Библиотека NumPy и ее возможности
В этой статье я хочу предоставить идеальные знания о массиве NumPy и о том, почему он полезен для науки о данных.
Numpy - очень важная фундаментальная библиотека для науки о данных и машинного обучения. Ранее у Python не было специального пакета для числовых вычислений. Поэтому программистам приходилось сталкиваться с множеством трудностей при выполнении своих задач. В 1995 году группой SIG (matrix sig) был создан специальный пакет массивов. Это могло бы сделать численные вычисления намного проще и эффективнее.
Прежде всего, мы должны понять, что такое NumPy. NumPy расшифровывается как Число расширений Py thon. Он поддерживает большие многомерные массивы и метрики. В частности, NumPy - это библиотека с открытым исходным кодом. По сути, он используется для численного анализа, линейной алгебры и матричных вычислений.
Сходства и различия между массивом NumPy и списками
NumPy очень близок к этому списку. Между списком и массивом NumPy есть несколько общих черт.
- Оба используются для хранения данных
import numpy as np
list1=[1,2,3,4]
print('List :',list1)
numpy1=np.array([1,2,3,4])
print('NumPy ',numpy1)
выход:
List : [1, 2, 3, 4] NumPy: [1 2 3 4]
2. Мутабельный
Python представляет все данные как объекты. Изменчивость - это способность изменять свой контент без изменения своей личности. Список, словари и массивы NumPy изменяемы. Такие объекты, как строка, кортежи, числа с плавающей запятой, изменить нельзя. Итак, они неизменны.
import numpy as np
from numpy.lib.index_tricks import nd_grid
list1=[1,2,3,4]
list1[0]=5
print('List :',list1)
numpy1=np.array([1,2,3,4])
numpy1[0]=5
print('NumPy: ',numpy1)
выход:
List : [5, 2, 3, 4] NumPy: [5 2 3 4]
3. Индексирование и нарезка
Индексирование - это определение позиции элемента.
import numpy as np from numpy.lib.index_tricks import nd_grid list1=[1,2,3,4] print(list1[2]) numpy1=np.array([1,2,3,4]) print(numpy1[2])
выход:
3 3
Использование нарезки для возврата последовательности элементов
import numpy as np from numpy.lib.index_tricks import nd_grid list1=[1,2,3,4] print(list1[0:2]) numpy1=np.array([1,2,3,4]) print(numpy1[0:2])
выход:
[1, 2] [1 2]
Теперь посмотрите, чем отличается список массивов NumPy
- В списке мы можем хранить разные типы данных. Такие как int, float, string или что-то еще, но в массиве Numpy могут хранить только аналогичный тип данных.
lis1=[1,2,3.5,’C’,’S’] numPy1=[1,2,3,4,5]
2. Операции
Список не может выполнять арифметические операции, но разрешен массив NumPy.
Пример 1: Список и арифметические операции
list1=[3,6,9,12] list2=list1/3
выход:
list2=list1/3 TypeError: unsupported operand type(s) for /: ‘list’ and ‘int’
Пример 2: массив Numpy и арифметические операции
import numpy as np
from numpy.lib.index_tricks import nd_grid
numpy1= np.array([3,6,9,12])
print('Before dividing :',numpy1)
numpy2=numpy1/3
print('After dividing : ',numpy2)
выход:
Before dividing : [ 3 6 9 12] After dividing : [1. 2. 3. 4.]
Почему массив NumPy важен для науки о данных?
Проблема в том, почему Numpy использовал науку о данных, а не список.
Ответ: на то есть много причин. Очень важно, что структуры данных Numpy занимают меньше места, чем список. В списках Python хранятся элементы различных типов. Следовательно, существует высокая вероятность сделать информацию избыточной. Таким образом, массив NumPy повышает эффективность хранения и обработки данных. Эффективное хранение и манипулирование - основа науки о данных. Все числовые операции и производительность массивов большего размера обрабатываются пакетом Numpy. кроме этой библиотеки NumPy могут поддерживаться различные библиотеки, такие как Pandas, Matpotlib и Sckikit learn.
Еще одно важное значение - массив Numpy быстрее, чем список, потому что NumPy был написан на языке C. C - это язык низкого уровня. Таким образом, его легко использовать, тогда как список динамически типизируется. В этом случае Python должен проверить переменную, и это тип данных. Это одна из причин, почему NumPy работает быстро.
Другая причина в том, что массив Numpy состоит только из однородных элементов. Напротив, список состоит из элементов разных типов. Если все элементы являются одним и тем же типом данных, память выделяется динамически. Кроме того, Numpy предоставляет множество предопределенных функций. Эти функции для выполнения арифметических операций или обработки комплексных чисел. Таким образом, мы можем получить преимущество повторного использования кодов. Вот почему массив Numpy работает быстрее.
Массив NumPy может выполнять матричную арифметику. Матрица очень важна для работы с линейной алгеброй. Матричная алгебра очень полезна для специалистов по обработке данных, чтобы повысить их производительность и достичь поставленных задач. Эти концепции лежат в основе науки о данных.
Библиотека Numpy предоставляет множество встроенных функций. Эти функции очень важны для линейной алгебры, финансовых расчетов, математических расчетов, случайной выборки и статистики. NumPy также предоставляет универсальные функции. Эти функции могут использоваться для широковещательной рассылки.
NumPy - это основная библиотека Python и фундаментальный элемент Data Science. Надеюсь, эта статья помогла вам понять, почему NumPy важен для науки о данных. Если вы хотите стать мастером науки о данных, вы должны очень четко изучить эти концепции.
