Numpy là gì

Trong Pybé, phong cách dữ liệu “list” được nghe biết nlỗi là 1 trong những list các bộ phận được phân làn cùng nhau bởi lốt phẩy, được tàng trữ theo thiết bị từ. Nếu bạn chưa học Pyeo hẹp, hoàn toàn có thể tham khảo cùng học tại website này.

Bạn đang xem: Numpy là gì


*

Một ví dụ về menu trong pythonGiới thiệu về NumPy

NumPy là 1 trong thỏng viện của Pyhạn hẹp, sở hữu phong cách dữ liệu chính là NumPy array cùng các hàm cung cấp cập nhật tài liệu. Về cơ phiên bản, NumPy arrays tất cả thực chất tựa như nlỗi “list” tuy vậy đựng các thành phần tất cả thuộc phong cách dữ liệu. Nó được cải tiến và phát triển để sở hữu được những ưu điểm Ship hàng mang đến việc thao tác làm việc, up date dữ liệu nlỗi nkhô nóng hơn, tiện lợi hơn cùng tiêu tốn không nhiều bộ lưu trữ.


*

*

NumPy’s main object is the homogeneous multidimensional array. It is a table of elements (usually numbers), all of the same type, indexed by a tuple of positive integers (SciPy.org).

NumPy khôn cùng có ích mang đến bài toán tính toán các mảng nhiều chiều, gồm kích cỡ to cùng với những hàm số đã có được tối ưu áp dụng lên các mảng những chiều kia, đặc biệt là những hàm số liên quan cho tới Đại Số Tuyến Tính.

Xem thêm: Bật Mí Cách Đồ Xôi Trắng Ngon Không Phải Ai Cũng Thạo, Cách Nấu Xôi Trắng Đơn Giản Mà Ngon

Chú ý: Phiên phiên bản Pynhỏ nhắn sử dụng vào bài viết này là Pykhông lớn 3.5

Cài đặt NumPy

Ubuntu/Debian: $ suvị apt-get install python-numpyMacOS (thực hiện Macports): $ suvày port install py35-numpyCài đặt bởi PIP: $ pip install numpy

Sau lúc vẫn setup kết thúc NumPy, họ buộc phải import nó để áp dụng nlỗi các thư viện khác của Pyeo hẹp nhằm thực hiện các hàm số của NumPy:

import numpy as npTừ khóa “as” trong pynhỏ nhắn góp họ gán tên thư viện numpy với một tên không giống nđính gọn gàng hơn là “np” để dễ dãi cho bài toán sử dụng liên tục.

Lưu ý: các đổi thay numpy là những đổi thay mutable. Để phân biệt các phát triển thành mutable với các biến hóa immutable trong Pythanh mảnh, xin mời xem thêm trên đây

Các vẻ bên ngoài dữ liệu trong NumPy
*

*

Các hình dáng tài liệu trong NumpySử dụngNumPy nhằm tạo mảng

NumPy array (numpy.ndarray) là kiểu dáng dữ liệu cất mảng n chiều cất những bộ phận tất cả thuộc 1 hình dáng dữ liệu

np.array()

np.array() là hàm dùng để làm tạo nên mảng vào NumPy, gồm cú pháp không thiếu là:

array(object, dtype = None, copy = True, order = ‘K’, subok = False, ndmin = 0)dtype là tmê mẩn số tùy chọn, dùng để làm chính sách thứ hạng tài liệu cho những thành phần của mảng. Nếu không được truyền, dtype sẽ được auto xác minh theo phong cách tài liệu hoàn toàn có thể lưu lại được tất cả mang trị vào mảng.

lấy một ví dụ để sở hữu một vector (mảng 1 chiều) x = <1, 2, 3>, họ triển khai nlỗi sau:

x = np.array(<1, 2, 3>)# <1 2 3>print(type(x<0>))# numpy.int64 — dtype được auto xác minh là kiểu dáng số nguyênx = np.array(<1, 2, 3, 'abc'>)# <'1' '2' '3' 'abc'>print(type(x<0>))# numpy.str_ — dtype được auto xác định là hình dáng chuỗiTạo mảng nhiều chiều:

print(arr3d.shape)# (2, 2, 2) # mảng arr3d là mảng 3 chiều bao gồm kích cỡ 2x2x2

np.arange( )

là một hàm hết sức có lợi nhằm chế tạo ra mảng n chiều bao gồm kích cỡ phệ. Mặc định, np.arange( ) sẽ khởi tạo mảng một chiều. np.arange() thường xuyên dùng để làm tạo ra mảng theo quy tắc cung cấp số cộng, với bốn tmê man số:

— cực hiếm của khởi đầu của cung cấp số — quý hiếm dứt của cấp cho số (ko bao gồm trong mảng) — bước nhảy quý giá (công sai)(tùy chọn) — hình dáng dữ liệu của những bộ phận trong mảng

# lấy ví dụ như sản xuất mảng theo cấp số cộng với np.arange()np.arange(3) # (0, )np.arange(3, 10) # (, )np.arange(3, 10, 3) # (, , )# <0 1 2># <3 4 5 6 7 8 9># <3 6 9>Để tạo ra mảng nhiều chiều với np.arange(), chúng ta cũng có thể dùng hàm np.reshape( ).

Xem thêm: Hướng Dẫn Cách Hiện Lượt Theo Dõi Trên Facebook Cá Nhân Thành Công 100%

Quy tắc: tổng số thành phần của mảng = tích giá trị những chiều.Ví dụ:

np.arange(0, 10, 3)# <0 3 6 9> — tổng số bộ phận = 4np.arange(0, 10, 3).reshape(2, 2)# <<0 3> <6 9>># chiều tài liệu mới là (2, 2)# tích cực hiếm những chiều = 2*2=4 = toàn bô phần tử của mảng

np.zeros(), np.ones(), np.full() cùng np.eye()

Tạo một số trong những một số loại mảng đặc biệt quan trọng. Ví dụ:

# chế tạo ra mảng 1 chiều gồm 5 bộ phận có giá trị 1arr0 = np.ones(5)# <0. 0. 0. 0. 0.># chế tạo ra mảng một chiều gồm 5 bộ phận có mức giá trị 1arr1 = np.ones(5)# <1. 1. 1. 1. 1.># chế tạo ra mảng 1 chiều bao gồm 5 bộ phận có mức giá trị valuevalue = 10arrVal = np.full(5, value)# <10. 10. 10. 10. 10.># chế tạo ra ma trận đơn vị form size M3:arrIM = np.eye(3)# <<1. 0. 0.># <0. 1. 0.># <0. 0. 1.>>

np.random()

Tạo mảng 1 hoặc các chiều cùng với các thành phần được sinch ngẫu nhiên

# chế tạo ra mảng 2D bao gồm form size 2x3np.random.random((shape=(2, 3)))# <<0.62458755 0.10245283 0.17433315> <0.42482323 0.04846587 # 0.42415937>>Kết luậnNumpy là một thỏng viện toán học thịnh hành cùng mạnh mẽ của Pybé. Nó được cho phép làm việc công dụng với ma trận với mảng, đặc biệt là tài liệu ma trận cùng mảng béo cùng với tốc độ cách xử trí nkhô hanh rộng nhiều lần lúc chỉ thực hiện Pybé đối chọi thuần. Trong bài xích tiếp theo sau tôi đã ra mắt cùng với các bạn về cách truy cập những thành phần của NumPy arrays cùng những hàm tính tân oán được hỗ trợ trong thỏng viện NumPy.


Chuyên mục: Kiến thức