NumPy apzīmē Numerical Python. Tā ir Python bibliotēka, ko izmanto darbam ar masīvu. Programmā Python mēs izmantojam sarakstu masīvam, taču tā apstrāde notiek lēni. NumPy masīvs ir spēcīgs N-dimensiju masīva objekts, un to izmanto lineārās algebras, Furjē transformācijas un nejaušo skaitļu iespējās. Tas nodrošina masīva objektu daudz ātrāk nekā tradicionālie Python saraksti.

Masīvu veidi:

1. Viendimensijas masīvs
2. Daudzdimensiju masīvs

Viendimensijas masīvs:

Viendimensijas masīvs ir lineāra masīva veids.

Viendimensijas masīvs

Piemērs:

# importing numpy module import numpy as np # creating list list = [1, 2, 3, 4] # creating numpy array sample_array = np.array(list) print('List in python : ', list) print('Numpy Array in python :', sample_array) 

Izvade:

List in python : [1, 2, 3, 4] Numpy Array in python : [1 2 3 4] 

Pārbaudiet datu tipu sarakstam un masīvam:

print(type(list_1)) print(type(sample_array)) 

Izvade:

Daudzdimensiju masīvs:

Dati daudzdimensiju masīvos tiek glabāti tabulas veidā.

Divdimensiju masīvs

Piemērs:

# importing numpy module import numpy as np # creating list  list_1 = [1, 2, 3, 4] list_2 = [5, 6, 7, 8] list_3 = [9, 10, 11, 12] # creating numpy array sample_array = np.array([list_1, list_2, list_3]) print('Numpy multi dimensional array in python
', sample_array) 

Izvade:

Numpy multi dimensional array in python [[ 1 2 3 4]  [ 5 6 7 8]  [ 9 10 11 12]] 

Piezīme: izmantot [ ] operatori iekšā numpy.array() daudzdimensionālam

Masīva anatomija:

1. Ass: Masīva ass apraksta indeksēšanas secību masīvā.

Asis 0 = viena dimensija

1. ass = divdimensiju

2. ass = trīsdimensiju

2. Forma: Elementu skaits kopā ar katru asi. Tas ir no kortedža.

Piemērs:

# importing numpy module import numpy as np # creating list  list_1 = [1, 2, 3, 4] list_2 = [5, 6, 7, 8] list_3 = [9, 10, 11, 12] # creating numpy array sample_array = np.array([list_1, list_2, list_3]) print('Numpy array :') print(sample_array) # print shape of the array print('Shape of the array :', sample_array.shape) 

Izvade:

Numpy array :  [[ 1 2 3 4]  [ 5 6 7 8]  [ 9 10 11 12]] Shape of the array : (3, 4) 

Piemērs:

import numpy as np sample_array = np.array([[0, 4, 2], [3, 4, 5], [23, 4, 5], [2, 34, 5], [5, 6, 7]]) print('shape of the array :', sample_array.shape) 

Izvade:

shape of the array : (5, 3) 

3. Rangs: Masīva rangs ir vienkārši tam esošo asu (vai izmēru) skaits.

Viendimensijas masīvam ir 1. rangs.

1. rangs

Divdimensiju masīvam ir 2. pakāpe.

2. rangs

4. Datu tipa objekti (dtype): Datu tipa objekti (dtype) ir gadījums numpy.dtype klasē. Tajā ir aprakstīts, kā jāinterpretē baiti fiksētā izmēra atmiņas blokā, kas atbilst masīva vienumam.

Piemērs:

# Import module import numpy as np # Creating the array  sample_array_1 = np.array([[0, 4, 2]]) sample_array_2 = np.array([0.2, 0.4, 2.4]) # display data type print('Data type of the array 1 :', sample_array_1.dtype) print('Data type of array 2 :', sample_array_2.dtype) 

Izvade:

Data type of the array 1 : int32 Data type of array 2 : float64 

Daži dažādi veidi, kā izveidot Numpy Array:

1. numpy.array() : Numpy masīva objektu programmā Numpy sauc par ndarray. Mēs varam izveidot ndarray, izmantojot numpy.array() funkciju.

Sintakse: numpy.masīvs(parametrs)

Piemērs:

# import module import numpy as np #creating a array arr = np.array([3,4,5,5]) print('Array :',arr) 

Izvade:

Array : [3 4 5 5] 

2. numpy.fromiter() : Funkcija fromiter() izveido jaunu viendimensiju masīvu no iterējama objekta.

Sintakse: numpy.fromiter(iterable, dtype, count=-1)

1. piemērs:

#Import numpy module import numpy as np # iterable iterable = (a*a for a in range(8)) arr = np.fromiter(iterable, float) print('fromiter() array :',arr) 

Izvade:

fromiter() masīvs: [ 0. 1. 4. 9. 16. 25. 36. 49.]

2. piemērs:

import numpy as np var = 'Geekforgeeks' arr = np.fromiter(var, dtype = 'U2') print('fromiter() array :', arr) 

Izvade:

fromiter() masīvs : ['G' 'e' 'e' 'k' 'f' 'o' 'r' 'g' 'e' 'e' 'k' 's']

3. numpy.arange() : Šī ir iebūvēta funkcija NumPy, kas atgriež vienmērīgi izvietotas vērtības noteiktā intervālā.

Sintakse: numpy.arange([sākt, ]pārtraukt, [solis, ]dtype=nav)

Piemērs:

import numpy as np np.arange(1, 20 , 2, dtype = np.float32) 

Izvade:

masīvs([ 1., 3., 5., 7., 9., 11., 13., 15., 17., 19.], dtype=float32)

4. numpy.linspace() : Šī funkcija atgriež vienmērīgi izvietotus skaitļus, kas ir norādīti starp divām robežām.

Sintakse: numpy.linspace(sākums, beigas, cipars = 50, beigu punkts = patiess, retstep = nepatiess, dtype = nav, ass = 0)

1. piemērs:

import numpy as np np.linspace(3.5, 10, 3) 

Izvade:

array([ 3.5 , 6.75, 10. ]) 

2. piemērs:

import numpy as np np.linspace(3.5, 10, 3, dtype = np.int32) 

Izvade:

array([ 3, 6, 10]) 

5. numpy.empty() : Šī funkcija izveido jaunu noteiktas formas un veida masīvu bez inicializācijas vērtības.

Sintakse: numpy.empty(forma, dtype=float, order='C')

Piemērs:

import numpy as np np.empty([4, 3], dtype = np.int32, order = 'f') 

Izvade:

array([[ 1, 5, 9],  [ 2, 6, 10],  [ 3, 7, 11],  [ 4, 8, 12]]) 

6. numpy.ones(): Šī funkcija tiek izmantota, lai iegūtu jaunu noteiktas formas un veida masīvu, kas piepildīts ar tiem (1).

Sintakse: numpy.ones(forma, dtype=nav, order='C')

Piemērs:

import numpy as np np.ones([4, 3], dtype = np.int32, order = 'f') 

Izvade:

array([[1, 1, 1],  [1, 1, 1],  [1, 1, 1],  [1, 1, 1]]) 

7. numpy.zeros() : Šo funkciju izmanto, lai iegūtu jaunu noteiktas formas un veida masīvu, kas aizpildīts ar nullēm (0).

Sintakse: numpy.ones(forma, dtype=nav)

Piemērs:

import numpy as np np.zeros([4, 3], dtype = np.int32, order = 'f') 

Izvade:

array([[0, 0, 0],  [0, 0, 0],  [0, 0, 0],  [0, 0, 0]])