Uvod u NumPy
NumPy je open-source paket pythona. Može se koristiti za znanstveno i numeričko računanje. Uglavnom se koristi za učinkovitije izračunavanje nizova. Temelji se i piše na C i Python-u. To je paket pytona, a riječ Numpy znači Numerički Python. Koristi se uglavnom za obradu homogenih višedimenzionalnih nizova. Osnovna je knjižnica za znanstvene proračune. Stoga ima snažne višedimenzionalne nizove objekata i alate za integriranje koji su korisni za rad s tim nizovima. Važno je u gotovo svim znanstvenim programima pythona, što uključuje strojno učenje, statistiku, bioinformatiku itd. Pruža neke zaista dobre funkcionalnosti o kojima je vrlo dobro napisano i učinkovito se izvodi. Uglavnom je usmjerena na izvođenje matematičkih operacija na neprekidnim nizovima, slično kao na nizovima koje imate na jezicima niže razine kao što je C. Drugim riječima, koristi se za manipulaciju numeričkim podacima. Zbog njega se pyton može koristiti kao alternativa MATLAB-u.
Razumijevanje Numpy
Jedna od najpopularnijih knjižnica na Pythonu je Numpy. Tehnike podataka o znanosti potrebno je raditi na nizovima i matricama velike veličine, a za to se moraju izvući teški numerički proračuni, što je olakšano prikupljanjem različitih matematičkih funkcija pod NumPy-om. To je osnovno još uvijek važna knjižnica za većinu znanstvenog računanja u Pythonu, također i neke druge knjižnice ovise o NumPy nizovima kao njihovim osnovnim ulazima i izlazima. Također pruža funkcije koje omogućuju programerima da obavljaju osnovne i napredne matematičke i statističke funkcije na višedimenzionalnim nizovima i matricama s vrlo manjim brojem linija koda. 'ndarray' ili n-dimenzionalna struktura podataka glavna je funkcija Numpy-a. Ti su nizovi homogeni i svi elementi matrice moraju biti istog tipa.
NumPy nizi su brži u usporedbi sa popisima Pythona. No popisi pythona fleksibilniji su od numeričkih nizova jer možete pohraniti istu vrstu podataka u svaki stupac.
Značajke -
- To je kombinacija C i pytona
- Višedimenzionalni homogeni nizovi. Ndarray koji su nidimenzionalni niz
- Razne funkcije za nizove.
- Preoblikovanje nizova Python se može koristiti kao alternativa MATLAB-u.
Kako lutka olakšava rad?
Jednostavno možete stvoriti homogene nizove i izvoditi razne operacije na njemu poput,
- Uvezite ga pomoću sljedeće naredbe, a numpy uvezite kao numpy.
NumPy n-dimenzionalni niz
Jedna od najvažnijih značajki Numpy-a je n-dimenzionalni niz koji je nd-niz. Broj dimenzija matrice nije ništa drugo do ranga niza. Evo nekoliko primjera. arra = numpy.array ((10, 20, 30))
Izrada niza niz -
Sljedeći redak stvara niz,
arra = numpy.arange (3)
To je baš kao i raspon pythona. Tako ćete stvoriti niz veličine 3.
Neke osnovne funkcije koje se mogu koristiti s numpy nizom
Pogledajmo koje funkcije možemo koristiti s nizom i njihovu svrhu
Uvoz gluposti kao otkucan
arrC = numpy.array (((10, 20, 30), (40, 50, 60)))
arrC.reshape (3, 2)
Izlaz: niz C (((10, 20),
(30, 40), (50, 60)))Funkcija preoblikovanja mijenja broj stupaca i redaka, tako da će nakon preoblikovanja niz dobiti novi prikaz s različitim brojem stupaca i redaka.
Neke matematičke funkcije u Numpy-u
Postoje matematičke funkcije koje se mogu koristiti s Numpy nizovima. Evo nekoliko primjera,
Uvoz gluposti kao otkucan
arra = numpy.array (((1, 2, 3), (4, 5, 6)))
arrB = numpy.array (((7, 8, 9), (10, 11, 12)))
numpy.add (arra, arrB)
Ova funkcija dodaje niz arrA i arrB
Izlaz:
niz C (((8, 10, 12), (14, 16, 18)))
Zašto bismo se koristili?
Mi koristimo python numpy niz umjesto popisa zbog sljedeća tri razloga:
- Manja upotreba memorije
- Brze performanse
- Zgodno za rad
Prvi razlog preferiranja nizova Python numpy je taj da ona zauzima manje memorije u odnosu na popis pythona. Zatim, to je brzo u pogledu izvršenja i u isto vrijeme je s njim zgodno i lako raditi.
Što možemo učiniti s Numpyjem?
Ugrađena podrška za Arrays nije dostupna u pythonu, ali mi možemo koristiti python liste kao nizove.
arrayA = ('Pozdrav', 'svijet')
ispis (arrayA)
Ali to je još uvijek piton popis, a ne niz.
Dakle, ovdje dolazi Numpy koji možemo koristiti za stvaranje 2D, 3D koji je višedimenzionalni niz. Također, možemo raditi račune na nizovima.
uvesti numpy kao num
arr = broj.array ((1, 2, 3, 4, 5, 6))
ispis (ARR)
Stvara niz polja.
Zatim, za 2D i 3D niz,
uvesti numpy kao num
arr = broj.array (((1, 2, 3, 4, 5), (6, 7, 8, 9, 10, 11)))
ispis (ARR)
–Ako želite znati dimenzije svoje matrice, jednostavno možete koristiti sljedeću funkciju.
ispis (arr.ndim)
- Ako želite saznati veličinu matrice, jednostavno možete koristiti sljedeću funkciju,
ispis (arr.size)
- Da biste saznali oblik matrice, možete upotrijebiti funkciju oblika.
ispis (arr.shape)
Ukazat će vam broj (col, redaka)
Možete koristiti i presijecanje, preoblikovanje i mnoge druge metode s nizovitim nizovima.
Zašto trebamo?
Da biste napravili logičko i matematičko računanje na nizu i matrica potreban je numpy. Ove operacije izvode previše učinkovito i brže od popisa pythona.
prednosti
1. Brojni nizovi zauzimaju manje prostora.
NumPy nizovi su manjih dimenzija od Python popisa. Popis pitona mogao bi potrajati do 20 MB, dok niz može uzeti 4 MB. Nizovi su lako dostupni za čitanje i pisanje.
2. Brzinska izvedba je također odlična. Obavlja brže proračune od python popisa.
Kako je open-source, to ne košta ništa, a koristi vrlo popularan programski jezik Python koji ima visokokvalitetne biblioteke za gotovo svaki zadatak. Također je lako spojiti postojeći C kod na Python interpreter.
Karijerski rast
Među programskim jezicima, Python je trend tehnologije u IT-u. Karijerne mogućnosti u Pythonu povećavaju se u velikom broju širom svijeta. Budući da je python programski jezik visoke razine, Python brine za bržu čitljivost i konciznost koda, uz manje redaka koda. Python je jedan od najboljih alata za stvaranje dinamičkih skripti na velikim i malim ekstenzijama.
Python se široko koristi u web razvoju, pisanju skripti, testiranju, razvoju aplikacija i njihovih ažuriranja. Dakle, ako bilo tko želi biti stručnjak za Python, ima mnogo mogućnosti karijere, poput jednog može biti programer python-a, python tester ili čak znanstvenik podataka.
Zaključak:
Kao što vidimo, zaista je snažan s obzirom na visokokvalitetne funkcije knjižnice koje ima. Svatko može izvoditi velike proračune ili proračune sa samo nekoliko redaka koda. To je ono što ga čini odličnim alatom za razne numeričke proračune. Ako neko želi postati istraživač podataka, može probati svladati Numpy. Ali prvo, morate naučiti i znati python-a prije nego što postanete stručnjak za Numpy.
Preporučeni članci
Ovo je vodič na temu Što je NumPy. Ovdje smo raspravljali o značajkama, prednostima i karijernom rastu NumPy-a. Možete pogledati i sljedeće članke da biste saznali više -
- Što je C?
- Što je QlikView?
- Što je Apache Flink?
- Što je Houdini?
- Razumijevanje popisa Pythona
- Različite vrste podataka NumPy s primjerima