Numpy là gì

Pynhỏ Numpy là gì?

NumPy là 1 trong gói Pythuôn là viết tắt của Numerical Pynhỏ nhắn. Đây là tlỗi viện cơ bản mang đến scientific computing, nó đựng một đối tượng người sử dụng mảng n chiều trẻ khỏe, cung ứng các luật nhằm tích phù hợp C, C ++, v.v. Nó cũng có lợi vào đại số tuyến đường tính, random number capability, ... . NumPy Array cũng hoàn toàn có thể được thực hiện nlỗi multi-dimensional container kết quả mang đến dữ liệu bình thường. Bây giờ đồng hồ, hãy xem chính xác một numpy array là gì nha.Quý Khách vẫn xem: Numpy là gì

NumPy Array

Numpy array là 1 đối tượng mảng N chiều trẻ trung và tràn trề sức khỏe sinh sống dạng sản phẩm với cột. Chúng ta có thể khởi chế tác các numpy arrays từ nested Pybé nhỏ lists cùng truy cập các phần tử của nó. Để thực hiện thao tác này, câu hỏi tiếp theo sau lộ diện vào đầu các bạn là:

Numpy setup như vậy nào?

Để cài đặt Pynhỏ nhắn NumPy, đi tới comm& của bạn cùng nhtràn vào pip install numpy. Sau lúc cài đặt hoàn chỉnh, hãy truy cập IDE của doanh nghiệp (Ví dụ: PyCharm) với chỉ việc import nó bằng phương pháp nhập: import numpy as np.

Bạn đang xem: Numpy là gì

Multi-dimensional numPy array là gì?


*

Tại đây, tôi bao gồm các yếu tố khác biệt được lưu trữ trong các vị trí bộ nhớ khớp ứng của bọn chúng. Nó được hotline là hai chiều bởi nó có hàng cũng tương tự cột. Trong hình trên, công ty chúng tôi bao gồm 3 cột cùng 4 hàng có sẵn.

Hãy coi nó được tiến hành vào Pycharm như thế nào:

Single-dimensional Numpy Array:

import numpy as npa=np.array()print(a)Output:

Multi-dimensional Array:

a=np.array()print(a)Output:

>

Pynhỏ NumPy Array v/s List

Chúng tôi áp dụng numpy array cố kỉnh vày một danh mục vì chưng bố lý do bên dưới đây:

Sở nhớ không nhiều hơnNhanhTiện lợi

Tôi đang chứng minh từng điểm một bên trên thực tiễn trong PyCharm. Hãy chu đáo ví dụ bên dưới đây:

import numpy as npimport timeimport sysS = range(1000)print(sys.getsizeof(5) * len(S))D = np.arange(1000)print(D.kích thước * D.itemsize)Output:

240008000Đầu ra ở trên cho biết rằng bộ lưu trữ được phân chia theo danh mục (ký kết hiệu là S) là 24000 trong lúc bộ nhớ được phân chia bởi numpy array chỉ cần 4000. Từ đó, bạn cũng có thể Tóm lại rằng gồm một sự khác hoàn toàn béo thân nhì với điều này tạo thành numpy array là sự gạn lọc ưu tiên hơn so với menu.

Tiếp theo, hãy nói về phương thức numpy array của pyhẹp nhanh khô rộng và thuận tiện rộng lúc đối chiếu với danh mục.

import timeimport sys SIZE = 1000000 L1= range(SIZE)L2= range(SIZE)A1= np.arange(SIZE)A2=np.arange(SIZE) start= time.time()result=print((time.time()-start)*1000) start=time.time()result= A1+A2print((time.time()-start)*1000)Output:

256.49499893228.0041694641Trong đoạn code bên trên, Shop chúng tôi vẫn xác minh nhì lists cùng numpy arrays. Sau kia, chúng tôi sẽ đối chiếu thời hạn tiến hành để tra cứu tổng của danh sách cùng tổng của numpy array. Nếu bạn thấy cổng output của chương trình bên trên, bao gồm nhì đổi khác đáng chú ý vào nhị giá trị. List mất 256ms trong những lúc numpy array mất 28ms. Do kia, numpy array nkhô hanh hơn danh mục. Bây giờ, nếu khách hàng nhận ra chúng tôi đã chạy một vòng lặp ‘for cho 1 các mục trả về sự kết hợp của cả nhị lists trong khi so với các numpy arrays, chúng tôi vừa thêm hai array bằng cách A1 + A2. Đó là nguyên do tại vì sao làm việc cùng với numpy tiện lợi với thuận lợi hơn nhiều lúc so sánh cùng với danh mục.

Do kia, các ví dụ bên trên chứng minh lý do vì sao các bạn nên chọn numpy array chứ không hẳn là một list!

Pydong dỏng NumPy Operations

1. ndim: Số chiều của mảng.


*

import numpy as npa = np.array()print(a.ndim)Output:

2Vì cổng đầu ra là 2, nó là 1 trong mảng hai phía (nhiều chiều).

2. itemsize: Độ dài của một phần tử mảng tính bởi byte.


*

*

import numpy as npa = np.array()print(a.dtype)Output:

int644. Size, shape:Tương trường đoản cú, bạn cũng có thể search thấy kích cỡ và mẫu thiết kế của mảng bằng cách sử dụng hàm kích thước với shape khớp ứng.

import numpy as npage authority = np.array()print(a.size)print(a.shape)Output:

*

import numpy as npa = np.array()print(a)a=a.reshape(3,2)print(a)Output:

> >6. slicing: trích xuất tập hòa hợp các thành phần ví dụ xuất phát từ một mảng.

Xem thêm: Golden Circle Là Gì - Lý Thuyết Vòng Tròn Vàng Của Simon Sinek


Trước lúc đi vào ví dụ bên trên, hãy nhằm một cái chú ý đơn giản dễ dàng. Chúng ta có một mảng với bọn họ bắt buộc một phần tử rõ ràng (mang sử 3) trong một mảng nhất thiết. Hãy chu đáo ví dụ dưới đây:

import numpy as npa=np.array()print(a)Output:

3Tại phía trên, mảng (1,2,3,4) là chỉ số 0 của doanh nghiệp cùng (3,4,5,6) là chỉ tiên phong hàng đầu của numpy array. Do đó, chúng tôi đang in phần tử sản phẩm hai từ bỏ chỉ mục 0.Tiến lên một bước, hãy nhằm nói rằng bọn họ cần phần tử thứ 2 từ bỏ chỉ số 0 và chỉ còn mục thứ nhất của mảng. Hãy giúp xem giải pháp chúng ta cũng có thể triển khai thao tác làm việc này:

import numpy as npa=np.array()print(a)Output:

Ở phía trên vết hai chnóng đại diện mang lại tất cả các hàng, bao hàm 0. Bây tiếng để có được thành phần thứ 2, chúng tôi sẽ call chỉ số 2 tự cả nhị sản phẩm hỗ trợ mang lại Cửa Hàng chúng tôi giá trị 3 và 5 tương ứng.

Tiếp theo, chỉ nhằm thải trừ sự lầm lẫn, Shop chúng tôi bao gồm thêm 1 mặt hàng cùng công ty chúng tôi không muốn dìm phần tử thứ hai của nó nhỏng hình hình ảnh trên. Chúng ta có thể làm gì trong ngôi trường vừa lòng nhỏng vậy?Hãy lưu ý mã bên dưới đây:

import numpy as npa=np.array()print(a)Output:

Nlỗi bạn có thể thấy trong đoạn mã bên trên, chỉ tất cả 9 và 11 được ấn. Bây giờ Khi tôi đã viết 0: 2, điều này ko bao gồm chỉ mục máy nhì của sản phẩm trang bị ba của một mảng. Do kia, chỉ 9 với 11 được in ra.

7. linspace: Trả về những số giải pháp gần như nhau vào một khoảng chừng thời gian khẳng định.

import numpy as npa=np.linspace(1,3,10)print(a)Output:

Như chúng ta có thể thấy trong hiệu quả, nó vẫn in 10 cực hiếm từ một mang lại 3 phương pháp phần đông nhau.

8. max/ min: tìm kiếm nút buổi tối thiểu, buổi tối nhiều cũng tương tự tổng của numpy array.

import numpy as np a= np.array()print(a.min())print(a.max())print(a.sum())Output:

1 3 6quý khách hàng phải tò mò đa số sản phẩm này khá cơ phiên bản này, với việc hỗ trợ của kỹ năng và kiến thức này, bạn có thể thực hiện những nhiệm vụ lớn hơn. Bây giờ, hãy đọc tư tưởng trục (axis) trong pythanh mảnh numpy.
Nhỏng bạn cũng có thể thấy trong hình, chúng ta có một mảng 2 * 3 gọn gàng. Ở trên đây các mặt hàng được Gọi là trục 1 với các cột được Gọi là trục 0. Bây tiếng bạn phải trường đoản cú hỏi Việc thực hiện những trục này là gì?

Giả sử bạn muốn tính tổng của toàn bộ những cột, thì chúng ta cũng có thể áp dụng trục. Hãy nhằm tôi chỉ cho chính mình thực tiễn, bí quyết chúng ta cũng có thể thực hiện trục vào PyCharm của mình:

import numpy as npa= np.array()print(a.sum(axis=0))Output:

Do đó, tổng của toàn bộ các cột được cung cấp trong những số đó 1 + 3 = 4, 2 + 4 = 6 với 3 + 5 = 8. Tương trường đoản cú, nếu như khách hàng sửa chữa trục bằng 1, thì nó đang in trong những số đó toàn bộ những sản phẩm được chế tạo.

9. Square Root & Standard Deviation:Có nhiều hàm toán thù học tập khác nhau rất có thể được tiến hành bằng phương pháp sử dụng pyhẹp numpy. Bạn rất có thể kiếm tìm thấy cnạp năng lượng bậc nhị, độ lệch chuẩn chỉnh của mảng.

import numpy as npa=np.array()print(np.sqrt(a))print(np.std(a))Output:

10.Addition Operation:

Quý khách hàng hoàn toàn có thể thực hiện nhiều làm việc hơn trên numpy array, Có nghĩa là phnghiền trừ, phxay nhân với phxay phân tách của nhì ma trận. Hãy nhằm tôi đi trước trong hướng dẫn numpy python, với hiển thị nó :

import numpy as npx= np.array()y= np.array()print(x+y)Output:

>Như vậy rất là đơn giản! Đúng? Tương từ bỏ, bạn cũng có thể tiến hành các hoạt động khác ví như trừ, nhân cùng phân tách. Hãy chú ý ví dụ bên dưới đây:

import numpy as npx= np.array()y= np.array()print(x-y)print(x*y)print(x/y)Output:

> > >11. Vertical và Horizontal Stacking:

import numpy as npx= np.array()y= np.array()print(np.vstack((x,y)))print(np.hstack((x,y)))Output:

> >12. ravel:

Có một vận động nữa trong những số đó chúng ta cũng có thể chuyển đổi một numpy array thành một cột tuyệt nhất.

import numpy as npx= np.array()print(x.ravel())Output:

Hi vọng với phần đa chia sẻ bên trên hoàn toàn có thể mang lại lợi ích cho mình. Cảm ơn chúng ta đã phát âm nội dung bài viết