Numpy – фундаментальный пакет для научных вычислений в Python. Это библиотека Python, которая предоставляет многомерную объект массива, различные производные объекты (такие как массивы в масках и матрицах), а также ассортимент рутины для быстрых операций на массивах, включая математические, логические, манипулированием формы, сортировку, выбора, ввода/вывода Дискретные преобразования Фурье, базовая линейная алгебра, основные статистические операции, случайное моделирование и многое другое.
Так в основном это массив
- Numpy Armays имеет фиксированный размер в создании, в отличие от списков Python (который может расти динамически). Изменение размера NDARRAY создаст новый массив и удалить оригинал.
- Numpy массивы содействуют расширенным математическим и другим типам операций на большом количестве данных. Как правило, такие операции выполняются более эффективно и с меньшим количеством кода, чем можно с помощью встроенных последовательностей Python.
- Операции линейной алгебры, преобразование Фурье и генерация случайного числа
- За быстрыми возможностями для обработки массива, которые Numpy добавляет к Python, одно из его основных применений в анализе данных является в качестве контейнера для передачи данных между алгоритмами и библиотеками.
Откройте терминал и просто введите
pip install numpy
Если это не сработает для вас использовать
pip3 install numpy
Позволяет привести пример
Использование списков
import time
start = time.time()
a = range(1000000)
for _ in range(10):
[x * 2 for x in a]
end = time.time()
print(f"Code executed in {(end-start)*1000} ms")
Вывод –
Code executed in 950.7663249969482 ms
Используя numpy
import numpy as np
import time
start = time.time()
arr = np.arange(1000000)
for _ in range(10):
arr * 2
end = time.time()
print(f"Code executed in {(end-start)*1000} ms")
Вывод –
Code executed in 15.02847671508789 ms
⚡️. Так что numpy более чем в 66 раз быстрее, чем списки
Оригинал: “https://dev.to/envoy_/numpy-introduction-jjg”