Добро пожаловать обратно! NumPy — отличный пакет Python, который активно используется в науке о данных, поэтому давайте поговорим о некоторых приемах NumPy, о которых мне хотелось бы знать раньше. Эти трюки могут быть случайными, но вы можете найти способы реализовать их в своих проектах! Закончив это длинное вступление, давайте начнем!
Генерация случайных чисел
Начнем с того, что одна из самых крутых вещей, которые вы можете сделать с NumPy, — это генерация случайных чисел, мы используем функцию np.random(), вот пример этого:
import numpy as np np.random.rand(2,10)
Это результат этого проекта:
Это создает двумерный массив с 10 случайными значениями.
Создание массива заполнителей
Еще один замечательный трюк, который у нас есть в NumPy, — это возможность создания массива заполнителей. Что такое массив заполнителей? По сути, это массив, который имеет нужную нам форму, но он полон нулей, для этого мы используем следующую команду:
import numpy as np np.zeros((2,10))
Это создаст двумерный массив с 10 нулями.
Сравнение 2 массивов
Далее мы можем фактически сравнить 2 разных массива, по существу сравнивая сходство между 2 массивами. Для этого воспользуемся командой «==»:
import numpy as np a = np.zeros((2,10)) b = np.zeros((1,10)) #COMPARING THE 2 ARRAYS a == b
На выходе будет набор истинных/ложных утверждений:
В данном случае все верно, но так можно сравнивать любой массив.
Копирование массивов
Еще один замечательный трюк, который мы используем с NumPy, — это создание глубоких копий массивов. Для этого мы используем функцию .copy():
import numpy as np a = np.zeros((2,10)) b = a.copy() b
Это результат этого проекта:
Вы можете просто скопировать любой массив в другую переменную.
Вот оно! Это одни из моих любимых приемов NumPy, о которых мне хотелось бы знать раньше. Знаете ли вы какие-либо другие приемы NumPy? Я хотел бы услышать ваши мысли об этом!
Как всегда
если у вас есть какие-либо предложения, мысли или вы просто хотите связаться, не стесняйтесь связаться со мной / подписаться на меня в Твиттере! Кроме того, ниже приведены ссылки на некоторые из моих любимых ресурсов для изучения программирования, Python, R, Data Science и т. д.
Спасибо за прочтение!