arvu, mis saadakse antud arvude summa jagamisel liidetavate arvuga. Seda saab v\u00e4ga lihtsalt ka teha NumPy j\u00e4rjendiga, kasutades mean<\/code> funktsiooni. mean<\/code> funktsioon liidab automaatselt j\u00e4rjendi elemendid kokku ja jagab j\u00e4rjendi pikkuse ehk elementide arvuga. Vaatame n\u00e4idet:<\/p>\n
# NumPy j\u00e4rjendi keskmine v\u00e4\u00e4rtus\r\n\r\na = np.array([2, 8, 10, 6, 12])\r\n\r\n# Leiame arvude keskmise v\u00e4\u00e4rtuse\r\nprint(\"J\u00e4rjendi keskmine v\u00e4\u00e4rtus: \", np.mean(a))<\/pre>\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  J\u00e4rjendi keskmine v\u00e4\u00e4rtus:\u00a0 7.6<\/pre>\n
Sarnaselt saab leida ka mediaani, kasutades median<\/code> funktsiooni. Mediaan on variatsioonirea keskmine liige ehk v\u00e4\u00e4rtus, millest suuremaid (v\u00f5i v\u00f5rdseid) ja v\u00e4iksemaid (v\u00f5i v\u00f5rdseid) liikmeid on variatsioonireas \u00fchepalju. Kui liikmeid on paarisarv, siis mediaaniks on variatsioonirea kahe keskmise liikme aritmeetiline keskmine.<\/p>\n
# NumPy j\u00e4rjendi mediaan\r\n\r\na = np.array([2, 8, 10, 6, 12])\r\nb = np.array([2, 8, 10, 6, 12, 5])\r\n\r\nprint(\"J\u00e4rjendi mediaan (paaritu): \", np.median(a))\r\nprint(\"J\u00e4rjendi mediaan (paaris): \", np.median(b))<\/pre>\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  J\u00e4rjendi mediaan (paaritu):\u00a0 8.0\r\n  J\u00e4rjendi mediaan (paaris):\u00a0 7.0<\/pre>\n
Oma funktsiooni kasutamine<\/h2>\n
Numpy j\u00e4rjendi elementidel on v\u00f5imalik rakendada otse ka kasutaja loodud funktsioone. N\u00e4iteks teeme funktsiooni, mis korrutab j\u00e4rjendi elemendid 3,14ga. Funktsiooni argumendiks on NumPy j\u00e4rjend ning funktsiooni sees korrutame selle j\u00e4rjendi 3,14ga. Meeles tuleb pidada seda, et funktsioon peab kindlasti tagastama, mitte v\u00e4ljastama, sest nii saame arvutatud j\u00e4rjendi muutujasse salvestada.<\/p>\n
def korruta(lst):\r\n    return lst*3.14\r\n\r\na = np.array([1, 2, 3, 4])\r\nc = korruta(a)\r\nprint(c)<\/pre>\n
>>><\/strong><\/span> %Run guido.py<\/span>\r\n  [ 3.14\u00a0 6.28\u00a0 9.42 12.56]<\/pre>\n","protected":false},"author":16,"menu_order":4,"template":"","meta":{"pb_show_title":"on","pb_short_title":"","pb_subtitle":"","pb_authors":[],"pb_section_license":""},"chapter-type":[],"contributor":[],"license":[],"class_list":["post-143","chapter","type-chapter","status-publish","hentry"],"part":90,"_links":{"self":[{"href":"https:\/\/web.htk.tlu.ee\/digitaru\/tarkvara2\/wp-json\/pressbooks\/v2\/chapters\/143","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/web.htk.tlu.ee\/digitaru\/tarkvara2\/wp-json\/pressbooks\/v2\/chapters"}],"about":[{"href":"https:\/\/web.htk.tlu.ee\/digitaru\/tarkvara2\/wp-json\/wp\/v2\/types\/chapter"}],"author":[{"embeddable":true,"href":"https:\/\/web.htk.tlu.ee\/digitaru\/tarkvara2\/wp-json\/wp\/v2\/users\/16"}],"version-history":[{"count":6,"href":"https:\/\/web.htk.tlu.ee\/digitaru\/tarkvara2\/wp-json\/pressbooks\/v2\/chapters\/143\/revisions"}],"predecessor-version":[{"id":588,"href":"https:\/\/web.htk.tlu.ee\/digitaru\/tarkvara2\/wp-json\/pressbooks\/v2\/chapters\/143\/revisions\/588"}],"part":[{"href":"https:\/\/web.htk.tlu.ee\/digitaru\/tarkvara2\/wp-json\/pressbooks\/v2\/parts\/90"}],"metadata":[{"href":"https:\/\/web.htk.tlu.ee\/digitaru\/tarkvara2\/wp-json\/pressbooks\/v2\/chapters\/143\/metadata\/"}],"wp:attachment":[{"href":"https:\/\/web.htk.tlu.ee\/digitaru\/tarkvara2\/wp-json\/wp\/v2\/media?parent=143"}],"wp:term":[{"taxonomy":"chapter-type","embeddable":true,"href":"https:\/\/web.htk.tlu.ee\/digitaru\/tarkvara2\/wp-json\/pressbooks\/v2\/chapter-type?post=143"},{"taxonomy":"contributor","embeddable":true,"href":"https:\/\/web.htk.tlu.ee\/digitaru\/tarkvara2\/wp-json\/wp\/v2\/contributor?post=143"},{"taxonomy":"license","embeddable":true,"href":"https:\/\/web.htk.tlu.ee\/digitaru\/tarkvara2\/wp-json\/wp\/v2\/license?post=143"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}