Одной из ключевых особенностей Numpy является его n-мерный объект массива, или Ndarray, который является быстрым, гибким контейнером для больших наборов данных в Python. Массивы позволяют вам выполнять математические операции на целых блоках данных, используя аналогичный синтаксис для эквивалентных операций между скалярными элементами.
Прежде всего импорт Numpy
импортировать Numpy как NP
a = np.array([1,2,3,4,5]) b = np.array([[1.0,2.0,3.0],[4.0,5.0,6.0]])
print(a.ndim) # 1 print(b.ndim) # 2
print(array.shape) # (rows ,column) in case of 2d arrays print(a.shape) # (3, ) print(a.shape) # (2,3)
print(a.dtype) # int32 print(b.dtype) # float64
- Большую часть времени dtype – это
float64
по умолчанию - Я расскажу больше о dtypes и изменении dtypes в следующем посте
# Gets size of a single element in the array (dependent on dtype) print(a.itemsize) # 4 (because int32 has 32 bits or 4 bytes) # Gets size of array print(a.size) # 5 # So total size can be written as print(a.itemsize * a.size) # 20 # or we can directly use a method called nbytes print(a.nbytes) # 20
Assarray
a_list = [1, 2, 3] a_array = np.asarray(a_list) print(a_array) # [1 2 3] print(type(a_array)) #
Arange
a = np.arange(5) print(a) # [0,1,2,3,4]
📌 и
# Syntax np.ones(shape,dtype) a = np.ones((3, 3), dtype='int32') print(a) """ [[1 1 1] [1 1 1] [1 1 1]] """
📌 One_like
# Syntax np.ones_like(numpy_array,dtype) arr = np.array([[1, 2], [3, 4]]) a = np.ones_like(arr, dtype="int32") print(a) """ [[1 1] [1 1]] """
📌 нули
# Syntax np.zeros(shape,dtype) a = np.zeros((3, 3), dtype='int32') print(a) """ [[0 0 0] [0 0 0] [0 0 0]] """
📌 zeros_like
# Syntax np.zeros_like(numpy_array,dtype) arr = np.array([[1, 2], [3, 4]]) a = np.zeros_like(arr, dtype="int32") print(a) """ [[0 0] [0 0]] """
📌 пусто
# Syntax np.empty(shape,dtype) a = np.empty((3, 2)) print(a) # Does not Initialize but fills in with arbitrary values """ [[7.14497594e+159 1.07907047e+219] [1.17119997e+171 5.02065932e+276] [1.48505869e-076 1.93167737e-314]] """
📌 yempt_like
# Syntax np.empty_like(numpy_array,dtype) arr = np.array([[1, 2], [3, 4]]) a = np.empty_like(arr, dtype="int32") print(a) """ [[-1290627329 -717194661] [ 1707377199 1980049554]] """
📌 Полн
# Syntax np.full(shape,fill_value,dtype) a = np.full((5, 5), 99) print(a) """ [[99 99 99 99 99] [99 99 99 99 99] [99 99 99 99 99] [99 99 99 99 99] [99 99 99 99 99]] """
📌 Full_like
# Syntax np.full_like(shape,fill_value,dtype) arr = np.empty((4, 2)) a = np.full_like(arr, 25) print(a) """ [[25. 25.] [25. 25.] [25. 25.] [25. 25.]] """
📌 Идентичность
- Создайте квадратную матрицу идентификации n × n (1 с диагональю и 0s в других местах)
# Syntax np.identity(n,dtype) (or) # np.eye(n,dtype) a = np.idetity(6) print(a) """ [[1. 0. 0. 0. 0. 0.] [0. 1. 0. 0. 0. 0.] [0. 0. 1. 0. 0. 0.] [0. 0. 0. 1. 0. 0.] [0. 0. 0. 0. 1. 0.] [0. 0. 0. 0. 0. 1.]] """
Оригинал: “https://dev.to/envoy_/numpy-ndarrays-1m6e”