np empty python что это

Руководство по использованию Python-библиотеки NUMPY

Предок NumPy, Numeric, был разработан Джимом Хугунином. Также был создан пакет Numarray с дополнительной функциональностью. В 2005 году Трэвис Олифант выпустил пакет NumPy, добавив особенности Numarray в Numeric. Это проект с исходным кодом, и в его развитии поучаствовало уже много человек.

NumPy или Numerical Python — это библиотека Python, которая предлагает следующее:

Она также предлагает эффективный многомерный контейнер общих данных. С ее помощью можно определять произвольные типы данных. Официальный сайт библиотеки — www.numpy.org

Установка NumPy в Python

Массив NumPy

Это мощный многомерный массив в форме строк и колонок. С помощью библиотеки можно создавать массивы NumPy из вложенного списка Python и получать доступ к его элементам.

Массив NumPy — это не то же самое, что и класс array.array из Стандартной библиотеки Python, который работает только с одномерными массивами.

Одномерный массив NumPy.

Атрибуты массива NumPy

ndarray.ndim
Возвращает количество измерений массива.

Вывод кода сверху будет 2, поскольку «a» — это 2-мерный массив.

ndarray.shape
Возвращает кортеж размера массива, то есть (n,m), где n — это количество строк, а m — количество колонок.

Вывод кода — (2,3), то есть 2 строки и 3 колонки.

ndarray.size
Возвращает общее количество элементов в массиве.

Вывод — 6, потому что 2 х 3.

ndarray.dtype
Возвращает объект, описывающий тип элементов в массиве.

Вывод — «int32», поскольку это 32-битное целое число.
Можно явно определить тип данных массива NumPy.

ndarray.itemsize
Возвращает размер каждого элемента в массиве в байтах.

Вывод — 4, потому что 32/8.

ndarray.data
Возвращает буфер с актуальными элементами массива. Это альтернативный способ получения доступа к элементам через их индексы.

Этот код вернет список элементов.

ndarray.sum()
Функция вернет сумму все элементов ndarray.

ndarray.min()
Функция вернет элемент с минимальным значением из ndarray.

ndarray.max()
Функция вернет элемент с максимальным значением из ndarray.

Функции NumPy

numpy.zeroes()
numpy.zeros((rows, columns), dtype)
Эта функция создаст массив numpy с заданным количеством измерений, где каждый элемент будет равняться 0. Если dtype не указан, по умолчанию будет использоваться dtype.

Код вернет массив numpy 3×3, где каждый элемент равен 0.

numpy.ones()
numpy.ones((rows,columns), dtype)
Эта функция создаст массив numpy с заданным количеством измерений, где каждый элемент будет равняться 1. Если dtype не указан, по умолчанию будет использоваться dtype.

Код вернет массив numpy 3 x 3, где каждый элемент равен 1.

numpy.empty()
numpy.empty((rows,columns))
Эта функция создаст массив, содержимое которого будет случайным — оно зависит от состояния памяти.

Код вернет массив numpy 3×3, где каждый элемент будет случайным.

Вывод этого кода — [5 9 13 17 21]

numpy.sin()
numpy.sin(numpy.ndarray)
Этот код вернет синус параметра.

numpy.reshape()
numpy.reshape(dimensions)
Эта функция используется для изменения количества измерений массива numpy. От количества аргументов в reshape зависит, сколько измерений будет в массиве numpy.

Вывод этого года — 2-мерный массив 3×3.

numpy.random.random()
numpy.random.random((rows, column))
Эта функция возвращает массив с заданным количеством измерений, где каждый элемент генерируется случайным образом.

Этот код вернет ndarray 2×2.

numpy.exp()
numpy.exp(numpy.ndarray)
Функция вернет ndarray с экспоненциальной величиной каждого элемента.

numpy.sqrt()
numpy.sqrt(numpy.ndarray)
Эта функция вернет ndarray с квадратным корнем каждого элемента.

Этот код вернет значение 4.

Базовые операции NumPy

Базовые операции с массивом NumPy

Выводы

Из этого материала вы узнали, что такое numpy и как его устанавливать, познакомились с массивов numpy, атрибутами и операциями массива numpy, а также базовыми операциями numpy.

Источник

Функции автозаполнения, создания матриц и числовых диапазонов

На предыдущем занятии мы познакомились с функцией array для создания произвольных массивов на основе переданного ей списка или кортежа. Однако, часто в инженерных задачах требуется определять векторы или матрицы с типовым набором значений, например, состоящих из нулей или единиц, или определение диагональной и единичной матриц и так далее. Конечно, мы можем все это сделать также через функцию array, используя механизм генерации списков, например, так:

Но есть более быстрые способы (по скорости выполнения) создания подобных массивов. Для этого в NumPyимеются полезные функции, которые мы сейчас рассмотрим.

Функции автозаполнения элементов массива

Возвращает новый массив заданного размера и типа данных, но без определенных значений.

Возвращает массив размером NxMс единичными диагональными элементами (остальные элементы равны нулю).

Возвращает квадратный массив размерностью nxn с единичными элементами по главной диагонали (остальные равны нулю).

Возвращает массив заданного размера и типа, состоящего из всех единиц.

Возвращает массив заданного размера и типа, состоящего из всех нулей.

Возвращает массив заданного размера и типа со значениями value.

Это только часть основных функций для создания массивов с заданными значениями. Использовать их достаточно просто. Например, так:

Для функций eye и identity размерности указываются отдельными параметрами:

Функции ones, zeros и full работают по аналогии с функцией empty:

Все эти функции работают быстрее, чем функция array с генератором списков языка Python. Поэтому их предпочтительно использовать при создании и инициализации массивов определенными значениями.

Функции создания матриц

Следующий полезный набор функций позволяет генерировать матрицы на основе списков или по определенным правилам.

Приводит входные данные object к матрице, если это возможно. Параметр object может быть строкой, списком или кортежем.

Формирует диагональную матрицу на основе списка или массива NumPy. В последних версиях возвращает копию массива (а не его представление).

Формирует диагональную матрицу из списка list, который сначала сжимает до одной оси (преобразует в одномерный список или массив).

Создает треугольный массив NxM с единицами на главной диагонали и ниже ее.

Преобразует двумерный список или массив list в треугольную матрицу с нулевыми элементами выше главной диагонали.

Преобразует двумерный список или массив list в треугольную матрицу с нулевыми элементами ниже главной диагонали.

Создание матрицы Вандермонда из одномерного списка или массива list. Второй параметр N определяет число столбцов (по умолчанию формируется квадратная матрица).

Давайте посмотрим как работают эти функции.

Или же, вместо строк можно использовать список или кортеж:

Но, если из переданных данных нельзя сформировать прямоугольную таблицу (матрицу), то произойдет ошибка:

Следующая функция позволяет формировать диагональные матрицы:

Но, если ей передать двумерный список, то она возвратит одномерный массив из элементов, стоящих на главной диагонали:

Если же мы хотим сформировать диагональную матрицу из многомерных списков или массивов, то следует воспользоваться функцией

Следующий набор функций используются для формирования треугольных матриц. Например:

Если нужно привести уже существующие матрицы к треугольному виду, то это можно сделать так:

Если указать одномерный список:

то будет создана треугольная матрица 3×3 из строк [1, 2, 3].

Также функции tril и triu будут работать и с многомерными массивами:

В этом случае последние двумерные сечения будут приведены к треугольному виду.

Последняя функция этойгруппы формирует матрицу Вандермонда из одномерных списков или массивов:

Функции формирования числовых диапазонов

Следующая группа функций, которые мы рассмотрим на этом занятии, служит для формирования числовых диапазонов. Что делают эти функции? Когда мы с вами изучали язык Python, то говорили о функции

range(Start, Stop, Step)

которая генерирует числовой диапазон с параметрами Start, Stop, Step. Причем, все эти параметры должны быть целочисленными. В NumPy есть подобные функции, но более гибкие и работающие с вещественными величинами.

Возвращает одномерный массив с равномерно разнесенными числами указанного диапазона.

linspace(start, stop, …)

Возвращает одномерный массивcравномерно разнесенными числами, используя только значения начала и конца интервала.

logspace(start, stop, …)

Возвращает одномерный массив с числами, равномерно распределенных по логарифмической шкале.

geomspace(start, stop, …)

Формирование чисел по геометрической прогрессии.

Возвращает массив плотных координатных сеток.

Возвращает открытую сетку значений.

Давайте рассмотрим некоторые из них. Первая функция arrange довольно часто применяется в программах на Python. Она позволяет проходить заданный интервал с указанным шагом, например, так:

Обратите внимание, в отличие от функции range языка Python в arrange пакета NumPy можно указывать вещественные значения. Вот еще один пример, демонстрирующий это:

Здесь все величины вещественные. Мы начинаем движение от значения 0 с шагом 0,1 пока не дойдем до значения пи (не включая его). И, далее, используя этот массив, можно вычислить синус или косинус от всех этих значений:

Видите, как это удобно. Без пакета NumPyнам пришлось бы писать цикл и делать вычисление для каждого значения аргумента. А здесь мы сразу получаем готовый массив значений функции косинуса. Это работает гораздо быстрее циклов в Python.

Похожим образом работает и функция linspace. Она разбивает указанный интервал на равномерные отрезки и возвращает массив этих значений:

Мы указываем в качестве аргументов интервал [start; stop] и число отметок в этом интервале n. Если n = 0, то получим пустой массив. При n = 1 – значение start. При n = 2 – значения start и stop. При n> 2 равномерное разбиение интервала точками m = n-2. Например:

В чем отличие linspace от arange? В arange мы указываем сами шаг движения по числовой оси. При этом число значений определяется граничными значениями. А в linspace мы задаем граничные значения и число делений, а шаг вычисляется автоматически.

Функции logspace и geomspace работают аналогичным образом. У них указываются граничные значения и число членов, а на выходе имеем массив из соответствующих величин. Например:

Остальные функции этой группы используются при построении графиков и мы их рассмотрим, когда будем рассматривать построение графиков с помощью библиотеки matplotlib.

Функции формирования массивов на основе данных

Рассмотрим следующую группу, связанную с формированием на основе уже имеющихся данных.

Преобразует список или кортеж object в массив NumPy.

Преобразует список list в массив array, сохраняя тип подкласса.

ascontiguousarray(list, …)

Возвращает непрерывный массив в памяти, подобно как это организовано в языке C.

Преобразует входную последовательность list в матрицу NumPy (тип matrix).

Возвращает копию массива list (если это объект NumPy) или просто создает массив на основе списка языка Python.

Преобразует данные из буфера в массив NumPy

Возвращает массив из данных текстового или бинарного файла file.

fromfunction(func, shape, …)

Создает массивразмерностью shape с помощью функции func.

Создает массив на основе итерируемого объекта.

Создает массив из данных строки.

Формирует массив из данных текстового файла.

Работа этих функций вполне очевидна, рассмотрим только некоторые из них. Функция copy выполняет копирование массива. Например, имеется массив:

И создать его копию в памяти устройства, можно так:

В этом легко убедиться, если вывести id этих объектов:

Формирование массива с помощью функции выполняется следующим образом:

Обратите внимание, функция принимает два аргумента, т.к. формируется двумерная матрица размерами 2×2. То есть, число аргументов функции равно размерности матрицы и каждый аргумент соответствует индексу по своей оси. При выполнении этой программы в консоли увидим результат:

Отсюда хорошо видно как менялись значения x, y при формировании матрицы. При формировании первой строки x = 0, а yменялся от 0 до 1, при формировании второй строки: x = 1, yот 0 до 1.

Часто совместно с fromfunction используют лямбда-функции в виде:

Результат будет тем же.

Следующая функция fromiter позволяет формировать массив на основе любого итерируемого объекта. Например:

Здесь строка воспринимается как итерируемый объект и разбивается по символам. Или, можносделатьтак:

Здесь в качестве объекта передается функция-генератор и на выходе получаем одномерный массив чисел:

Последняя функция, которую мы рассмотрим fromstring позволяет создавать массив из строковых данных, например, так:

Здесь параметр sep определяет разделитель между данными. Если числа следуют через запятую, то это явно нужно указать в разделителе:

Это не все функции, с помощью которых можно формировать массивы в NumPy. Я отметил лишь наиболее употребительные. Полный их список и подробное описание можно посмотреть на официальном сайте:

Видео по теме

#2. Основные типы данных. Создание массивов функцией array() | NumPy уроки

#3. Функции автозаполнения, создания матриц и числовых диапазонов | NumPy уроки

#4. Свойства и представления массивов, создание их копий | NumPy уроки

#5. Изменение формы массивов, добавление и удаление осей | NumPy уроки

#6. Объединение и разделение массивов | NumPy уроки

#7. Индексация, срезы, итерирование массивов | NumPy уроки

#8. Базовые математические операции над массивами | NumPy уроки

#9. Булевы операции и функции, значения inf и nan | NumPy уроки

#10. Базовые математические функции | NumPy уроки

#11. Произведение матриц и векторов, элементы линейной алгебры | NumPy уроки

#12. Множества (unique) и операции над ними | NumPy уроки

#13. Транслирование массивов | NumPy уроки

© 2021 Частичное или полное копирование информации с данного сайта для распространения на других ресурсах, в том числе и бумажных, строго запрещено. Все тексты и изображения являются собственностью сайта

Источник

Руководство для начинающих по NumPy

Дата публикации Nov 17, 2019

Мир работает на данных, и каждый должен знать, как с ними работать.

Трудно представить современный, технически грамотный бизнес, который не использует анализ данных, науку о данных, машинное обучение или искусственный интеллект в той или иной форме. NumPy лежит в основе всех этих областей.

Хотя невозможно точно знать, сколько людей учатся анализировать данные и работать с ними, вполне можно предположить, что десятки тысяч (если не миллионы) людей должны понимать NumPy и как его использовать. Из-за этого я потратил последние три месяца на то, чтобы составить, как я надеюсь, лучшее вводное руководство по NumPy!Если есть что-то, что вы хотите увидеть в этом руководстве, пожалуйста, оставьте примечание в комментариях или обращайтесь в любое время!

Если вы новичок в анализе данных, этот для вас.

Руководство абсолютного новичка по NumPy

Добро пожаловать в NumPy!

Библиотека NumPy содержит многомерный массив и матричные структуры данных (дополнительную информацию об этом вы найдете в следующих разделах). Он предоставляет ndarray, однородный объект n-мерного массива, с методами для эффективной работы с ним. NumPy может использоваться для выполнения самых разнообразных математических операций над массивами. Он добавляет мощные структуры данных в Python, которые гарантируют эффективные вычисления с массивами и матрицами, и предоставляет огромную библиотеку математических функций высокого уровня, которые работают с этими массивами и матрицами.

Установка NumPy

Чтобы установить NumPy, я настоятельно рекомендую использовать научный дистрибутив Python. Если вам нужны полные инструкции по установке NumPy в вашей операционной системе, вы можетенайти все детали здесь,

Если у вас уже есть Python, вы можете установить NumPy с помощью

Если у вас еще нет Python, вы можете рассмотреть возможность использованияанаконда, Это самый простой способ начать. Преимущество этого дистрибутива в том, что вам не нужно слишком беспокоиться об отдельной установке NumPy или каких-либо основных пакетов, которые вы будете использовать для анализа данных, таких как pandas, Scikit-Learn и т. Д.

Если вам нужна более подробная информация об установке, вы можете найти всю информацию об установке наscipy.org,

Если у вас возникли проблемы с установкой Anaconda, вы можете ознакомиться с этой статьей:

Как успешно установить Anaconda на Mac (и на самом деле заставить его работать)

Краткое и безболезненное руководство по правильной установке Anaconda и исправлению страшной ошибки «команда conda not found»

towardsdatascience.com

Как импортировать NumPy

Каждый раз, когда вы хотите использовать пакет или библиотеку в своем коде, вам сначала нужно сделать его доступным.

Чтобы начать использовать NumPy и все функции, доступные в NumPy, вам необходимо импортировать его. Это можно легко сделать с помощью этого оператора импорта:

(Мы сокращаем «numpy» до «np», чтобы сэкономить время и сохранить стандартизированный код, чтобы любой, кто работает с вашим кодом, мог легко его понять и запустить.)

В чем разница между списком Python и массивом NumPy?

NumPy предоставляет вам огромный выбор быстрых и эффективных числовых опций. Хотя список Python может содержать разные типы данных в одном списке, все элементы в массиве NumPy должны быть однородными. Математические операции, которые должны выполняться над массивами, были бы невозможны, если бы они не были однородными.

Зачем использовать NumPy?

Массивы NumPy быстрее и компактнее, чем списки Python. Массив потребляет меньше памяти и намного удобнее в использовании. NumPy использует гораздо меньше памяти для хранения данных и предоставляет механизм задания типов данных, который позволяет оптимизировать код еще дальше.

Что такое массив?

Массив является центральной структурой данных библиотеки NumPy. Это таблица значений, которая содержит информацию о необработанных данных, о том, как найти элемент и как интерпретировать элемент. Он имеет сетку элементов, которые можно проиндексировать вразличные способы Все элементы имеют одинаковый тип, называемыймассив dtype(тип данных).

Одним из способов инициализации массивов NumPy является использование вложенных списков Python.

Мы можем получить доступ к элементам в массиве, используя квадратные скобки. Когда вы получаете доступ к элементам, помните, чтоиндексирование в NumPy начинается с 0, Это означает, что если вы хотите получить доступ к первому элементу в вашем массиве, вы получите доступ к элементу «0».

Выход:

Больше информации о массивах

Каковы атрибуты массива?

В NumPy размеры называютсяоси, Это означает, что если у вас есть 2D-массив, который выглядит так:

Ваш массив имеет 2 оси. Первая ось имеет длину 2, а вторая ось имеет длину 3.

Как и в других объектах-контейнерах Python, к содержимому массива можно получить доступ и изменить его, проиндексировав или разделив массив. Разные массивы могут совместно использовать одни и те же данные, поэтому изменения, внесенные в один массив, могут быть видны в другом.

Атрибуты массива отражают информацию, присущую самому массиву. Если вам нужно получить или даже установить свойства массива без создания нового массива, вы часто можете получить доступ к массиву через его атрибуты.

Как создать базовый массив

Чтобы создать массив NumPy, вы можете использовать функциюnp.array (),

Все, что вам нужно сделать, чтобы создать простой массив, это передать ему список. При желании вы также можете указать тип данных в вашем списке.Вы можете найти больше информации о типах данных здесь,

Вы можете визуализировать ваш массив следующим образом:

Помимо создания массива из последовательности элементов, вы можете легко создать массив, заполненный0s:

Входные данные:

Выход:

Или массив заполнен1s:

Входные данные:

Выход:

Или дажеопорожнитьмассив! Функцияопорожнитьсоздает массив, исходное содержимое которого является случайным и зависит от состояния памяти.

Входные данные:

Вы можете создать массив с диапазоном элементов:

Входные данные:

Выход:

И даже массив, который содержит диапазон равномерно распределенных интервалов. Для этого вам нужно будет указатьпервыйколичество,прошлойномер, аразмер шага,

Входные данные:

Выход:

Вы также можете использоватьnp.linspace ()создать массив со значениями, которые расположены линейно в заданном интервале:

Входные данные:

Выход:

Указание вашего типа данных

Входные данные:

Выход:

Добавление, удаление и сортировка элементов

Если вы начнете с этого массива:

Вы можете добавлять элементы в свой массив в любое время с помощьюnp.append (), Обязательно укажите массив и элементы, которые вы хотите включить.

Входные данные:

Выход:

Вы можете удалить элемент сnp.delete (), Если вы хотите удалить элемент в позиции 1 вашего массива, вы можете запустить:

Входные данные:

Выход:

Сортировка элемента проста сnp.sort (), Вы можете указать ось, вид и порядок при вызове функции.Подробнее о сортировке массива читайте здесь,

Если вы начнете с этого массива:

Вы можете быстро отсортировать числа в порядке возрастания с помощью:

Входные данные:

Выход:

В дополнение к sort, который возвращает отсортированную копию массива, вы можете использовать:argsort, который являетсянепрямая сортировка по указанной оси,lexsort, который являетсянепрямая стабильная сортировка по нескольким ключам,searchsorted, который будетнайти элементы в отсортированном массиве, а такжераздел, который являетсячастичная сортировка,

Как вы знаете форму и размер массива?

ndarray ndimскажет вам количество осей или размеров массива.

ndarray.sizeскажет вам общее количество элементов массива. Этопродуктэлементов формы массива.

ndarray.shapeбудет отображать кортеж целых чисел, которые указывают количество элементов, хранящихся вдоль каждого измерения массива. Если, например, у вас есть 2D-массив с 2 строками и 3 столбцами, форма вашего массива будет (2,3).

Например, если вы создаете этот массив:

Чтобы узнать количество измерений массива, запустите:

Входные данные:

Выход:

Чтобы найти общее количество элементов в массиве, запустите:

Входные данные:

Выход:

И чтобы найти форму вашего массива, запустите:

Входные данные:

Выход:

Можете ли вы изменить форму массива?

С помощьюnp.reshape ()придаст массиву новую форму без изменения данных. Просто помните, что когда вы используете метод reshape, массив, который вы хотите создать, должен иметь то же количество элементов, что и исходный массив. Если вы начинаете с массива из 12 элементов, вам нужно убедиться, что ваш новый массив также содержит в общей сложности 12 элементов.

Если вы начнете с этого массива:

Выход:

Вы можете использоватьИзменение формы ()изменить свой массив. Например, вы можете изменить этот массив в массив с тремя строками и двумя столбцами:

Входные данные:

Выход:

Сnp.reshapeВы можете указать несколько дополнительных параметров:

Входные данные:

это массив, который будет изменен.

newshapeэто новая форма, которую вы хотите. Вы можете указать целое число или кортеж целых чисел. Если вы укажете целое число, результатом будет массив этой длины. Форма должна быть совместима с оригинальной формой.

приказ: «C» означает чтение / запись элементов с использованием C-подобного порядка индексов, «F» означает чтение / запись элементов с использованием Fortran-подобного порядка индексов, «A» означает чтение / запись элементов в Fortran-подобном индексе порядок, если a является непрерывным в памяти Fortran, C-подобный порядок в противном случае. (Это необязательный параметр, указывать его не нужно.)

Как преобразовать одномерный массив в двухмерный массив (как добавить новую ось в массив)

Вы можете использоватьnp.newaxisа такжеnp.expand_dimsувеличить размеры вашего существующего массива.

С помощьюnp.newaxisувеличит размеры вашего массива на одно измерение при использовании один раз. Это означает, что1Dмассив станет2Dмассив,2Dмассив станет3Dмассив и тд.

Например, если вы начинаете с этого массива:

Выход:

Вы можете использовать np.newaxis, чтобы добавить новую ось:

Входные данные:

Выход:

Вы можете явно преобразовать одномерный массив с вектором строки или вектором столбца, используяnp.newaxis, Например, вы можете преобразовать одномерный массив в вектор строки, вставив ось вдоль первого измерения:

Входные данные:

Выход:

Или, для вектора столбца, вы можете вставить ось вдоль второго измерения:

Входные данные:

Выход:

Вы также можете расширить массив, вставив новую ось в указанной позиции с помощьюnp.expand_dims,

Например, если вы начинаете с этого массива:

Входные данные:

Выход:

Вы можете использоватьnp.expand_dimsдобавить ось в позиции индекса 1 с помощью:

Входные данные:

Выход:

Вы можете добавить ось в позиции индекса 0 с помощью:

Входные данные:

Выход:

Индексирование и нарезка

Вы можете индексировать и разрезать массивы NumPy так же, как вы можете разрезать списки Python.

Входные данные:

Выход:

Вы можете визуализировать это так:

Возможно, вы захотите взять часть вашего массива или определенные элементы массива для использования в дальнейшем анализе или дополнительных операциях. Чтобы сделать это, вам нужно поднастроить, нарезать и / или проиндексировать ваши массивы.

Если вы хотите выбрать значения из вашего массива, которые удовлетворяют определенным условиям, это просто с NumPy.

Например, если вы начинаете с этого массива:

Вы можете легко распечатать все значения в массиве, которые меньше 5.

Входные данные:

Выход:

Вы также можете выбрать, например, числа, которые равны или больше 5, и использовать это условие для индексации массива.

Входные данные:

Выход:

Вы можете выбрать элементы, которые делятся на 2:

Входные данные:

Выход:

Или вы можете выбрать элементы, которые удовлетворяют двум условиям, используя&а также|операторы:

Входные данные:

Выход:

Хотя это было бы невероятно неэффективно для этого массива, вы также можете использовать логические операторы&а также|чтобы возвращать логические значения, которые указывают, удовлетворяют ли значения в массиве определенному условию. Это может быть полезно с массивами, которые содержат имена или другие категориальные значения

Входные данные:

Выход:

Вы также можете использоватьnp.where ()выбрать элементы или индексы из массива.

Начиная с этого массива:

Входные данные:

Вы можете использоватьnp.where ()напечатать индексы элементов, которые, например, меньше 5:

Входные данные:

Выход:

В этом примере был возвращен кортеж массивов: по одному для каждого измерения. Первый массив представляет индексы строк, в которых находятся эти значения, а второй массив представляет индексы столбцов, в которых находятся эти значения.

Если вы хотите создать список координат, в котором существуют элементы, вы можете сжать массивы, выполнить итерацию по списку координат и распечатать их. Например:

Входные данные:

Вы также можете использоватьnp.where ()распечатать элементы в массиве меньше 5 с помощью:

Входные данные:

Выход:

Если искомый элемент не существует в массиве, то возвращенный массив индексов будет пустым. Например:

Входные данные:

Выход:

Как создать массив из существующих данных

Вы можете легко использовать создание нового массива из раздела существующего массива. Допустим, у вас есть этот массив:

Вы можете создать новый массив из секции вашего массива в любое время, указав, где вы хотите нарезать массив.

Входные данные:

Выход:

Здесь вы захватили секцию вашего массива с позиции индекса 3 до позиции индекса 8.

Вы также можете сложить два существующих массива, как вертикально, так и горизонтально. Допустим, у вас есть два массива:

а такжеa_2:

Вы можете сложить их вертикально сvstack:

Входные данные:

Выход:

Или сложите их горизонтальноhstack:

Входные данные:

Выход:

Вы можете разбить массив на несколько меньших массивов, используя hsplit. Вы можете указать количество возвращаемых массивов одинаковой формы или столбцовпослекоторый разделение должно произойти.

Допустим, у вас есть этот массив:

Если вы хотите разделить этот массив на три одинаковых по форме массива, вы должны выполнить:

Входные данные:

Выход:

Если вы хотите разделить массив после третьего и четвертого столбцов, вы должны выполнить:

Входные данные:

Выход:

Вы можете использовать метод view для создания нового объекта массива, который просматривает те же данные, что и исходный массив (мелкая копия)

Допустим, вы создали этот массив:

Входные данные:

Вы можете создать новый объект массива, который просматривает те же данные, используя:

Входные данные:

Использование метода copy сделает полную копию массива и его данных (aглубокая копия). Чтобы использовать это в вашем массиве, вы можете запустить:

Входные данные:

Основные операции с массивами

Вы можете добавить массивы вместе со знаком плюс.

Вы можете, конечно, сделать больше, чем просто дополнение!

Основные операции просты с NumPy. Если вы хотите найти сумму элементов в массиве, вы бы использовали sum (). Это работает для 1D-массивов, 2D-массивов и массивов в более высоких измерениях.

Входные данные:

Выход:

Чтобы добавить строки или столбцы в 2D-массив, вы должны указать ось.

Если вы начнете с этого массива:

Входные данные:

Вы можете суммировать строки с:

Входные данные:

Выход:

Вы можете суммировать столбцы с:

Входные данные:

Выход:

вещания

Есть моменты, когда вы можете захотеть выполнить операцию между массивом и одним числом (также называетсяоперация между вектором и скаляром) или между массивами двух разных размеров. Например, ваш массив (назовем его «данные») может содержать информацию о расстоянии в милях, но вы хотите преобразовать информацию в километры. Вы можете выполнить эту операцию с:

Более полезные операции с массивами

NumPy также выполняет функции агрегирования. В дополнении кмин,Максимум, а такжесумма, вы можете легко запуститьозначатьчтобы получить среднее значение,тычокчтобы получить результат умножения элементов вместе,стандчтобы получить стандартное отклонение и многое другое

Давайте начнем с этого массива, называемого «А»

Распространено стремление объединяться вдоль строки или столбца. По умолчанию каждая функция агрегации NumPy возвращает агрегат всего массива. Чтобы найти сумму или минимум элементов в вашем массиве, запустите:

Входные данные:

Выход:

Вы можете указать, по какой оси вы хотите вычислить функцию агрегирования. Например, вы можете найти минимальное значение в каждом столбце, указав axis = 0.

Входные данные:

Выход:

Четыре значения, перечисленные выше, соответствуют количеству столбцов в вашем массиве. С массивом из четырех столбцов вы получите четыре значения в качестве результата.

Как проверить размер и форму массива NumPy

Вы можете получить размеры массива NumPy в любое время, используяndarray.shape, NumPy вернет размеры массива в виде кортежа.

Например, если вы создаете этот массив:

Входные данные:

Вы можете использоватьnp.shapeчтобы найти форму вашего массива.

Входные данные:

Выход:

Этот вывод говорит вам, что ваш массив имеет три строки и четыре столбца.

Вы можете найти только количество строк, указав [0]:

Входные данные:

Выход:

Или просто количество столбцов, указав [1]:

Входные данные:

Выход:

Также легко найти общее количество элементов в вашем массиве:

Входные данные:

Выход:

Вы можете использоватьnp.shape ()с 1D массивом. Если вы создаете этот массив:

Входные данные:

Вы можете распечатать форму и длину массива.

Выход:

Вы можете получить размеры массива, используяnp.size (),

Входные данные:

Выход:

Вы также можете распечатать общее количество элементов:

Входные данные:

Выход:

Это также работает для 3D-массивов:

Входные данные:

Вы можете легко напечатать размер оси:

Входные данные:

Выход:

Вы можете распечатать общее количество элементов:

Входные данные:

Выход:

Вы также можете использоватьnp.size ()с 1D массивами:

Входные данные:

Выход:

Помните, что если вы проверяете размер вашего массива и он равен 0, ваш массив будет пустым.

Создание матриц

Вы можете передать списки списков Python, чтобы создать матрицу для их представления в NumPy.

Индексирование и нарезка полезны, когда вы манипулируете матрицами:

Вы можете агрегировать матрицы так же, как вы агрегировали векторы:

Вы можете объединить все значения в матрице и объединить их по столбцам или строкам, используя параметр оси:

После того, как вы создали свои матрицы, вы можете добавлять и умножать их с помощью арифметических операторов, если у вас есть две матрицы одинакового размера.

Вы можете выполнять эти арифметические операции над матрицами разных размеров, но только если одна матрица имеет только один столбец или одну строку. В этом случае NumPy будет использовать свои правила вещания для операции.

Имейте в виду, что когда NumPy печатает N-мерные массивы, последняя ось зацикливается на самой быстрой, а первая ось самая медленная. Что означает, что:

Входные данные:

Выход:

Часто бывают случаи, когда мы хотим, чтобы NumPy инициализировал значения массива. NumPy предлагает такие методы, какиз них (),Нули (),а такжеrandom.random ()для этих случаев. Все, что вам нужно сделать, это указать количество элементов, которые вы хотите сгенерировать.

Генерация случайных чисел

Использование генерации случайных чисел является важной частью конфигурации и оценки алгоритмов машинного обучения. Необходима ли вам случайная инициализация весов в искусственной нейронной сети, разделение данных на случайные наборы или случайное перемешивание набора данных, очень важно иметь возможность генерировать случайные числа (фактически, повторяемые псевдослучайные числа).

У вас есть несколько вариантов при использовании NumPy для генерации случайных чисел.Генератор случайных чиселявляется заменой NumPy дляRandomState, Основное различие между ними заключается в том, что Генератор полагается на дополнительный BitGenerator для управления состоянием и генерирования случайных битов, которые преобразуются в случайные значения.

СGenerator.integersвы можете генерировать случайные целые числа от низкого (помните, что это включительно с NumPy) до высокого (эксклюзив). Вы можете установитьendopoint = Trueсделать большое число включительно.

Вы можете создать массив случайных целых чисел от 2 до 4 между 0 и 4 с помощью

Входные данные:

Выход:

Вы также можете использоватьиз них (),Нули (), а такжеслучайным образом ()методы для создания массива, если вы дадите им кортеж, описывающий размеры матрицы.

Как получить уникальные предметы и количество

Вы можете легко найти уникальные элементы в массиве сnp.unique,

Например, если вы начинаете с этого массива:

Входные данные:

вы можете использоватьnp.unique

Входные данные:

Выход:

Чтобы получить индексы уникальных значений в массиве NumPy (массив первых позиций индекса уникальных значений в массиве), просто передайте аргумент return_index вnp.unique ()а также ваш массив.

Входные данные:

Выход:

Вы можете передать return_counts аргумент вnp.unique ()вместе с вашим массивом, чтобы получить частоту уникальных значений в массиве NumPy.

Входные данные:

Выход:

Это также работает с 2D массивами. Если вы начнете с этого массива:

Вы можете найти уникальные значения с:

Входные данные:

Выход:

Если аргумент оси не передан, ваш 2D-массив будет сглажен.

Входные данные:

Выход:

Чтобы получить уникальные строки, количество вхождений и позицию индекса, вы можете использовать:

Входные данные:

Выход:

Транспонирование и изменение формы матрицы

Обычно нужно вращать ваши матрицы. NumPy массивы имеют свойствоTэто позволяет вам транспонировать матрицу.

Вам также может потребоваться изменить размеры матрицы. Это может произойти, когда, например, у вас есть модель, которая ожидает определенную входную форму, отличную от вашего набора данных. Это где метод изменения формы может быть полезным. Вам просто нужно передать новые измерения, которые вы хотите для матрицы.

Вы также можете использоватьnp.transposeповернуть или изменить оси массива в соответствии с указанными значениями.

Если вы начнете с этого массива:

Выход:

Вы можете транспонировать ваш массив сnp.transpose (),

Входные данные:

Выход:

Как перевернуть массив

NumPy-хnp.flip ()Функция позволяет переворачивать или переворачивать содержимое массива вдоль оси. Когда используешьnp.flipукажите массив, который вы хотите повернуть, и ось. Если вы не укажете ось, NumPy обратит содержимое по всем осям вашего входного массива.

Реверсивный 1D массив

Если вы начинаете с одномерного массива, как этот:

Вы можете изменить это с помощью:

Если вы хотите распечатать свой обратный массив, вы можете запустить:

Входные данные:

Выход:

Реверсивный 2D массив

2D массив работает практически так же.

Если вы начнете с этого массива:

Входные данные:

Вы можете изменить содержимое всех строк и всех столбцов с помощью:

Входные данные:

Выход:

Вы можете легко изменить только строки с помощью:

Входные данные:

Выход:

Или поменяйте местами только столбцы с:

Входные данные:

Выход:

Вы также можете изменить содержимое только одного столбца или строки. Например, вы можете перевернуть содержимое строки в позиции индекса 1 (вторая строка):

Входные данные:

Выход:

Вы также можете повернуть столбец в позиции индекса 1 (второй столбец):

Входные данные:

Выход:

Изменение формы и уплощение многомерных массивов

Существует два популярных способа выравнивания массива:.flatten ()а также.ravel (). Основное различие между ними состоит в том, что новый массив создан с использованиемРавель ()на самом деле ссылка на родительский массив. Это означает, что любые изменения в новом массиве также будут влиять на родительский массив. посколькузапутыватьне создает копию, это эффективная память.

Если вы начнете с этого массива:

Вы можете использоватьрасплющитьчтобы сгладить ваш массив в одномерный массив.

Входные данные:

Выход:

Когда вы используетерасплющитьизменения в вашем новом массиве не изменят родительский массив.

Входные данные:

Выход:

Но когда вы используете rank, изменения, которые вы вносите в новый массив, влияют на родительский массив.

Входные данные:

Выход:

Как получить доступ к документации для получения дополнительной информации

Когда дело доходит до экосистемы науки о данных, Python и NumPy создаются с учетом потребностей пользователя. Одним из лучших примеров этого является встроенный доступ к документации. Каждый объект содержит ссылку на строку, которая называется строкой документации. В большинстве случаев эта строка документации содержит краткое и краткое описание объекта и его использования. Python имеет встроенныйПомогите()функция, которая может помочь вам получить доступ к этой информации. Это означает, что почти каждый раз, когда вам нужно больше информации, вы можете использоватьПомогите()быстро найти нужную информацию

Поскольку доступ к дополнительной информации очень полезен, IPython использует?символ в качестве сокращения для доступа к этой документации вместе с другой соответствующей информацией.

Вы даже можете использовать эту запись для методов объекта и самих объектов.

Допустим, вы создали этот массив:

Вернет много полезной информации.

Это также работает для функций и других объектов, которые вы создаете. Просто не забудьте включить строку документации в свою функцию, используя строковый литерал («« «»или‘’ ’‘ ’’вокруг вашей документации).

Например, если вы создаете эту функцию:

Вы можете запустить:

Вы можете перейти на другой уровень информации, прочитав исходный код интересующего вас объекта. Используя двойной знак вопроса (??) позволяет получить доступ к исходному коду.

Если рассматриваемый объект скомпилирован на языке, отличном от Python, используя??вернет ту же информацию, что и?, Вы найдете это с большим количеством встроенных объектов и типов, например:

Выход:

Выход:

Получите тот же вывод, потому что они были скомпилированы на языке программирования, отличном от Python.

Работа с математическими формулами

Реализация математических формул, которые работают с массивами, является одной из вещей, которые делают NumPy столь высоко оцененным в научном сообществе Python.

Например, это формула среднеквадратичной ошибки (центральная формула, используемая в контролируемых моделях машинного обучения, которые имеют дело с регрессией):

Реализация этой формулы проста и понятна в NumPy:

Что делает эту работу такой хорошей, так это то, что прогнозы и метки могут содержать одно или тысячу значений. Они должны быть одинакового размера.

Вы можете визуализировать это так:

Как сохранить и загрузить объекты NumPy

Это легко сохранить и загрузить и массив сnp.save (), Просто убедитесь, что вы указали массив, который хотите сохранить, и имя файла. Например, если вы создаете этот массив:

Вы можете сохранить его как «filename.npy» с

Вы можете использоватьnp.load ()реконструировать ваш массив.

Если вы хотите проверить свой массив, вы можете запустить:

Входные данные:

Выход:

Вы можете сохранить массив NumPy в виде простого текстового файла, такого как CSV или TXT-файл, с помощьюnp.savetxt,

Например, если вы создаете этот массив:

Вы можете быстро и легко загрузить сохраненный текстовый файл, используяloadtxt ():

Входные данные:

Выход:

Сsavetxt, вы можете указать колонтитулы, комментарии и многое другое.Узнайте больше о savetxt здесь,

Помните, что загрузка файлов, содержащих массивы объектов, сnp.load ()использует модуль pickle, который не защищен от ошибочных или злонамеренных данных Подумайте о прохождении allow_pickle=False загружать данные, о которых известно, что они не содержат массивов объектов, для более безопасной обработки ненадежных источников.

Импорт и экспорт CSV

Использовать Pandas также просто, чтобы экспортировать ваш массив. Если вы новичок в NumPy, вы можете создать фрейм данных Pandas из значений в вашем массиве, а затем записать фрейм данных в CSV-файл с помощью Pandas.

Если вы создали этот массив «а»

Вы могли бы создать фрейм данных Pandas

Вы можете легко сохранить свой фрейм данных с

И читать ваш CSV с

Вы также можете сохранить свой массив с помощью метода NumPy «savetxt».

Читайте сохраненный CSV в любое время с помощью команды, такой как

Входные данные:

Выход:

Если вы хотите узнать больше о Пандах, взгляните на официальнуюПандыВеб-сайт. Узнайте, как установить Pandas софициальная информация об установке Pandas,

Построение массивов с помощью Matplotlib

Если вам нужно создать график для ваших значений, это очень просто сMatplotlib,

Например, у вас может быть такой массив:

Если у вас уже установлен Matplotlib, вы можете импортировать его с помощью

Все, что вам нужно сделать, чтобы построить ваши ценности, это запустить

Входные данные:

Выход:

Например, вы можете построить 1D массив следующим образом:

Входные данные:

С Matplotlib у вас есть доступ к огромному количеству вариантов визуализации.

Чтобы узнать больше о Matplotlib и о том, что он может сделать, взгляните наофициальная документация, Инструкции по установке Matplotlib смотрите в официальномраздел установки,

Спасибо за чтение! Если здесь есть что-то, что, по вашему мнению, должно быть включено, пожалуйста, дайте мне знать. Не стесняйтесь оставить комментарий ниже или обратиться в любое времяLinkedInилищебет, Если вы хотите прочитать больше моих уроков, посмотрите мой профиль здесь на Medium:Энн Боннер❤️

Источник