12 NumPy -toimintoa aloittelijoille

NumPy, joka tarkoittaa lyhennettä Numerical Python, on Python -kirjasto, jota käytetään pääasiassa matriisien käsittelyyn ja monenlaisten matemaattisten toimintojen suorittamiseen. Se on Pythonin tieteellisen laskennan ydinkirjasto. NumPy -ohjelmaa käytetään usein muiden datatieteeseen liittyvien Python -kirjastojen kanssa, kuten SciPy, Pandas ja Matplotlib.

Tässä artikkelissa opit suorittamaan 12 perustoimintoa NumPyn avulla.

Käyttämällä näitä NumPy -esimerkkejä

Voit suorittaa tämän artikkelin esimerkkejä syöttämällä koodin suoraan python -tulkkiin. Käynnistä se vuorovaikutteisessa tilassa komentoriviltä.

Voit myös käyttää Python -muistikirjatiedostoa, joka sisältää koko lähdekoodin tämä GitHub -arkisto.

1. NumPyn tuominen np: ksi ja versionumeron tulostaminen

Sinun on käytettävä tuonti avainsana tuodaksesi minkä tahansa Python -kirjaston. NumPy tuodaan yleensä np alias. Tällä lähestymistavalla voit viitata NumPy -pakettiin nimellä np sijasta numpy.

tuo numpy np: nä
tulosta (np .__ versio__)

Lähtö:

1.20.1

2. Kuinka luoda NumPy ndarray -objekti

NumPyn taulukko -objektia kutsutaan ndarray. Voit luoda NumPyn ndarray objekti käyttämällä array () menetelmä. The array () menetelmä hyväksyy luettelon, tuplen tai matriisin kaltaisen objektin.

Tuplen käyttäminen NumPy -järjestelmän luomiseen

arrObj = np.array ((23, 32, 65, 85))
arrObj

Lähtö:

matriisi ([23, 32, 65, 85])

Luettelon käyttäminen NumPy -taulukon luomiseen

arrObj = np.array ([43, 23, 75, 15])
arrObj

Lähtö:

matriisi ([43, 23, 75, 15])

3. 0D-, 1D-, 2D-, 3D- ja N-ulotteisten NumPy-matriisien luominen

0D -taulukot

Jokainen taulukon elementti on 0D -taulukko.

arrObj = np.array (21)
arrObj

Lähtö:

matriisi (21)

1D -taulukot

Taulukoita, joiden elementteinä on 0D -matriiseja, kutsutaan 1D -matriiseiksi.

arrObj = np.array ([43, 23, 75, 15])
arrObj

Lähtö:

matriisi ([43, 23, 75, 15])

2D -taulukot

Taulukoita, joiden elementteinä on 1D -matriiseja, kutsutaan 2D -matriiseiksi.

arrObj = np.array ([[12, 43, 21], [67, 32, 98]])
arrObj

Lähtö:

matriisi ([[12, 43, 21],
[67, 32, 98]])

3D -taulukot

Taulukoita, joiden elementteinä on 2D -matriiseja, kutsutaan 3D -matriiseiksi.

arrObj = np.array ([[[[23, 45, 22], [45, 76, 23]], [[67, 23, 56], [12, 76, 63]]])
arrObj

Lähtö:

matriisi ([[[[23, 45, 22],
[45, 76, 23]],
[[67, 23, 56],
[12, 76, 63]]])

n-ulotteiset taulukot

Voit luoda minkä tahansa ulottuvuuden taulukon käyttämällä ndmin Perustelu.

arrObj = np.array ([23, 22, 65, 44], ndmin = 5)
arrObj

Lähtö:

taulukko ([[[[[[23, 22, 65, 44]]]]])

4. Kuinka tarkistaa taulukon mitat

Löydät taulukon mitat käyttämällä ndim attribuutti.

arrObj1 = np.array (21)
arrObj2 = np.array ([43, 23, 75, 15])
arrObj3 = np.array ([[12, 43, 21], [67, 32, 98]])
arrObj4 = np.array ([[[[23, 45, 22], [45, 76, 23]], [[67, 23, 56], [12, 76, 63]]])
tulosta (arrObj1.ndim)
tulosta (arrObj2.ndim)
tulosta (arrObj3.ndim)
tulosta (arrObj4.ndim)

Lähtö:

0
1
2
3

5. 1D-, 2D- ja 3D -matriisien elementtien käyttäminen

Voit käyttää taulukkoelementtiä sen indeksinumeron avulla. 2D- ja 3D-matriiseissa sinun on käytettävä pilkulla erotettuja kokonaislukuja, jotka edustavat kunkin ulottuvuuden indeksiä.

arrObj1 = np.array ([43, 23, 75, 15])
arrObj2 = np.array ([[12, 43, 21], [67, 32, 98]])
arrObj3 = np.array ([[[[23, 45, 22], [45, 76, 23]], [[67, 23, 56], [12, 76, 63]]])
tulosta (arrObj1 [2])
tulosta (arrObj2 [0, 2])
tulosta (arrObj3 [0, 1, 2])

Lähtö:

75
21
23

Huomautus: NumPy -taulukot tukevat myös negatiivista indeksointia.

Aiheeseen liittyviä: Miksi Python on tulevaisuuden ohjelmointikieli

6. NumPy Array -objektin tietotyypin tarkistaminen

Voit tarkistaa NumPy -matriisiobjektin tietotyypin käyttämällä dtype omaisuutta.

arrObj1 = np.array ([1, 2, 3, 4])
arrObj2 = np.array ([1.3, 6.8, 3.5, 9.2])
arrObj3 = np.array (['Tervetuloa', 'kohteeseen', 'MUO'])
tulosta (arrObj1.dtype)
tulosta (arrObj2.dtype)
tulosta (arrObj3.dtype)

Lähtö:

int32
float64

Huomautus:

NumPy käyttää seuraavia merkkejä sisäisten tietotyyppien esittämiseen:

• i - kokonaisluku (allekirjoitettu)
• b - totuusarvo
• O - esine
• S - merkkijono
• u - allekirjoittamaton kokonaisluku
• f - kellua
• c - monimutkainen kelluva
• m - ajastettu
• M - päivämäärä
• U - Unicode -merkkijono
• V - raakatiedot (mitätön)

7. NumPy -taulukon tietotyypin muuttaminen

Voit muuttaa NumPy -taulukon tietotyyppiä käyttämällä astype (data_type) menetelmä. Tämä menetelmä hyväksyy tietotyypin parametriksi ja luo uuden kopion taulukosta. Voit määrittää tietotyypin käyttämällä merkkejä, kuten "b" totuusarvoon, "i" kokonaislukuun, "f" kelluvaan jne.

Kokonaislukujärjestelmän muuntaminen kelluvaksi taulukkoksi

arrObj = np.array ([43, 23, 75, 15])
floatArr = arrObj.astype ('f')
floatArr

Lähtö:

matriisi ([43., 23., 75., 15.], dtype = float32)

Float -taulukon muuntaminen kokonaislukujärjestelmäksi

arrObj = np.array ([1.3, 6.8, 3.5, 9.2])
intArr = arrObj.astype ('i')
intArr

Lähtö:

matriisi ([1, 6, 3, 9], dtype = int32)

Aiheeseen liittyviä: Python -projektiideat sopivat aloittelijoille

8. NumPy -taulukon kopioiminen toiseen taulukkoon

Voit kopioida NumPy -taulukon toiseen taulukkoon käyttämällä np.copy () toiminto. Tämä funktio palauttaa taulukon kopion annetusta objektista.

oldArr = np.array ([43, 23, 75, 15])
newArr = np.copy (vanhaArr)
uusiArr

Lähtö:

matriisi ([43, 23, 75, 15])

9. Kuinka löytää NumPy -järjestelmän muoto

Taulukon muoto viittaa elementtien lukumäärään kussakin ulottuvuudessa. Löydät taulukon muodon käyttämällä muoto attribuutti. Se palauttaa tuplen, jonka elementit antavat vastaavien matriisimittojen pituudet.

arrObj = np.array ([[12, 43, 21], [67, 32, 98]])
arrObj.shape

Lähtö:

(2, 3)

Aiheeseen liittyviä: Sovellusliittymien luominen Pythonissa: Suosituimmat kehykset

10. NumPy -järjestelmän muuttaminen

Matriisin muuttaminen tarkoittaa sen muodon muuttamista. Huomaa, että et voi muokata taulukkoa mielivaltaiseksi muotoksi. Uudelleenmuotoilun edellyttämien elementtien määrän on oltava sama molemmissa muodoissa.

arrObj = np.array ([43, 23, 75, 15, 34, 45])
reshapedArr = arrObj.reshape (2, 3)
muokattuArr

Lähtö:

matriisi ([[43, 23, 75],
[15, 34, 45]])

Yllä olevassa esimerkissä 1D -matriisi muotoillaan 2D -matriisiksi.

11. Kuinka tasoittaa NumPy -matriisi

Matriisin litistäminen tarkoittaa moniulotteisen taulukon muuttamista 1D -matriisiksi. Voit tasoittaa taulukon käyttämällä uudistaa (-1).

arrObj = np.array ([[12, 43, 21], [67, 32, 98]])
litistettyArr = arrObj.reshape (-1)
litistettyArr

Lähtö:

matriisi ([12, 43, 21, 67, 32, 98])

Huomautus: Voit myös tasoittaa taulukon muilla menetelmillä, kuten numpy.ndarray.flatten () ja numpy.ravel ().

12. Kuinka lajitella NumPy -matriisi

Voit lajitella NumPy -taulukon käyttämällä numpy.sort () toiminto.

Kokonaislukujen 1D -sarjan lajittelu

arrObj = np.array ([43, 23, 75, 15])
np. lajittelu (arrObj)

Lähtö:

matriisi ([15, 23, 43, 75])

1D -merkkijonojen lajittelu

arrObj = np.array (["Python", "JavaScript", "Solidity", "Golang"])
np. lajittelu (arrObj)

Lähtö:

array (['Golang', 'JavaScript', 'Python', 'Solidity'], dtype = '

Kokonaislukujen 2D -sarjan lajittelu

arrObj = np.array ([[12, 43, 21], [67, 32, 98]])
np. lajittelu (arrObj)

Lähtö:

matriisi ([[12, 21, 43], [32, 67, 98]])

Tee koodistasi vankka käyttämällä sisäänrakennettuja menetelmiä ja toimintoja

Python on yksi suosituimmista ohjelmointikielistä. Sitä käytetään eri aloilla, kuten verkkokehityksessä, tieteellisissä ja numeerisissa sovelluksissa, ohjelmistokehityksessä ja pelikehityksessä. On aina hyvä tietää Pythonin sisäänrakennetuista menetelmistä ja toiminnoista. Ne voivat lyhentää koodiasi ja parantaa sen tehokkuutta.

20 Python -toimintoa, jotka sinun pitäisi tietää

Python Standard -kirjasto sisältää monia toimintoja, jotka auttavat ohjelmointitehtävissäsi. Opi hyödyllisimmistä ja luo tehokkaampi koodi.

Lue seuraava

Kirjailijasta