От новичка до ниндзя: массивы NumPy в Python — День 03

Добро пожаловать в еще одну захватывающую серию NumPy. В нашей предыдущей статье мы углубились в увлекательный мир NumPy, где исследовали искусство создания массивов NumPy и генерации случайных чисел с использованием функций NumPy. Если вы пропустили эти статьи, вы можете найти их здесь:

В этой статье мы расширим наши знания и углубимся в функциональные возможности, методы и атрибуты, которые предлагает NumPy.

Но прежде чем мы погрузимся в захватывающий контент, я хотел бы воспользоваться моментом, чтобы выразить свою благодарность за вашу поддержку. Ваши лайки, публикации и участие в наших предыдущих статьях очень вдохновляют.

Я хотел бы призвать вас продолжать этот невероятный импульс, ставя лайки, делясь и подписываясь на наш канал. Тем самым вы не только поддерживаете нас, но и помогаете охватить более широкую аудиторию энтузиастов данных, которые могут извлечь выгоду из наших общих знаний.

Вы также можете следить за моим профилем на Medium, чтобы получать более подробные статьи и обновления.

Давайте оставаться на связи и вместе продолжим это удивительное приключение в области науки о данных.

Без лишних слов давайте углубимся в изучение методов массива NumPy. Итак, пристегните ремни, и мы отправляемся в это волнующее путешествие по царству NumPy:

Нахождение формы массива NumPy:

Форма массива относится к размерам или размерам его осей. NumPy предоставляет следующие методы и атрибуты для поиска формы массива:

ndarray.shape:

Атрибут shape массива NumPy возвращает кортеж, представляющий размеры массива.

arr = np.array([[1, 2, 3], [4, 5, 6]])
arr.shape

Результирующий вывод указывает, что наш массив представляет собой массив 2d, содержащий 2 строки и 3 столбца.

ndarray.ndim:

Атрибут ndim массива NumPy представляет количество измерений массива.

arr = np.random.randn(3, 5)
arr.ndim

Результирующий вывод показывает, что размерность нашего массива равна 2. Итак, это двумерный массив.

Изменение формы массива:

Предположим, у вас есть массив 1d, содержащий 15 чисел, и вы хотите изменить форму массива на массив 2d. Для этого мы можем использовать следующие методы или атрибуты:

нп.изменить ():

Функция np.reshape() позволяет нам изменять форму массива без изменения его данных.

Общее количество элементов в исходном массиве должно быть таким же, как и в измененном массиве.

# Original array:
arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])

# Reshaped array:
res_arr = np.reshape(arr, newshape = (3, 4))

Результирующий массив 2d содержит значения без изменения исходных данных.

Вы также можете написать приведенный выше код в одну строку:

arr = np.arange(1, 13).reshape(3, 4)
arr

нп.ресайз():

Функция np.resize() позволяет нам изменять форму массива путем повторения или усечения элементов.

• Он изменяет форму исходного массива.
• Если новая фигура больше, массив будет заполнен повторяющимися значениями.
• Если новая форма меньше, то массив будет усечен до указанного размера.

# Original array:
arr = np.array([1, 2, 3, 4, 5])

# Resized Array:
res_arr = np.resize(arr, new_shape = (3, 4))

Поскольку новая форма массива больше, чем исходный массив, результирующий массив будет заполнен повторяющимися значениями.

Поиск фактического типа данных массива:

Атрибут .dtype используется для получения фактического типа данных массива. Вот как вы можете это получить:

arr1 = np.arange(1, 11)
arr1.dtype

Результирующий вывод, то есть dtype(‘int32’), показывает, что массив имеет тип данных «integer».

Вопросы упражнения:

1. Создайте массив 1d NumPy, содержащий элементы от 1 до 6. Измените форму массива, чтобы он имел форму (2, 3). Распечатайте измененный массив.
2. Создайте массив NumPy формы (3, 4), содержащий случайные целые числа в диапазоне от 0 до 9. Измените размер массива, чтобы он имел форму (2, 6). Распечатайте измененный массив и его форму.
3. Создайте массив NumPy формы (2, 3, 4), содержащий случайные значения с плавающей запятой. Определить размеры массива.

На сегодня все – 03:

Вот и все на сегодняшнюю сессию. В следующем сеансе мы подробно обсудим индексирование и нарезку, используемые в массивах NumPy, вместе с кодом.

Пожалуйста, подписывайтесь/подписывайтесь, лайкайте, делитесь и аплодируйте, так как это побудит меня писать больше таких сообщений в блогах, особенно в области анализа данных и науки о данных.

Оставайтесь с нами!!

Спасибо!