Рубрики
Без рубрики

Python Numpy в двух словах

Это неоспоримый факт, Python является одним из наиболее распространенных и предпочтительных программных языков для D … Помечено Python, анализ данных.

Это неоспоримый факт, Python является одним из наиболее распространенных и предпочтительных языков программирования для аналитики данных.

Numpy, Scipy (произносится как вздох пирога), Pandas и Matplotlib – это библиотеки Python, используемые для анализа данных.

Что такое Numpy, Scipy, Pandas и Matplotlib?

Когда Python был разработан Guido Van Rossum, Matrices, векторами, кадрами данных и графиками, не являются типовыми типами данных по умолчанию или функциональность языка программирования. Поскольку Python становится все более популярным среди разработчиков (из-за его простой простоты), этот основной недостаток был идентифицирован и исправлен.

Numpy, Scipy, Pandas и Matplotlib – это библиотеки Python, и каждая библиотека имеет свое значение. Мы обсудим каждый из них подробно.

Что такое nampy?

Numpy – это основная библиотека Python для анализа данных в Python. NUMPY имеет N-мерную структуру данных для эффективных вычислений массивов и матриц. Numpy массивы равномерно в натуральной форме. Есть две части N-мерного массива (NDARRAY):

  • Данные, хранящиеся в памяти
  • Мета Данные

Numpy массивы сохраняются как Сертивированная C Array в питоне. Смежный массив, хранящийся в непрерывном блоке памяти.

Типичный 2D, 3 x 3 массива [1, 2, 3], [4, 5, 6], [7, 8, 9]

И Как Python сохраняет это:

1 2 3 4 5 6 7 8 9

Numpy (числовой питон) был разработан:

  • Исправить математические недостатки Python.
  • Улучшить возможность Python с «n» мерными массивами.
  • В отличие от встроенных списков Python N-мерные массивы однородны в природе
  • Эти N-мерные массивы часто называют NDARRAY в Python.

Установка Numpy

Предполагая, что «PIP» уже установлен на локальной машине. Если «PIP» не установлен, то вам нужно сначала установить PIP.

Из терминала командной строки. Запустите следующую команду

pip install numpy
Collecting numpy
Downloading https://files.pythonhosted.org/packages/8e/75/7a8b7e3c073562563473f2a61bd53e75d0a1f5e2047e576ee61d44113c22/numpy-1.14.3-cp36-cp36m-macosx_10_6_intel.macosx_10_9_intel.macosx_10_9_x86_64.macosx_10_10_intel.macosx_10_10_x86_64.whl (4.7MB)
100% |████████████████████████████████| 4.7MB 2.2MB/s
Installing collected packages: numpy
Successfully installed numpy-1.14.3

Теперь The Numpy установлен в вашей системе. Теперь вы готовы использовать Numpy Bienties в Python.

Начало работы с Numpy

После установки Numpy давайте начнем работать с Numpy Python Library. Установка других библиотек Python будет покрыта в следующих последующих блогах.

NUMPY массивы или NDARRIES являются эффективными в числовых операциях, а размеры Numpy называются оси .

import numpy as np

# Creates One Dimensional Array
numpy_array = np.array([1, 2, 3])

print (numpy_array)


# Two Dimensional Array
numpy_array = np.array([
                        [1, 2, 3],
                        [4, 5, 6]
                        ])

print(numpy_array)


# Data Type of NumPy Arrays int64
print("Data Type of NumPy Array:", numpy_array.dtype)


NP это псевдоним numpy.

По умолчанию 64-битное целое число присваивает наменому массиву целочисленного типа, но мы можем явно определить тип данных.

Этот код создаст явный тип данных INT32.

# Create Array with Explicit Data Type
explicit_datatype = np.array((np.arange(5)), dtype=np.int32)

print("\nExplicit Data Array:")
print(explicit_datatype)

print("Data Type:", explicit_datatype.dtype)


Давайте сделаем еще несколько экспериментов с помощью Numpy Array. Хотя он никогда не использует в реальном программировании, но это просто для удовольствия.

# Create an Array of One
one_array = np.ones((3, 5))
print("\nArray of One's")
print(one_array)

Выше мы указываем, чтобы создать Numpy Array с 3 строками и 5 столбцами. Выход аналогичен

Array of One's
[[1. 1. 1. 1. 1.]
 [1. 1. 1. 1. 1.]
 [1. 1. 1. 1. 1.]]

Аналогично массив нуля

# Create an Array of Zeros
zero_array = np.zeros((3,5))
print("\n Array of Zero's")
print(zero_array)

Попробуйте запустить его самостоятельно и сравнить вывод.

Присоединяя к двум объявленным массивам по горизонтали

# Joining Two Arrays Horizontally
array_1 = np.arange(8).reshape(2, 4)
array_2 = np.arange(4).reshape(2, 2)

print(array_1)

Reshape Преобразует один размерный массив в многомерный. В приведенном выше примере Numpy Array с 8 элементами изменил два 2 ряда и 4 столбца.

[[0 1 2 3]
 [4 5 6 7]]

HSTACK используется для присоединения к массиву горизонтально.

import numpy as np

# Joining Two Arrays Horizontally
array_1 = np.arange(8).reshape(2, 4)
array_2 = np.arange(4).reshape(2, 2)

print("*** Array 1 ***")
print(array_1)

print("*** Array 2 ***")
print(array_2)
array_3 = np.hstack((array_1, array_2))

print("*** Array 1 + Array 2 ***")
print(array_3)

Выход:

*** Array 1 ***
[[0 1 2 3]
 [4 5 6 7]]

*** Array 2 ***
[[0 1]
 [2 3]]

*** Array 1 + Array 2 ***
[[0 1 2 3 0 1]
 [4 5 6 7 2 3]]

Помните: количество столбцов должно быть то же самое при присоединении к массивам по горизонтали.

Присоединяя к двум объявленным массивам вертикально

VStack используется для присоединения к массиву горизонтально.

import numpy as np

# Joining Two Arrays Vertically
array_1 = np.arange(8).reshape(2, 4)
array_2 = np.arange(4).reshape(1, 4)

print("*** Array 1 ***")
print(array_1)

print("*** Array 2 ***")
print(array_2)
array_3 = np.vstack((array_1, array_2))

print("*** Array 1 + Array 2 ***")
print(array_3)

Выход:

*** Array 1 ***
[[0 1 2 3]
 [4 5 6 7]]

*** Array 2 ***
[[0 1 2 3]]

*** Array 1 + Array 2 ***
[[0 1 2 3]
 [4 5 6 7]
 [0 1 2 3]]

Проверьте свои знания

  • Создайте два примененных массива и присоединяйтесь к ним горизонтально, а затем вертикально.
  • Нарежьте присоединенный массив до 3-го индекса и магазинов в другой переменной.

Подсказка: y [: n], начинается с Zeroth Index и поднимается в n – 1 Показатель

Дайте мне знать в разделе комментариев, как это происходит.

Оригинал: “https://dev.to/akuks/python-numpy-in-a-nutshell-3550”