Bevezetés a NumPy-be
A NumPy egy nyílt forráskódú Python csomag. Használható tudományos és numerikus számításhoz. Leginkább a tömbök hatékonyabb kiszámításához használják. Alapját C és Python írja. Ez egy python csomag, és a Numpy szó jelentése numerikus Python. Elsősorban homogén, többdimenziós tömb feldolgozására használják. A tudományos számítások központi könyvtára. Ezért erős többdimenziós tömbobjektumokkal és integráló eszközökkel rendelkezik, amelyek hasznosak ezekkel a tömbökkel való munka közben. A pythonban szinte minden tudományos programozásban fontos, amely magában foglalja a gépi tanulást, a statisztikákat, a bioinformatikát stb. Leginkább a szomszédos tömbök matematikai műveleteinek elvégzésére koncentrál, hasonlóan a tömbökhöz, amelyek alacsonyabb szintű nyelveken, például C-ben vannak. Más szavakkal, a numerikus adatok manipulálásánál használják. Emiatt a python felhasználható a MATLAB alternatívájaként.
A Numpy megértése
A Python egyik legelterjedtebb könyvtára a Numpy. Az adattudományi technikákhoz nagy méretű mátrixokon és mátrixokon kell munkát végezni, és nehéz numerikus számítást kell végezni a hasznos információk kinyerésére, amelyet megkönnyít a NumPy alatt található különböző matematikai függvények összegyűjtése. Ez az alap Mégis fontos könyvtár a Python tudományos számítástechnikájának nagy részében, néhány más könyvtár alapvetően a NumPy tömböktől is függ. Ezenkívül olyan funkciókat is biztosít, amelyek lehetővé teszik a fejlesztők számára, hogy alapvető, illetve fejlett matematikai és statisztikai funkciókat hajtsanak végre többdimenziós tömbökön és mátrixokon, kevesebb kódsorral. Az 'ndarray' vagy n-dimenziós tömb adatszerkezet a Numpy fő funkciója. Ezek a tömbök homogének és a tömb összes elemének azonos típusúnak kell lennie.
A NumPy tömbök gyorsabbak a Python listákhoz képest. A python listák azonban rugalmasabbak, mint a számtalan tömbök, mivel minden oszlopban csak ugyanazt az adattípust tárolhatja.
Jellemzők -
- Ez a C és a python kombinációja
- Többdimenziós homogén tömbök. Ndarray, amelyek egy dimenziós tömb
- Különböző funkciók tömbökhöz.
- A tömbök átalakítása A Python használható a MATLAB alternatívájaként.
Hogyan teszi a numpy a munkát ilyen egyszerűvé?
Könnyen létrehozhat homogén tömböket, és különféle műveleteket végezhet rajta,
- A következő parancs használatával történő importáláskor importálja a numpy fájlt.
NumPy n-dimenziós tömb
A Numpy egyik legfontosabb tulajdonsága egy n-dimenziós tömb, amely nd-tömb. A tömb dimenzióinak száma csak tömb rangsorolása. Íme néhány példa. Arra = numpy.array ((10, 20, 30))
Hüvelyes tömb létrehozása-
A következő sor tömböt hoz létre,
Arra = numpy.arange (3)
Ez pont olyan, mint a python tartománya. Ez létrehoz egy 3-as méretű tömböt.
Néhány alapvető funkció, amely használható számtalan tömbtel
Vessen egy pillantást arra, hogy milyen funkciókat használhatunk tömbvel és azok rendeltetésének
Importáljon számtelenként
ARRC = numpy.array (((10, 20, 30), (40, 50, 60)))
arrC.reshape (3, 2)
Kimenet: arrayC (((10, 20),
(30, 40), (50, 60)))Az Átalakítás funkció megváltoztatja az oszlopok és a sorok számát, így a tömb átalakítása után új nézetet kap az eltérő oszlopok és sorok száma.
Néhány matematikai függvény Numpy-ban
Vannak matematikai függvények, amelyek használhatóak a Numpy tömböknél.
Importáljon számtelenként
Arra = numpy.array (((1, 2, 3), (4, 5, 6)))
arrB = numpy.array (((7, 8, 9), (10, 11, 12)))
numpy.add (Arra, arrB)
Ez a funkció hozzáadja az arrA és arrB tömböt
Kimenet:
tömbC (((8, 10, 12), (14, 16, 18)))
Miért kellene használnunk?
A helyett python numpy tömböt használunk egy lista helyett, az alábbi három ok miatt:
- Kevesebb memóriafelhasználás
- Gyors teljesítmény
- Kényelmes dolgozni
A python numpy tömbök elõnyben részesítésének elsõ oka az, hogy kevesebb memóriát igényel a python listához képest. Ezután gyors a végrehajtás szempontjából, ugyanakkor kényelmes és könnyű vele dolgozni.
Mit tehetünk Numpyval?
A tömbök beépített támogatása pythonban nem érhető el, de tömbként python listákat használhatunk.
arrayA = ('Hello', 'world')
print (Arraya)
De ez még mindig egy python lista, nem tömb.
Tehát itt jön a Numpy, amelyet felhasználhatunk 2D, 3D létrehozására, amely többdimenziós tömbök. Ezenkívül számításokat végezhetünk tömbökön is.
importálni a számot mint számot
arr = szám.array ((1, 2, 3, 4, 5, 6))
print (arr)
Array tömböt hoz létre.
Ezután 2D és 3D tömbök esetén
importálni a számot mint számot
arr = szám.tömb (((1, 2, 3, 4, 5), (6, 7, 8, 9, 10, 11)))
print (arr)
–Ha meg akarja tudni a tömb méreteit, egyszerűen használhatja a következő funkciót.
print (arr.ndim)
–Ha meg akarja tudni egy tömb méretét, egyszerűen használhatja a következő funkciót,
print (arr.size)
–A tömb alakjának megismeréséhez használhatja az alak függvényt.
print (arr.shape)
Megmutatja a számot (oszlop, sorok)
Használhatja a szeletelést, az átalakítást és még sok más módszert is számtalan tömbökkel.
Miért van szükségünk?
A tömb és a mátrixok logikai és matematikai számításához számtalan szám szükséges. Túl hatékonyan és gyorsabban hajtja végre ezeket a műveleteket, mint a python listák.
Előnyök
1. A szemtelen tömbök kevesebb helyet foglalnak el.
A NumPy tömbjei kisebbek, mint a Python listák. A python-lista akár 20 MB-ot is igénybe vehet, míg a tömb 4 MB-ot igényelhet. A tömbök olvasáshoz és íráshoz is könnyen hozzáférhetők.
2. A sebesség is nagyszerű. Gyorsabb számításokat hajt végre, mint a python listák.
Mivel nyílt forráskódú, nem fizet semmit, és egy nagyon népszerű Python programozási nyelvet használ, amely szinte minden feladathoz kiváló minőségű könyvtárakat tartalmaz. Ezenkívül könnyű a meglévő C-kódot a Python-értelmezőhöz csatlakoztatni.
Karrier növekedés
A programozási nyelvek között a Python az IT területén trendszerû technológia. A Pythonban a karrierlehetőségek száma gyorsan növekszik az egész világon. Mivel a python magas szintű programozási nyelv, ezért a Python a kód gyorsabb olvashatóságát és tömörségét kezeli, kevesebb kódsor mellett. A Python az egyik legjobb eszköz a nagy és a kis kiterjesztésű dinamikus szkriptek létrehozásához.
A Python-ot széles körben használják a webfejlesztésben, a szkriptek írásában, a tesztelésben, az alkalmazások és azok frissítéseinek fejlesztésében. Tehát ha valaki szakember akar lenni a Python-ban, sok karrierlehetősége van, például python-fejlesztő, python-tesztelő vagy akár adattudós is.
Következtetés:
Most, amint láthatjuk, valóban nagyon erős a kiváló minőségű könyvtári funkciók szempontjából. Bárki elvégezhet nagy számításokat vagy számításokat, csak néhány sornyi kóddal. Ez az, ami nagyszerű eszközévé teszi a különféle numerikus számításokat. Ha valaki adattudós akar lenni, akkor megpróbálhatja elsajátítani a Numpy-t. De először meg kell tanulnia és meg kell ismernie a python-ot, mielőtt a Numpy szakértővé válna.
Ajánlott cikkek
Ez egy útmutató a Mi NumPy oldalról. Itt tárgyaljuk a NumPy szolgáltatásait, előnyeit és karriernövekedését. A következő cikkeket is megnézheti további információkért -
- Mi a C?
- Mi a QlikView?
- Mi az Apache Flink?
- Mi az a Houdini?
- Python lista megértése
- Különböző NumPy adattípusok példákkal