DevGang
Авторизоваться

Numpy (числовой python)

Numpy - это библиотека Python, используемая для работы с массивами.

Numpy расшифровывается как числовой python, он используется для выполнения широкого спектра математических операций с массивами. Он также имеет функции для работы в области линейной алгебры, преобразования Фурье и матриц. В python есть list, который может работать как numpy, но list обрабатывается медленно, поэтому numpy помогает в решении проблемы, поскольку массивы NumPy хранятся в одном непрерывном месте в памяти в отличие от списков, поэтому процессы могут получать к ним доступ и манипулировать ими очень эффективно.

Чтобы установить Numpy, используем следующую команду:

pip install numpy 

Установив Numpy, необходимо импортировать библиотеку, используя следующую команду:

import numpy as np

Где np - псевдоним используемый для ссылки на Numpy.

Создание массива

Объект массива в Numpy называется ndarray. Мы можем создать объект ndarray Numpy с помощью функции array(), как показано ниже

import numpy as np

# creating an array

x = np.array([2,4,6,8,10])

print(x)

print(type(x))

Примечание: Массив может быть одномерным, двухмерным или трехмерным.

  • Одномерный массив - это массив, в котором в качестве элементов используются нулевые (0-D) массивы.
  • Двумерный массив - это массив, элементами которого являются одномерные (1-D) массивы.
  • Трехмерный массив - массив, содержащий двумерные (2-D) массивы в качестве элементов.

Существует множество операций, которые выполняются в массивах Numpy, которые включают:

  • индексация (indexing) массива numpy
  • нарезка (slicing) массива numpy
  • форма (shape) массива numpy
  • изменение (reshape) формы массива numpy
  • разделение (split) массива numpy
  • соединение (join) массива numpy.

indexing массива Numpy

Мы получаем доступ к элементу массива посредством индексации с помощью порядкового номера

  • Indexing (индексирование) в одномерном массиве
#indexing in 1-D array

x = np.array([1, 3, 4, 6])

print(x[0]) 

Вывод:

1
  • Indexing (индексирование) в двумерном массиве
#indexing in 2-D array

y = np.array([[1,4,6,9,0], [2,7,3,9,1]])

print('2nd element on 1st row: ', y[0, 1]) 

Вывод:

4

slicing (нарезка) массива Numpy

Нарезка относится к переносу элементов из одного заданного индекса в другой заданный индекс.

#Slice elements from index 1 to index 5 from the following array

y = np.array([10,20,30,40,50,60])

print(y[1:4]) 

Вывод:

[20 30 40]

Примечание: Результат включает начальный индекс, но исключает конечный индекс.

shape (форма) массива Numpy

Форма массива - это количество элементов в каждом измерении. Массивы Numpy имеют атрибут под названием shape который возвращает запись с каждым индексом, имеющим количество соответствующих элементов.

arr = np.array([[2,4,6,8], [8,8,3,4]])

print(arr.shape) 

Вывод:

(2, 4)

Приведенный выше пример возвращает (2, 4), что означает, что массив состоит из двух строк и 4 столбцов. Первая цифра представляет строку, вторая - столбцы.

reshape (изменение формы) массива Numpy

Изменение формы относится к изменению формы массива, как мы ранее указали, форма в массиве - это количество элементов в каждом измерении. Изменение формы может быть добавлением или удалением количества элементов в каждом измерении.

  • Изменение формы может быть от одномерных до двумерных (из 1-D до 2-D)
z = np.array([2,4,6,8,10,12,14,16,18,20,22,24])

newarray = z.reshape(4, 3)

print(newarray) 

Выход:

[[ 2  4  6]
 [ 8 10 12]
 [14 16 18]
 [20 22 24]]

Примечание: Массив был изменен с одномерного массива на двумерный массив с 4 строками и 3 столбцами.

  • Изменение формы с одномерных до трехмерных (с 1-D до 3-D)
z = np.array([2,4,6,8,10,12,14,16,18,20,22,24])

newarray = z.reshape(2, 3, 2)

print(newarray) 

Вывод:

[[[ 2  4]
  [ 6  8]
  [10 12]]

 [[14 16]
  [18 20]
  [22 24]]]

Примечание: Само внешнее измерение будет иметь два массива, которые содержат 3 массива, каждый из которых содержит 2 элемента.

Массив объединения Numpy

Объединение означает помещение содержимого двух или более массивов в один массив.

x = np.array([10, 20, 30])

y = np.array([40, 50, 60])

arr1 = np.concatenate((x, y))

print(arr1) 

Вывод:

[10 20 30 40 50 60]

мы можем присоединять массивы, используя функции стека, такие как stack, которые складываются вдоль столбцов.давайте приведем пример,

x = np.array([10, 20, 30])

y = np.array([40, 50, 60])

arr2 = np.vstack((x,y))

print(arr2) 

Вывод:

[[10 20 30]
 [40 50 60]]

Разделение (split) массива numpy

Разделение - это операция, обратная соединению.

Объединение объединяет несколько массивов в один, а разделение разбивает один массив на несколько.Чтобы разделить массивы, мы используем функцию array_split(), где мы передаем некоторые аргументы, которые представляют собой массив, подлежащий разделению, и количество разделяемых.

x = np.array([20,40, 60,70,80,100])

arr3 = np.array_split(x, 3)

print(arr3)

Вывод:

[array([20, 40]), array([60, 70]), array([ 80, 100])]

Примечание: Возвращаемое значение из приведенного выше примера представляет собой массив, содержащий три массива.

#Python #Numpy
Комментарии
Чтобы оставить комментарий, необходимо авторизоваться

Присоединяйся в тусовку

В подарок 100$ на счет при регистрации

Получить