Tìm hiểu về thư viện numpy là gì, tìm hiểu thư viện numpy trong python

Trong khoảng chừng thời hạn vừa rồi tôi gồm cơ hội được thiết kế Việc bởi ngôn từ Python thả thông qua một dự án về sức khỏe của khách hàng. Sau một khoảng tầm thời hạn khám phá, thao tác tôi nhận biết đây là một ngữ điệu thừa khỏe khoắn, nó mạnh bạo vì sự đa dụng của nó, nó rất có thể có tác dụng được đầy đủ bài toán liên quan đến thiết kế từ bỏ có tác dụng website, app giỏi game, nhưng lại điều khiến pykhông lớn danh tiếng có lẽ đến từ các việc nó hoàn toàn có thể code được cả trong nghành nghề so với công nghệ dữ liệu, thiết kế trí tuệ tự tạo. Một điều nữa cũng khiến Pythanh mảnh được yêu mếm sẽ là nó gồm một hệ sinh thái xanh các thỏng viện hỗ trợ cực kì bự. Nó bự tới cả thỉnh thoảng bọn họ đề xuất đo đắn nên chọn lựa thực hiện thỏng viện nào đến phù hợp.

Bạn đang xem: Tìm hiểu về thư viện numpy là gì, tìm hiểu thư viện numpy trong python

Trong số hàng tỷ thỏng viện hỗ trợ Pynhỏ bé thì có một thỏng viện lại gần như được đóng góp đinc mà lại đề xuất thiết kế viên làm sao khi thao tác làm việc cùng với Pykhông lớn cũng rất cần phải mày mò kia chính là tlỗi viện NumPy. Trong bài ngày bây giờ tôi xin trình làng với các bạn về thỏng viện NumPy vào Pyhạn hẹp cùng cách áp dụng nó vào pyeo hẹp.

1. Giới thiệu về thỏng viện NumPy

Numpy (Numeric Python): là 1 trong những thỏng viện toán thù học tập rât thông dụng với mạnh khỏe của Pyeo hẹp. NumPy được lắp thêm các hàm số đã được tối ưu, cho phép làm việc hiệu quả cùng với ma trận và mảng, nhất là tài liệu ma trận với mảng phệ với vận tốc xử lý nhanh hao rộng những lần Lúc chỉ áp dụng Python thả 1-1 thuần.

Nếu bạn muốn vươn lên là một xây dựng viên kỹ thuật dữ liệu chuyên sâu, bạn phải nắm vững numpy. Đây là 1 trong giữa những thỏng viện hữu ích tốt nhất của pydong dỏng, nhất là nếu như bạn đang tò mò về các con số. Vì nhiều phần Khoa học Dữ liệu với Máy học luân chuyển xung quanh Thống kê, nên việc thực hành trsinh sống bắt buộc quan trọng đặc biệt rộng các.

NumPy được cải tiến và phát triển bởi Jim Hugunin. Phiên bạn dạng ban đầu là Numarray được cách tân và phát triển, có một trong những tác dụng bổ sung cập nhật. Năm 2005, Travis Oliphant vẫn tạo ra gói NumPy bằng cách kết hợp những tuấn kiệt của Numarray cùng gói Numeric.

Sử dụng NumPy, xây dựng viên hoàn toàn có thể tiến hành các thao tác làm việc sau:

Các phxay toán tân oán học tập cùng xúc tích trên mảng.

Các đổi khác Fourier và các quy trình nhằm thao tác shape.

Các phép tân oán tương quan đến đại số tuyến tính. NumPy tích hòa hợp sẵn những hàm mang đến đại số đường tính với sản xuất số thiên nhiên.

NumPy - Sự sửa chữa hoàn hảo nhất mang lại MatLab

NumPy hay được sử dụng cùng với những gói nhỏng SciPy (Pykhông lớn Scientific) cùng Mat-plotlib (thỏng viện vẽ trang bị thị). Sự phối kết hợp này được áp dụng thoáng rộng nhằm thay thế đến MatLab, một nền tảng phổ cập mang lại tính toán thù chuyên môn. Tuy nhiên, Pyhẹp sửa chữa đến MatLab hiện tại được xem nlỗi một ngữ điệu xây dựng triển khai xong với hiện đại rộng.Điều đặc biệt quan trọng hơn cả là Numpy là một trong những tlỗi viện mã nguồn mngơi nghỉ, miễn mức giá so với MatLab là 1 trong thỏng viện mã nguồn đóng và yêu cầu trả phí .

Cách thiết lập NumPy

Trong bài bác này tôi sẽ thực hành bên trên ubuntu với Framework Django, nếu khách hàng đang chạy bên trên hệ điều hành không giống thì chỉ việc gg là đều phải có gợi ý bỏ ra tiết

trước hết msinh hoạt Terminal lên với nhập

suvì chưng apt install python3-pippip install numpyquý khách hàng rất cần được cài đặt Numpy trải qua pip

Sau Khi đã cài đặt chấm dứt NumPy, họ yêu cầu import nó để sử dụng như các tlỗi viện không giống của Pykhông lớn để áp dụng các hàm số của NumPy:

import numpy as npSau Khi thiết lập xong xuôi họ sẽ tò mò về các loại dữ liệu trong Numpy

1. Mảng

Mảng là 1 cấu trúc dữ liệu cất một tổ các bộ phận. thường thì, toàn bộ các phần tử này có cùng dạng hình dữ liệu, chẳng hạn như số nguyên hoặc chuỗi. Chúng thường được sử dụng trong những công tác nhằm sắp xếp dữ liệu để một cỗ quý giá liên quan có thể dễ ợt được bố trí hoặc kiếm tìm tìm.

Lúc nói tới NumPy, một mảng là 1 trong những cấu tạo dữ liệu trung trung tâm của thỏng viện. Đó là 1 trong những lưới những giá trị cùng nó chứa đọc tin về dữ liệu thô, bí quyết xác định vị trí của một phần tử với phương pháp diễn giải một trong những phần tử. Nó có một lưới những bộ phận hoàn toàn có thể được lập chỉ mục theo vô số phương pháp khác biệt . Tất cả những bộ phận bao gồm cùng hình dáng, được gọi là mẫu mã mảng (phong cách dữ liệu).

Xem thêm: Tháp Võ Thần - Học Viện Blade & Soul

*

Một mảng có thể được lập chỉ mục vày một cỗ số nguyên ko âm, bởi boolean, vị một mảng không giống hoặc bởi vì số nguim. Thđọng hạng của mảng là số máy nguyên ổn. Hình dạng của mảng là 1 trong loạt các số nguyên ổn cho thấy thêm kích thước của mảng dọc theo mỗi chiều.Một biện pháp bạn cũng có thể khởi chế tạo mảng NumPy là từ bỏ danh sách Pykhiêm tốn lồng nhau.

Một mảng được gọi là cấu trúc dữ liệu trung vai trung phong của thư viện NumPy. Mảng trong NumPy được Call là NumPy Array.

*

Đối tượng đặc biệt quan trọng nhất được khái niệm vào NumPy là một trong những kiểu dáng mảng N chiều được hotline là ndarray. Nó biểu đạt tủ đựng đồ các sản phẩm thuộc các loại. Các mục vào tủ đựng đồ rất có thể được truy vấn bởi chỉ mục dựa trên số ko.

Mọi mục vào một ndarray gồm thuộc form size khối hận trong bộ nhớ. Mỗi thành phần trong ndarray là một trong đối tượng người tiêu dùng của đối tượng hình dạng dữ liệu (được điện thoại tư vấn là dtype ).

Bất kỳ mục như thế nào được trích xuất từ bỏ ​​đối tượng ndarray (bằng cách cắt) được đại diện do một đối tượng Pybé nhỏ trực thuộc một trong các phong cách vô phía mảng. Biểu vật sau đây cho biết mối quan hệ giữa ndarray, đối tượng người tiêu dùng đẳng cấp dữ liệu (dtype) với mẫu mã vô phía mảng:

*

Một instance của ndarray rất có thể được thành lập bằng những quá trình chế tạo ra mảng khác nhau được mô tả ở đoạn sau của chỉ dẫn. Ndarray cơ phiên bản được tạo ra bằng một array function trong NumPgiống hệt như sau:

numpy.arrayNó tạo thành một ndarray từ bỏ bất kỳ đối tượng người dùng làm sao hiển thị giao diện mảng hoặc tự ngẫu nhiên thủ tục làm sao trả về một mảng.

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)Hàm chế tác làm việc trên dấn các tmê man số sau:

STTMô tả thông số
1object - Bất kỳ đối tượng người tiêu dùng làm sao hiển thị cách thức bối cảnh mảng sẽ trả về một mảng hoặc ngẫu nhiên chuỗi (lồng nhau) như thế nào..
2dtype - Kiểu dữ liệu mong muốn của mảng, optional
3copy - Không phải. Theo mặc định (true), đối tượng người dùng được sao chép
4order - C (sản phẩm chính) hoặc F (cột chính) hoặc A (bất kỳ) (mang định)
5subok - Theo khoác định, mảng trả về đề xuất là mảng lớp các đại lý. Nếu đúng, những lớp nhỏ được gửi qua
6ndmin - Chỉ định kích thước tối tđọc của mảng kết quả

import numpy as np a = np.array(<1,2,3>) print aKết qủa : <1, 2, 3>

# more than one dimensions import numpy as np a = np.array(<<1, 2>, <3, 4>>) print aKết quả : <<1, 2><3, 4>>

# minimum dimensions import numpy as np a = np.array(<1, 2, 3,4,5>, ndmin = 2) print aKết quả : <<1, 2, 3, 4, 5>>

Bản test trực tiếp# dtype parameter import numpy as np a = np.array(<1, 2, 3>, dtype = complex) print aKết qủa : < 1.+0.j, 2.+0.j, 3.+0.j>

Sự khác biệt thân Pybé List cùng Numpy Array

Pykhiêm tốn List hoàn toàn có thể cất các bộ phận cùng với những loại tài liệu khác nhau trong những lúc những bộ phận của Numpy Array luôn luôn đồng hóa (cùng một giao diện dữ liệu).Pykhông lớn Array nhanh hao hơn với bé dại gọn rộng Pybé List:NumPy Array thực hiện bộ nhớ thắt chặt và cố định nhằm tàng trữ dữ liệu và ít bộ lưu trữ hơn Pykhông lớn List.Cấp phạt bộ nhớ gần cạnh vào NumPy Array

Loại tài liệu vào NumPy

NumPy cung ứng nhiều phong cách số hơn các đối với Pydong dỏng. Bảng tiếp sau đây cho biết các đẳng cấp tài liệu vô phía không giống nhau được khẳng định vào NumPy.

Đối tượng giao diện tài liệu (dtype)

Một đối tượng người sử dụng dạng hình tài liệu diễn đạt diễn giải khối hận bộ nhớ cố định tương ứng với cùng 1 mảng, tùy thuộc vào các tinh tướng sau:

Loại dữ liệu (số nguyên, đối tượng người tiêu dùng float hoặc Python)Kích thước của dữ liệuThứ đọng trường đoản cú Byte (little-endian hoặc big-endian)Trong ngôi trường thích hợp thứ hạng có cấu tạo, tên của những trường, phong cách tài liệu của từng trường và một trong những phần của kân hận bộ nhớ lưu trữ được đem bởi vì từng trường.Nếu phong cách dữ liệu là 1 mảng nhỏ, mẫu thiết kế với vẻ bên ngoài dữ liệu của nó

Thđọng tự byte được ra quyết định bằng phương pháp thêm tiền tố "" vào kiểu tài liệu. "" tức là mã hóa là big-endian (byte quan trọng đặc biệt độc nhất vô nhị được lưu trữ tại địa chỉ nhỏ tuổi nhất).

Một đối tượng người tiêu dùng dtype được kiến tạo bằng cú pháp sau:

numpy.dtype(object, align, copy)Các thông số là :

Đối tượng - Được đổi khác thành đối tượng hình dáng dữ liệu

Căn uống chỉnh - Nếu đúng, hãy góp thêm phần đệm vào ngôi trường để gia công mang đến ngôi trường giống như như C-struct

Sao chxay - Tạo một bản sao new của đối tượng người sử dụng dtype. Nếu không nên, hiệu quả là tmê mệt chiếu cho đối tượng người dùng giao diện tài liệu nội trang

Array Indexing

NumPy hỗ trợ một trong những cách để truy tìm xuất thành phần vào mảng

Indexing cùng slicing: Mỗi thành bên trong mảng 1 chiều tương ứng với một chỉ số. Chỉ số trong NumPy, tương tự như chỉ số vào pyeo hẹp, bước đầu bằng 0. Nếu mảng một chiều bao gồm n thành phần thì các chỉ số chạy tự 0 cho n - 1. Và tương tự nhỏng danh sách vào pybé, NumPy arrays cũng rất có thể được giảm (slicing).

# Khởi tạo nên numpy array tất cả shape = (3, 4) nhỏng sau:a = np.array(<<1,2,3,4>, <5,6,7,8>, <9,10,11,12>># Dùng chỉ số để mang phần tử mặt hàng 1, cột 2print(a<1><2>) # 7print(a<1, 2>) # 7# Dùng slicing để mang 2 hàng đầu tiên của 2 cột đầu tiênprint(a<:2><:2>)# <<1 2> <5 6>># Kết đúng theo cần sử dụng slicing cùng indexing# Chụ ý: sẽ tạo ra mảng tất cả rank phải chăng hơn mảng cũr1 = a<1, :> # Rank 1, hàng 1 của a print(r1, r1.shape) # <<5 6 7 8>> (4,)

Boolean array indexing:

Cho phnghiền bạn chọn ra các phần tử tùy ý của một mảng, thường xuyên được sử dụng để lựa chọn ra những phần tử vừa lòng điều kiện như thế nào đó

a = np.array(<<1,2>, <3, 4>, <5, 6>>)bool_idx = (a > 2) # Tìm các thành phần to hơn 2;# Trả về 1 numpy array of Booleans tất cả shape như mảng a# và cực hiếm trên từng thành phần là # True ví như thành phần của a tại kia > 2,# False cho ngôi trường phù hợp ngược chở lại.print(bool_idx) # <# # >”Kết luậnNumPy là 1 thỏng viện toán thù học thịnh hành cùng trẻ trung và tràn trề sức khỏe của Pythanh mảnh. Nó có thể chấp nhận được thao tác làm việc kết quả với ma trận cùng mảng, nhất là dữ liệu ma trận và mảng lớn với vận tốc giải pháp xử lý nkhô cứng hơn nhiều lần khi chỉ sử dụng Pydong dỏng thuần.

Trong nội dung bài viết tôi sẽ ra mắt cho bạn về NumPy, tác dụng của chính nó, phương pháp thiết đặt nó nhằm thực hiện, khám phá về Mảng tronng NumPy, hình dáng dữ liệu trong NumPy. Trong bài viết tiếp theo chungs ta đã tiếp tục tò mò về những đẳng cấp tài liệu không giống vào NumPy

Leave a Reply

Your email address will not be published. Required fields are marked *