Привет, ребята!
В статье на прошлой неделе мы обсуждали массивы Python. В этой статье мы поговорим о массивах NumPy на примере. Массивы NumPy обеспечивают эффективный способ хранения и обработки многомерных массивов. Давайте подготовимся к пониманию массивов numpy.
Что такое массив Python NumPy?
NumPy (Numerical Python) — это пакет/библиотека Python, которая используется для научных вычислений. Он содержит мощный объект n-мерного массива и предоставляет инструменты для интеграции кодов других языков C, C++ и т. д. NumPy предоставляет простой и уникальный способ хранения и работы с плотными буферами данных. Массив NumPy представляет собой эффективный и мощный механизм для обработки объектов многомерного массива. Он представлен в виде строк и столбцов.
Преимущества Python NumPy Array по сравнению с Python Array Module
Модуль Python Array позволяет хранить и обрабатывать данные одномерного массива одного типа. Например, если мы хотим хранить оценки студента по четырем предметам, мы можем хранить их в одном массиве как:
Метки = массив («i», [40, 43, 54, 36])
Массив меток содержит только одну строку элементов. Поэтому он называется одномерным массивом или одномерным массивом.
Но массив Python не способен хранить и обрабатывать двумерный массив. Если мы хотим сохранить оценки, полученные тремя учениками, каждый из четырех предметов может быть выражен как
Метки = массив ( [ [40, 43, 44, 36],
[44, 40, 31, 46],
[41, 33, 34, 36] ] )
Приведенный выше массив имеет более одной строки и столбца, поэтому он называется многомерным массивом. В этом представлении первая строка представляет собой первые оценки учащихся по четырем предметам. Точно так же вторая строка представляет оценки второго учащегося, а третья строка представляет оценки третьего учащегося по четырем предметам соответственно.
Массив, состоящий из нескольких одномерных массивов, называется двумерным массивом. Точно так же трехмерный массив, который имеет несколько двумерных массивов, называется трехмерным массивом.
NumPy Python array предлагает эффективный способ хранения и обработки многомерных массивов. Мы используем массив python NumPy по следующим причинам:
· Быстрое исполнение
· Занимает меньше памяти
· Удобно
Как установить NumPy?
Чтобы установить пакет NumPy, перейдите в командную строку и введите «pip install numpy». После завершения установки перейдите в свою IDE, например Jupyter Notebook, и импортируйте библиотеку numpy, как показано ниже:
Импортировать numpy как np
Чтобы проверить версию numpy, мы можем выполнить следующие операторы:
Создание массивов NumPy
Массив Numpy поддерживает следующие типы данных:
свойство dtype
Мы можем получить доступ к различным типам данных в NumPy с помощью свойства dtype. Например,
Мы можем проверить тип данных массива numpy, используя dtype. Например,
Мы можем создавать массивы numpy несколькими способами. Некоторые из популярных способов
· Функция array()
· Функция linespace()
· Функция logspace()
· Функция arange()
· Функция Zeros()
· Функция one()
Функция array()
Мы можем создать массив numpy с помощью функции array() следующим образом:
из импорта numpy *
имя_массива = массив([список элементов массива], dtype = тип данных)
Например,
Приведенный выше пример представляет собой одномерный массив. Мы также можем создать двумерный массив, передав два или более одномерных массива в функцию массива. Например,
Функции linspace() и logspace()
Массив NumPy позволяет нам создать массив с точками, равномерно расположенными между начальной и конечной точками. Синтаксис функции linspace() приведен ниже:
linspace(начало, конец, n)
Здесь start — начальная точка, end — конечная точка, а n означает количество частей, на которые элементы должны быть разделены. n может быть опущен. Значение n по умолчанию равно 50. Это означает, что оно будет разделено на 50 равноотстоящих частей. Здесь включены начальная и конечная точки. Например,
Функция logspace() аналогична функции linespace(). Единственная разница в том, что он будет создавать равномерно расположенные точки в логарифмическом масштабе. Например,
Функция arange()
Синтаксис функции arange() приведен ниже:
расположить (начало, конец, шаг)
Функция arange() создает группу элементов массива от начальной до конечной точки. Здесь конечный элемент не включается в массив, а step — это размер шага. Это похоже на функцию range() Python. Например,
Функции Zeros() и One()
Функция zeros() используется для создания массива NumPy со всеми нулями. Синтаксис функции zeros() приведен ниже:
нули(n, тип данных)
Мы можем опустить тип данных. Тип данных по умолчанию — float в numpy. Например,
Функция one() используется для создания массива NumPy со всеми единицами. Синтаксис функции one() приведен ниже:
единицы(n, тип данных)
Мы можем опустить тип данных. Тип данных по умолчанию — это число с плавающей запятой в numpy. Например,
Операции с массивами NumPy
Доступ к массивам
Одномерный массив numpy следует тому же шаблону индексации, что и список python. Индекс массива Numpy начинается с 0 и заканчивается на n-1. Он также допускает операции отрицательного индексирования и нарезки.
Мы также можем выполнять операцию среза над массивами numpy. Мы можем добавить интервал в параметр среза, а также можем использовать пустые входные данные в срезах для представления конечного или начального индекса массива. Например,
Изменение формы массивов
Массивы NumPy имеют атрибут shape, который возвращает кортеж, содержащий количество индексов и элементов в массиве. Например,
Мы можем изменить форму массива с помощью функции reshape(). Это позволяет нам преобразовывать одномерные массивы в многомерные или наоборот. Например,
Заключение
В этой статье мы подробно рассмотрели массивы numpy и операции с ними с примерами. Вы также можете получить доступ к Блокноту Jupyter, чтобы выполнить руководство по концепциям массива numpy, обсуждаемым в этой статье.
При завершении заметок не стесняйтесь делиться своими комментариями. Ваши комментарии, несомненно, помогут мне лучше представить содержание. Увидимся на следующей неделе.
