NUMPY LÀ GÌ

     

NumPy là 1 trong số những gói Python là viết tắt của Numerical Python. Chính là thư viện cốt lõi cho scientific computing, nó chứa một đối tượng người tiêu dùng người tiêu dùng người sử dụng mảng n chiều vững mạnh, đồng tình các biện pháp để tích hòa hợp C, C ++, v.v. Nó cũng tồn tại lợi trong đại số tuyến tính, random number capability, … . NumPy Array cũng có thể được áp dụng như multi-dimensional container tính năng cho tài liệu chung. Ngày này, hãy xem đúng chuẩn một numpy array là gì nha.

Bạn đang xem: Numpy là gì

Bài Viết: Numpy là gì

NumPy Array

Numpy array là một trong trong những đối tượng người tiêu dùng người tiêu dùng người sử dụng mảng N chiều vững dũng mạnh ở dạng hàng & cột. Những chúng ta cũng có thể khởi tạo các numpy arrays từ nested Python lists and truy vấn các thành phần của chính phiên bản thân nó. Để tiến hành triển khai thao tác này, thắc mắc tiếp theo sau xuất hiện thêm trong đầu bạn là:

Numpy thiết lập như nỗ lực nào?

Để setup Python NumPy, tiếp cận command của bạn and nhập vào pip install numpy. Sau thời điểm thiết lập hoàn tất, hãy truy hỏi vấn IDE của chúng ta (Ví dụ: PyCharm) and chỉ bài toán import nó bằng cách thức nhập: import numpy as np.

Multi-dimensional numPy array là gì?


*

Tại đây, tôi có các tác nhân rất khác nhau được tàng trữ một trong những điểm đặt bộ lưu trữ lưu trữ cân đối của chúng. Nó được gọi bằng hai chiều vì chưng nó tất cả hàng tương tự như cột. Trong hình trên, shop chúng tôi có 3 cột & 4 hàng tất cả sẵn.

Hãy coi nó được tiến hành trong Pycharm như vậy nào:

Single-dimensional Numpy Array:

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

Multi-dimensional Array:

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

>

Python NumPy Array v/s Danh sách

Chúng tôi áp dụng numpy array nắm thế thay thế vì một danh sách vì ba lý do phía bên dưới đây:Bộ tàng trữ ít hơnNhanhTiện lợi

Tôi sẽ minh chứng từng điểm một trên trong thực tế trong PyCharm. Hãy suy nghĩ ví dụ phía bên dưới đây:

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

240008000Đầu ra sinh sống trên cao cao cho thấy thêm rằng bộ lưu trữ lưu trữ được phân bố theo list (ký hiệu là S) là 24000 giữa những lúc bộ nhớ lưu trữ lưu trữ được phân bố bởi numpy array chỉ cần 4000. Theo đó, bạn cũng xuất hiện thể tóm lại rằng gồm một sự lạ mắt lớn giữa hai & điều này tạo cho numpy array là việc việc gạn lọc ưu tiên hơn nếu với danh sách.


Tiếp sau, hãy nói đến phương pháp thức numpy array của python nhanh hơn and dễ ợt hơn khi đối chiếu với danh sách.

import timeimport sys form 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 trên, bọn chúng mình đã khẳng định hai lists & numpy arrays. Tiếp nối, chúng tôi đã đối chiếu thời hạn tiến hành tiến hành để tra cứu tổng của danh sách and tổng của numpy array. Nếu bạn thấy cổng đầu ra của công tác trên, có hai chỉnh sửa đáng chăm chú trong nhì Ngân sách. List mất 256ms giữa những lúc numpy array mất 28ms. Vị vậy, numpy array nhanh hơn danh sách. Ngày này, nếu quý khách hàng nhận thấy chúng tôi đã chạy một vòng lặp ‘for cho một danh sách trả về việc phối phối hợp của toàn bộ hai lists trong những lúc so với các numpy arrays, chúng tôi vừa thêm nhị array bằng phương pháp thức A1 + A2. Đó đó là lý chính vì sao thao tác làm việc với numpy dễ dàng and dễ dãi hơn thỉnh thoảng đối chiếu với danh sách.

Vì vậy, các ví dụ trên minh chứng lý chính vì sao bạn hãy lựa chọn numpy array chứ không buộc phải là 1 một trong những danh sách!

Python 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 giữa những mảng hai phía (đa chiều).

2. Itemsize: Độ lâu năm của một trong các những phần tử mảng tính bởi byte.


*

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

83. Dtype: data type của thành phần


*

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

int644. Kích cỡ, shape:Cũng tương tự, bạn cũng luôn có thể tìm thấy size and tầm vóc của mảng bằng cách thức thực hiện hàm kích cỡ and shape tương xứng.

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

6(1, 6)5. Reshape: vừa lòng một dáng vóc mới cho một mảng mà dường như không căn chỉnh tài liệu của chính bản thân nó.

Xem thêm: Nội Dung Của Bài Hát Tuổi Hồng Thơ Ngây, Soạn Âm Nhạc Lớp 8 Tiết 8: Học Hát: Bài Tuổi Hồng


*

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

> >6. Slicing: trích xuất tập hợp các thành phần rõ ràng xuất phát xuất phát từ một mảng.


Trước dịp lấn sảnh vào lấy ví dụ trên, hãy để một loại nhìn đơn giản. Họ có một mảng and những các bạn phải một trong các những thành phần cụ thể (giả sử 3) trong 1 mảng không đưa biến. Hãy xem xét ví dụ phía bên dưới đây:


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

3Ở đây, mảng (1,2,3,4) là chỉ số 0 của khách hàng and (3,4,5,6) là chỉ tiên phong bậc nhất của numpy array. Vày vậy, chúng mình đã in thành phần thứ 2 từ chỉ mục 0.Tiến lên một bước, hãy nhằm nói rằng những các bạn phải yếu tắc thời điểm vào đầu tuần từ chỉ số 0 và chỉ mục đầu tiên của mảng. Hãy để nhìn phương pháp bạn cũng có thể tiến hành triển khai thao tác này:

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

Tại đây vết hai chấm nuốm mặt thay mặt cho cục bộ các hàng, bao hàm 0. Ngày nay để chiếm lĩnh được thành phần thời khắc đầu tuần, công ty chúng tôi sẽ gọi chỉ số 2 từ cả 2 hàng đống ý cho bọn chúng tôi túi tiền 3 & 5 tương xứng.

Tiếp sau, chỉ để loại trừ sự nhầm lẫn, cửa hàng chúng tôi có thêm một sản phẩm and công ty chúng tôi không hề ý muốn nhận nhân tố thời điểm vào ngày đầu tuần của chính bạn dạng thân nó như hình hình ảnh trên. Những chúng ta cũng có thể làm gần như gì vào trường đúng theo như vậy?Hãy lưu ý đến mã phía dưới đây:

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

Như bạn cũng luôn có thể thấy trong đoạn mã trên, chỉ gồm 9 và 11 được in. Thời buổi này khi tôi đã viết 0: 2, vấn đề đó không bao hàm chỉ mục thứ hai của hàng thứ ba của 1 mảng. Bởi vì vậy, chỉ 9 and 11 được in ra.

7. Linspace: Trả về các số phương thức đều nhau trong 1 khoảng chừng thời hạn khẳng định.

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

Như bạn cũng xuất hiện thể thấy trong tác dụng, nó vẫn in 10 ngân sách xuất phát từ 1 đến 3 phương pháp đều nhau.

8. Max/ min: tra cứu mức tối thiểu, về tối đa giống như như tổng của numpy array.

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

1 3 6Bạn phải khám phá những vật dụng này hơi cơ bạn dạng này, với việc trợ góp của kiến thức và kỹ năng và kĩ năng này, chúng ta có thể tiến hành xúc tiến nhiều trọng trách to các hơn. Ngày này, hãy hiểu khái niệm trục (axis) trong python numpy.


Như bạn cũng xuất hiện thể thấy vào hình, họ có một mảng 2 * 3 gọn gàng gàng. Trên đây những hàng được gọi bằng trục 1 and các cột được gọi là trục 0. Ngày nay bạn rất rất cần phải tự hỏi vấn đề sử dụng các trục chính là gì?


Giả sử bạn nhu yếu tính tổng của toàn thể các cột, thì bạn cũng luôn tồn tại thể áp dụng trục. Hãy nhằm mình chỉ cho chính mình trong thực tế, phương pháp bạn cũng luôn có thể xúc tiến trục trong PyCharm của tôi:

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

Vì vậy, tổng của toàn bộ các cột đạt thêm vào trong những số đó 1 + 3 = 4, 2 + 4 = 6 and 3 + 5 = 8. Cũng tương tự, nếu người tiêu dùng thay thế thay thế trục bởi 1, thì nó có công dụng sẽ bị in trong những số đó toàn cục các hàng nhận thêm vào.

9. Square Root và Standard Deviation:Có không ít hàm toán học không giống nhau rất hoàn toàn có thể được triển khai triển khai bằng phương pháp thức áp dụng python numpy. Bạn cũng xuất hiện thể kiếm tìm thấy căn bậc hai, độ lệch chuẩn của mảng.

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

10.Addition Operation:

Bạn cũng luôn có thể tiến hành triển khai nhiều thao tác hơn trên numpy array, tức là phép trừ, phép nhân và phép phân tách của nhị ma trận. Hãy nhằm tôi đi trước trong giải đáp numpy python, & hiển thị nó :

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

>Điều này cực kỳ đơn giản! Đúng? Cũng tương tự, những chúng ta có thể tiến hành xúc tiến các chuyển động khác ví như trừ, nhân and chia. Hãy cân nhắc ví dụ phía 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:

Tiếp sau, nếu quý khách nhu cầu nối nhì mảng và không các thêm chúng, bạn cũng sẽ có thể tiến hành triển khai nó bằng hai phương thức – xếp ck dọc and xếp chồng ngang.

Xem thêm: Phản Xạ Tiếng Vang Là Gì ? Lấy Ví Dụ Về Tiếng Vang? Từ Điển Tiếng Việt Tiếng Vang

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

> >12. Ravel:

Có một chuyển động nữa trong các số đó bạn cũng tồn tại thể thay đổi một numpy array thành một cột độc tôn.

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

Mong mong với những share trên rất hoàn toàn có thể giúp ích mang lại bạn. Cảm ơn tất cả bọn họ đã gọi nội dung bài viết