NumPy oznacza numeryczny Python. Jest to biblioteka Pythona używana do pracy z tablicą. W Pythonie używamy listy jako tablicy, ale jej przetwarzanie jest powolne. Tablica NumPy to potężny N-wymiarowy obiekt tablicowy, używany w algebrze liniowej, transformacji Fouriera i funkcjach liczb losowych. Zapewnia obiekt tablicowy znacznie szybciej niż tradycyjne listy w Pythonie.

Rodzaje tablic:

1. Tablica jednowymiarowa
2. Tablica wielowymiarowa

Tablica jednowymiarowa:

Tablica jednowymiarowa jest rodzajem tablicy liniowej.

Tablica jednowymiarowa

Przykład:

# importing numpy module import numpy as np # creating list list = [1, 2, 3, 4] # creating numpy array sample_array = np.array(list) print('List in python : ', list) print('Numpy Array in python :', sample_array)>

Wyjście:

List in python : [1, 2, 3, 4] Numpy Array in python : [1 2 3 4]>

Sprawdź typ danych dla listy i tablicy:

print(type(list_1)) print(type(sample_array))>

Wyjście:

>

Tablica wielowymiarowa:

Dane w tablicach wielowymiarowych są przechowywane w formie tabelarycznej.

Tablica dwuwymiarowa

Przykład:

wydrukuj z Javy

# importing numpy module import numpy as np # creating list  list_1 = [1, 2, 3, 4] list_2 = [5, 6, 7, 8] list_3 = [9, 10, 11, 12] # creating numpy array sample_array = np.array([list_1, list_2, list_3]) print('Numpy multi dimensional array in python
', sample_array)>

Wyjście:

Numpy multi dimensional array in python [[ 1 2 3 4]  [ 5 6 7 8]  [ 9 10 11 12]]>

Notatka: używać [ ] operatory wewnątrz numpy.array() dla wielowymiarowości

Anatomia tablicy:

1. Oś: Oś tablicy opisuje kolejność indeksowania tablicy.

Oś 0 = jednowymiarowa

Oś 1 = dwuwymiarowa

Oś 2 = Trójwymiarowy

2. Kształt: Liczba elementów wraz z każdą osią. To jest z krotki.

Przykład:

# importing numpy module import numpy as np # creating list  list_1 = [1, 2, 3, 4] list_2 = [5, 6, 7, 8] list_3 = [9, 10, 11, 12] # creating numpy array sample_array = np.array([list_1, list_2, list_3]) print('Numpy array :') print(sample_array) # print shape of the array print('Shape of the array :', sample_array.shape)>

Wyjście:

Numpy array :  [[ 1 2 3 4]  [ 5 6 7 8]  [ 9 10 11 12]] Shape of the array : (3, 4)>

Przykład:

import numpy as np sample_array = np.array([[0, 4, 2], [3, 4, 5], [23, 4, 5], [2, 34, 5], [5, 6, 7]]) print('shape of the array :', sample_array.shape)>

Wyjście:

shape of the array : (5, 3)>

3. Ranga: Ranga tablicy to po prostu liczba jej osi (lub wymiarów).

Tablica jednowymiarowa ma rangę 1.

Ranga 1

Tablica dwuwymiarowa ma rangę 2.

Ranga 2

4. Obiekty typu danych (dtype): Obiekty typu danych (dtype) są instancją typ numpy.d klasa. Opisuje, jak należy interpretować bajty w bloku pamięci o stałym rozmiarze odpowiadającym elementowi tablicy.

Przykład:

# Import module import numpy as np # Creating the array  sample_array_1 = np.array([[0, 4, 2]]) sample_array_2 = np.array([0.2, 0.4, 2.4]) # display data type print('Data type of the array 1 :', sample_array_1.dtype) print('Data type of array 2 :', sample_array_2.dtype)>

Wyjście:

Data type of the array 1 : int32 Data type of array 2 : float64>

Inny sposób tworzenia tablicy Numpy:

1. numpy.array() : Obiekt tablicy Numpy w Numpy nazywa się ndarray. Możemy stworzyć ndarray za pomocą numpy.array() funkcjonować.

Składnia: numpy.array(parametr)

Przykład:

# import module import numpy as np #creating a array arr = np.array([3,4,5,5]) print('Array :',arr)>

Wyjście:

Array : [3 4 5 5]>

2. numpy.fromiter() : Funkcja fromiter() tworzy nową jednowymiarową tablicę z obiektu iterowalnego.

Składnia: numpy.fromiter(iterowalny, typ d, liczba=-1)

Przykład 1:

#Import numpy module import numpy as np # iterable iterable = (a*a for a in range(8)) arr = np.fromiter(iterable, float) print('fromiter() array :',arr)>

Wyjście:

fromiter() tablica: [ 0. 1. 4. 9. 16. 25. 36. 49.]

Przykład 2:

import numpy as np var = 'Geekforgeeks' arr = np.fromiter(var, dtype = 'U2') print('fromiter() array :', arr)>

Wyjście:

fromiter() tablica : [„G” „e” „e” „k” „f” „o” „r” „g” „e” „e” „k” „s”]

3. numpy.arange() : Jest to wbudowana funkcja NumPy, która zwraca równomiernie rozmieszczone wartości w danym przedziale.

Składnia: numpy.arange([start, ]stop, [krok, ]dtype=Brak)

Przykład:

import numpy as np np.arange(1, 20 , 2, dtype = np.float32)>

Wyjście:

array([ 1., 3., 5., 7., 9., 11., 13., 15., 17., 19.], dtype=float32)

4. numpy.linspace() : Ta funkcja zwraca równomiernie rozmieszczone liczby w określonym przedziale między dwoma limitami.

Składnia: numpy.linspace(start, stop, num=50, punkt końcowy=prawda, retstep=fałsz, dtype=brak, oś=0)

Java do char

Przykład 1:

import numpy as np np.linspace(3.5, 10, 3)>

Wyjście:

array([ 3.5 , 6.75, 10. ])>

Przykład 2:

import numpy as np np.linspace(3.5, 10, 3, dtype = np.int32)>

Wyjście:

array([ 3, 6, 10])>

5. numpy.empty() : Funkcja ta tworzy nową tablicę o podanym kształcie i typie, bez inicjowania wartości.

Składnia: numpy.empty(kształt, dtype=float, zamówienie=’C’)

Przykład:

import numpy as np np.empty([4, 3], dtype = np.int32, order = 'f')>

Wyjście:

array([[ 1, 5, 9],  [ 2, 6, 10],  [ 3, 7, 11],  [ 4, 8, 12]])>

6. numpy.ones(): Funkcja ta służy do uzyskania nowej tablicy o zadanym kształcie i typie, wypełnionej jedynkami(1).

Składnia: numpy.ones(shape, dtype=None, Order=’C’)

Przykład:

import numpy as np np.ones([4, 3], dtype = np.int32, order = 'f')>

Wyjście:

array([[1, 1, 1],  [1, 1, 1],  [1, 1, 1],  [1, 1, 1]])>

7. numpy.zeros() : Funkcja ta służy do pobrania nowej tablicy o zadanym kształcie i typie, wypełnionej zerami (0).

Składnia: numpy.ones(kształt, dtype=Brak)

Przykład:

import numpy as np np.zeros([4, 3], dtype = np.int32, order = 'f')>

Wyjście:

array([[0, 0, 0],  [0, 0, 0],  [0, 0, 0],  [0, 0, 0]])>