Примечание. Обязательным условием для этого курса является некоторый опыт работы с Python и понимание таких концепций, как списки, кортежи, словари и т. д. Кроме того, это просто краткое введение в numpy и его различные функции, предназначенное для ознакомления .
Numpy — это короткий термин для числового Python и фундаментальный пакет для научных вычислений в Python. Это библиотека, основанная на линейной алгебре, и она довольно популярна среди пользователей. Он также служит основой для многих других библиотек, разработанных для науки о данных.
Обратите внимание, что мы будем использовать блокнот Jupyter для работы с numpy.
Различные концепции и методологии, используемые в Numpy:
Давайте без дальнейших задержек углубимся в различные концепции numpy и поймем, как это работает:
Знакомство с массивами Numpy:
Массивы можно рассматривать как строительный блок для работы с библиотеками numpy, они представлены в двух формах, в основном это матрицы и векторы. Векторы — это строго одномерные массивы, а матрицы — двумерные массивы. Мы можем создавать массивы numpy, используя списки и кортежи Python, давайте сначала посмотрим, как это сделать со списками,
Некоторые полезные функции numpy приведены ниже:
Упорядочить. Упорядочение похоже на функцию диапазона в Python, которая используется для создания диапазона значений. Он возвращает равномерно распределенные значения в заданном интервале.
// упорядочить([начало],[стоп],[шаг]) #Синтаксис
Ноль: используется для создания количества нулей в массиве.
// нули (форма, dtype = float)
Единицы: используется для создания числа нулей в массиве.
Eye: возвращает матрицу идентичности.
Случайный: используется для генерации случайного количества выборок, с ним связано множество методов, которые объясняются в приведенном ниже фрагменте кода.
Изменить форму: используется для придания массиву новой формы без изменения данных массива.
Есть гораздо больше методов, которые numpy может использовать в зависимости от необходимости, и людям рекомендуется сесть за блокнот и начать изучать себя, потому что, как говорится, «Практика делает человека совершенным». Теперь мы перейдем к другим операциям, таким как индексирование, нарезка, трансляция, которые можно выполнять с пустыми массивами.
Операции с Numpy:
Индексирование:
Индексирование является одной из наиболее важных функций numpy и широко используется для доступа и выполнения операций со значениями массива. Рассмотрим массив со следующими элементами:
#Создание массива
arr_new = np.array(([20,10,80,75,30,90,95]))
(array([20, 10, 80, 75, 30, 90, 95]), numpy.ndarray)
Это очень похоже на индексацию, которую мы используем в Python для списков.
Подумайте, если мы хотим получить доступ к 0-му значению массива, который мы бы написали,
› arr_new[0]
20
Чтобы получить доступ к диапазону значений, мы можем ввести следующий код:
› arr_new[0:6] #здесь 6-й не будет включен
array([20, 10, 80, 75, 30, 90])
› #Доступ к значению в обратном порядке
arr_new[-4]
75
Это подводит к концу часть 1 numpy, мы продолжим во 2-й части этой серии по основам науки о данных. Пожалуйста, не стесняйтесь обращаться ко мне в случае каких-либо сомнений и связаться со мной на Linkedin.
