Въведение в NumPy
NumPy е пакет с отворен код на python. Може да се използва за научни и числени изчисления. Най-често се използва за по-ефективно изчисляване на масиви. Той е базиран и написан на C и Python. Това е пакет python и думата Numpy означава Numerical Python. Използва се главно за обработка на хомогенен многоизмерен масив. Това е основна библиотека за научни изчисления. Следователно той разполага с мощни многоизмерни масивни обекти и интегриращи инструменти, които са полезни по време на работа с тези масиви. Той е важен в почти всяко научно програмиране в python, което включва машинно обучение, статистика, биоинформатика и др. Той осигурява наистина добра функционалност, която е много добре написана и работи ефективно. Основно се фокусира върху извършването на математически операции върху съседни масиви, подобно на масивите, които имате на езици от по-ниско ниво като C. С други думи, той се използва при манипулиране на числови данни. Поради това, python може да се използва като алтернатива на MATLAB.
Разбиране на Numpy
Една от най-използваните библиотеки в Python е Numpy. Технологиите за научни данни трябва да работят върху масиви и матрици с големи размери и трябва да се правят тежки числени изчисления, за да се извлече полезна информация от нея, което става лесно чрез събирането на различни математически функции под NumPy. Това е основното все пак важна библиотека за повечето научни изчисления в Python, също така някои други библиотеки зависят от NumPy масивите като основни входове и изходи. Той също така предоставя функции, които позволяват на разработчиците да изпълняват основни, както и усъвършенствани математически и статистически функции на многомерни масиви и матрици с много по-малък брой редове от код. 'ndarray' или n-мерна структура от масиви е основната функционалност на Numpy. Тези масиви са хомогенни и всички елементи на масива трябва да бъдат от един и същи тип.
NumPy масивите са по-бързи в сравнение със списъците на Python. Но списъците на python са по-гъвкави от numpy масивите, тъй като можете да съхранявате един и същ тип данни във всяка колона.
Характеристика -
- Това е комбинация от С и питон
- Многомерни хомогенни масиви. Ndarray, които са двуизмерен масив
- Различни функции за масиви.
- Прекрояване на масиви Python може да се използва като алтернатива на MATLAB.
Как numpy прави работата толкова лесна?
Можете лесно да създавате хомогенни масиви и да извършвате различни операции върху него като,
- Импортирайте го с помощта на следната команда, импортирайте numpy като numpy.
NumPy n-мерна решетка
Една от най-важните характеристики на Numpy е n-мерния масив, който е nd-масив. Броят на размерите на масива не е нищо друго освен ранг на масива. Ето няколко примера. ARRA = numpy.array ((10, 20, 30))
Създаване на масивен масив-
Следващият ред създава масив,
ARRA = numpy.arange (3)
Това е точно като диапазона в python. Това ще създаде масив с размер 3.
Някои основни функции, които могат да се използват с numpy масив
Нека да разгледаме какви функции можем да използваме с масива и тяхното предназначение
Импортирайте numpy като numpy
ARRC = numpy.array (((10, 20, 30), (40, 50, 60)))
arrC.reshape (3, 2)
Изход: arrayC (((10, 20),
(30, 40), (50, 60)))Функцията за преобразуване променя броя на колоните и редовете, така че след прекрояване на масива ще се получи нов изглед с различния брой колони и редове.
Някои математически функции в Numpy
Има математически функции, които могат да се използват с Numpy масиви. По-долу са някои примери,
Импортирайте numpy като numpy
ARRA = numpy.array (((1, 2, 3), (4, 5, 6)))
arrB = numpy.array (((7, 8, 9), (10, 11, 12)))
numpy.add (ARRA, arrB)
Тази функция добавя arrA arrA и arrB
изход:
arrayC (((8, 10, 12), (14, 16, 18)))
Защо трябва да използваме?
Използваме python numpy масив вместо списък поради следните три причини:
- По-малко използване на паметта
- Бързо изпълнение
- Удобен за работа
Първата причина за предпочитане на python numpy масиви е, че тя отнема по-малко памет в сравнение със списъка на python. След това, той е бърз по отношение на изпълнението и в същото време е удобно и лесно да се работи с него.
Какво можем да направим с Numpy?
Вградената поддръжка за Arrays не е налична в python, но можем да използваме списъци python като масиви.
arrayA = ('Здравей', 'свят')
отпечатате (arrayA)
Но това все още е списък на python, а не масив.
Така че тук идва Numpy, който можем да използваме за създаване на 2D, 3D, които са многоизмерни масиви. Също така, можем да правим изчисления на масиви.
импортиране numpy като число
arr = num.array ((1, 2, 3, 4, 5, 6))
печат (Пр)
Създава arr arr.
След това, за 2D и 3D масиви,
импортиране numpy като число
arr = num.array (((1, 2, 3, 4, 5), (6, 7, 8, 9, 10, 11)))
печат (Пр)
- Ако искате да знаете размерите на масива си, можете просто да използвате следната функция.
отпечатате (arr.ndim)
- Ако искате да разберете размера на масива, можете просто да използвате следната функция,
печат (arr.size)
–За да разберете формата на масив, можете да използвате функцията на формата.
печат (arr.shape)
Той ще ви каже броя на (col, редове)
Можете също така да използвате рязане, прекрояване и много други методи с масивни масиви.
Защо имаме нужда?
За да се направят логически и математически изчисления на масив и матрици са нуми. Изпълнява тези операции твърде ефективно и по-бързо от списъците на python.
Предимства
1. Numpy масивите заемат по-малко място.
Масивите на NumPy са с по-малък размер от списъците на Python. Списъкът на python може да приеме размер до 20 MB, докато масивът може да вземе 4MB. Масивите също са лесни за достъп за четене и писане.
2. Изпълнението на скоростта също е страхотно. Той извършва по-бързи изчисления, отколкото python списъци.
Тъй като е с отворен код, това не струва нищо и използва много популярен език за програмиране Python, който има висококачествени библиотеки за почти всяка задача. Освен това е лесно да свържете съществуващия код на C към интерпретатора на Python.
Кариерен растеж
Сред езиците за програмиране Python е модерна технология в ИТ. Кариерните възможности в Python се увеличават бързо по брой в целия свят. Тъй като python е език за програмиране на високо ниво, Python се грижи за по-бърза четене на кода и сбитост, с по-малко редове от код. Python е един от най-добрите инструменти за създаване на динамични скриптове на големи и малки разширения.
Python се използва широко в уеб разработка, писане на скриптове, тестване, разработване на приложения и техните актуализации. Така че, ако някой иска да бъде експерт в Python, той има много възможности за кариера, като един може да бъде разработчик на python, python tester или дори учен с данни.
Заключение:
Както виждаме, той наистина е силен по отношение на висококачествените библиотечни функции, които има. Всеки може да извършва големи изчисления или изчисления само с няколко реда код. Това е, което го прави чудесен инструмент за различни изчисления с цифри. Ако някой желае да стане учен с данни, тогава може да опита да овладее Numpy. Но първо, трябва да се научите и да знаете python, преди да станете експерт по Numpy.
Препоръчителни статии
Това е ръководство за това какво е NumPy. Тук обсъждаме характеристиките, предимствата и кариерния растеж на NumPy. Можете също да разгледате следните статии, за да научите повече -
- Какво е C?
- Какво е QlikView?
- Какво е Apache Flink?
- Какво е Худини?
- Разбиране на списъка на Python
- Различни типове данни NumPy с примери