Numpy Là Gì

     

NumPy là 1 một trong những gói Python là viết tắt của Numerical Python. đó là thư viện cốt lõi cho scientific computing, nó cất một đối tượng người sử dụng người tiêu dùng người tiêu dùng mảng n chiều vững mạnh, ưng ý các phép tắc để tích hòa hợp C, C ++, v.v. Nó cũng luôn tồn tại lợi trong đại số con đường tính, random number capability, … . NumPy Array cũng luôn có thể được sử dụng như multi-dimensional container chức năng cho tài liệu chung. Ngày này, hãy xem đúng cách một numpy array là gì nha.

Bạn đang xem: Numpy là gì

Bài Viết: Numpy là gì

NumPy Array

Numpy array là một trong những trong những đối tượng người dùng người tiêu dùng người sử dụng mảng N chiều vững táo tợn ở dạng hàng & cột. Những bạn cũng có thể khởi tạo các numpy arrays tự nested Python lists and truy vấn những thành phần của chính bạn dạng thân nó. Để thực hiện triển khai thao tác làm việc này, thắc mắc tiếp theo sau xuất hiện trong đầu bạn là:

Numpy thiết lập như nuốm nào?

Để setup Python NumPy, đi tới command của doanh nghiệp and nhập vào pip install numpy. Sau thời điểm setup hoàn tất, hãy tầm nã vấn IDE của công ty (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 không giống nhau được tàng trữ trong số những điểm đặt bộ nhớ lưu trữ tương xứng của chúng. Nó được gọi bằng hai chiều vì nó bao gồm hàng tựa như như cột. Vào hình trên, cửa hàng chúng tôi có 3 cột & 4 hàng tất cả sẵn.

Hãy coi nó được thực hiện trong 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:

>

Python NumPy Array v/s Danh sách

Chúng tôi sử dụng numpy array thế thế sửa chữa vì một danh sách vì ba nguyên nhân phía bên dưới đây:Bộ lưu trữ ít hơnNhanhTiện lợi

Tôi sẽ bằng chứng từng điểm một bên trên trong thực tiễn trong PyCharm. Hãy quan tâm đến ví dụ phía dưới đây:

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

240008000Đầu ra ngơi nghỉ trên cao cao cho biết rằng bộ lưu trữ lưu trữ được phân bổ theo list (ký hiệu là S) là 24000 giữa những lúc bộ nhớ lưu trữ lưu trữ được phân bố bởi numpy array chỉ nên 4000. Theo đó, bạn cũng sẽ có thể tóm lại rằng bao gồm một sự khác biệt lớn thân hai and điều này tạo cho numpy array là sự việc lựa chọn ưu tiên hơn nếu với danh sách.


Tiếp sau, hãy nói đến phương thức thức numpy array của python cấp tốc hơn and dễ dãi hơn khi so sánh với danh sách.

import timeimport sys kích cỡ = 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, chúng mình đã xác định hai lists và numpy arrays. Tiếp nối, chúng mình đã đối chiếu thời gian tiến hành xúc tiến để search tổng của list and tổng của numpy array. Nếu như bạn thấy đầu ra của công tác trên, tất cả hai căn chỉnh đáng chăm chú trong nhì Ngân sách. List mất 256ms giữa những lúc numpy array mất 28ms. Vì chưng vậy, numpy array cấp tốc hơn danh sách. Ngày này, nếu người sử dụng nhận thấy chúng mình đã chạy một vòng lặp ‘for cho một danh sách trả về bài toán phối phối kết hợp của tất cả hai lists trong số những lúc so với các numpy arrays, chúng mình vừa thêm hai array bằng cách thức A1 + A2. Đó đó là lý chính vì sao thao tác với numpy dễ dàng và đơn giản and dễ ợt hơn thỉnh thoảng so sánh với danh sách.

Vì vậy, các ví dụ trên dẫn chứng lý cũng chính vì sao bạn nên chọn numpy array chứ không đề nghị là 1 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 trong số những mảng hai chiều (đa chiều).

2. Itemsize: Độ dài của 1 trong những những bộ phận 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 có thể tìm thấy kích cỡ and tầm dáng của mảng bằng cách thức thực hiện hàm size and shape tương xứng.

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

6(1, 6)5. Reshape: thỏa mãn nhu cầu một vóc dáng mới cho một mảng mà hình như không căn chỉnh tài liệu của chính phiên bản thân nó.

Xem thêm: Top 12 Mẫu Laptop Dưới 10 Triệu Tốt Nhất 2017, Laptop Dưới 10 Triệu Tốt Nhất 2017


*

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

> >6. Slicing: trích xuất tập hợp những thành phần ví dụ xuất phát xuất phát từ 1 mảng.


Trước cơ hội lấn sân vào ví dụ trên, hãy nhằm một mẫu nhìn đối chọi giản. Chúng ta có một mảng và những chúng ta phải 1 trong những những thành phần cụ thể (giả sử 3) trong 1 mảng không chuyển 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 chúng ta and (3,4,5,6) là chỉ tiên phong bậc nhất của numpy array. Vày vậy, chúng tôi đã in thành phần thứ 2 từ chỉ mục 0.Tiến lên một bước, hãy nhằm nói rằng những bạn phải nguyên tố thời điểm đầu tuần từ chỉ số 0 & chỉ mục đầu tiên của mảng. Hãy nhằm nhìn cách thức bạn cũng có thể triển khai triển khai thao tác này:

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

Tại đây lốt hai chấm vắt mặt đại diện cho toàn cục các hàng, bao hàm 0. Thời buổi này để chiếm được thành phần thời gian đầu tuần, shop chúng tôi sẽ điện thoại tư vấn chỉ số 2 từ cả hai hàng đống ý cho chúng tôi giá cả 3 & 5 tương xứng.

Tiếp sau, chỉ để loại bỏ sự nhầm lẫn, công ty chúng tôi có thêm một hàng and cửa hàng chúng tôi không hề mong mỏi nhận nhân tố thời điểm vào đầu tuần của chính phiên bản thân nó như hình ảnh trên. Những bạn có thể làm phần lớn gì vào trường phù hợp như vậy?Hãy suy xét mã phía bên dưới đây:

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

Như bạn cũng luôn tồn tại thể thấy trong đoạn mã trên, chỉ gồm 9 and 11 được in. Ngày nay khi mình đã viết 0: 2, điều này không bao gồm chỉ mục thứ 2 của hàng sản phẩm công nghệ ba của một mảng. Vày vậy, chỉ 9 and 11 được in ra.

7. Linspace: Trả về những số phương thức đều nhau trong một khoảng chừng thời gian khẳng định.

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

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

8. Max/ min: tìm kiếm mức về tối thiểu, tối đa tương tự 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 tò mò những thứ này khá cơ phiên bản này, với việc trợ giúp của kiến thức và khả năng này, chúng ta cũng có thể tiến hành thực thi nhiều trọng trách to các hơn. Ngày này, hãy hiểu định nghĩa trục (axis) trong python numpy.


Như bạn cũng có thể thấy vào hình, chúng ta có một mảng 2 * 3 gọn gàng. Tại đây những hàng được gọi là trục 1 and các cột được gọi là trục 0. Ngày nay bạn rất cần phải tự hỏi bài toán sử dụng những trục đó là gì?


Giả sử bạn nhu yếu tính tổng của toàn bộ các cột, thì bạn cũng luôn có thể áp dụng trục. Hãy nhằm mình chỉ cho bạn trong thực tế, cách thức bạn cũng luôn có thể thực thi trục vào PyCharm của tôi:

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

Vì vậy, tổng của cục bộ các cột được thêm vào trong số ấy 1 + 3 = 4, 2 + 4 = 6 và 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 số số đó cục bộ các hàng đạt thêm vào.

9. Square Root & Standard Deviation:Có không ít hàm toán học không giống nhau rất rất có thể được tiến hành triển khai bằng cách thức thực hiện python numpy. Bạn cũng sẽ có thể 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, có nghĩa là phép trừ, phép nhân and phép phân chia của nhì ma trận. Hãy để tôi đi trước trong khuyên bảo numpy python, và hiển thị nó :

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

>Điều này cực kì đơn giản! Đúng? Cũng tương tự, những bạn cũng có thể tiến hành triển khai các vận động khác ví như trừ, nhân và chia. Hãy lưu ý đến ví dụ phía bên dưới đây:

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

> > >11. Vertical & Horizontal Stacking:

Tiếp sau, nếu khách hàng nhu cầu nối nhì mảng & không hồ hết thêm chúng, bạn cũng luôn tồn tại thể thực hiện triển khai nó bởi hai phương pháp – xếp ck dọc và xếp chồng ngang.

Xem thêm: Định Lượng Alkaline Phosphatase Là Gì ? Chỉ Số Alp Tăng Bao Nhiêu Là Nguy Hiểm

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 các số ấy bạn cũng luôn có thể chuyển đổi một numpy array thành một cột độc tôn.

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

Mong ao ước với những chia sẻ trên rất rất có thể giúp ích mang lại bạn. Cảm ơn tất cả chúng ta đã phát âm nội dung bài bác viết