Introduzione a NumPy
NumPy è un pacchetto open source di Python. Può essere utilizzato per l'elaborazione scientifica e numerica. Principalmente viene utilizzato per un calcolo più efficiente sugli array. È basato e scritto in C e Python. È un pacchetto Python e la parola Numpy significa Numerical Python. Viene utilizzato principalmente per l'elaborazione di array multidimensionali omogenei. È una libreria di base per i calcoli scientifici. Quindi ha potenti oggetti array multidimensionali e strumenti di integrazione che sono utili mentre si lavora con questi array. È importante in quasi tutte le programmazioni scientifiche in Python, che include apprendimento automatico, statistiche, bioinformatica, ecc. Fornisce alcune funzionalità davvero buone che sono scritte molto bene e funzionano in modo efficiente. Si concentra principalmente sull'esecuzione di operazioni matematiche su array contigui, proprio come gli array che hai in linguaggi di livello inferiore come C. In altre parole, viene utilizzato nella manipolazione di dati numerici. Per questo motivo, python può essere usato come alternativa a MATLAB.
Capire Numpy
Una delle librerie più utilizzate in Python è Numpy. Le tecniche di Data Science richiedono il lavoro da eseguire su matrici e matrici di grandi dimensioni e deve essere fatto un pesante calcolo numerico per estrarre informazioni utili da esso, il che è reso semplice dalla raccolta di varie funzioni matematiche sotto il NumPy. ma importante libreria per la maggior parte del calcolo scientifico in Python, anche alcune altre librerie dipendono dagli array NumPy come input e output di base. Fornisce inoltre funzioni che consentono agli sviluppatori di eseguire funzioni matematiche e statistiche di base e avanzate su array e matrici multidimensionali con un numero molto inferiore di righe di codice. 'ndarray' o struttura di dati array n-dimensionale è la principale funzionalità di Numpy. Questi array sono omogenei e tutti gli elementi dell'array devono essere dello stesso tipo.
Gli array NumPy sono più veloci rispetto agli elenchi Python. Ma gli elenchi di Python sono più flessibili degli array intorpiditi in quanto è possibile memorizzare solo lo stesso tipo di dati in ogni colonna.
Caratteristiche -
- È una combinazione di C e pitone
- Matrici omogenee multidimensionali. Ndarray che sono un array ndimensionale
- Varie funzioni per array.
- Rimodellamento di array Python può essere utilizzato come alternativa a MATLAB.
In che modo numpy rende il lavoro così facile?
Puoi facilmente creare array omogenei ed eseguire varie operazioni su di esso come,
- Importandolo usando il comando seguente, importa numpy come numpy.
NumPy array n-dimensionale
Una delle caratteristiche più importanti di Numpy è un array n-dimensionale che è nd-array. Il numero di dimensioni di un array non è altro che il rango di array. Ecco alcuni esempi. arra = numpy.array ((10, 20, 30))
Creare un array intorpidito-
La riga seguente crea un array,
arra = numpy.arange (3)
Questo è proprio come l'intervallo in Python. Ciò creerà una matrice di dimensioni 3.
Alcune funzioni di base che possono essere utilizzate con l'array numpy
Diamo un'occhiata a quali funzioni possiamo usare con l'array e il loro scopo
Importa numpy come numpy
ARRC = numpy.array (((10, 20, 30), (40, 50, 60)))
arrC.reshape (3, 2)
Uscita: arrayC (((10, 20),
(30, 40), (50, 60)))La funzione di risagoma modifica il numero di colonne e righe, quindi dopo aver rimodellato l'array otterrà una nuova vista con il diverso numero di colonne e righe.
Alcune funzioni matematiche in Numpy
Esistono funzioni matematiche che possono essere utilizzate con gli array Numpy. Di seguito alcuni esempi,
Importa numpy come numpy
arra = numpy.array (((1, 2, 3), (4, 5, 6)))
ARRB = numpy.array (((7, 8, 9), (10, 11, 12)))
numpy.add (ARRA, ARRB)
Questa funzione aggiunge l'array arrA e arrB
Produzione:
arrayC (((8, 10, 12), (14, 16, 18)))
Perché dovremmo usare?
Usiamo l'array numpy python invece di un elenco per i tre motivi seguenti:
- Meno utilizzo della memoria
- Prestazioni veloci
- Conveniente da lavorare
Il primo motivo per preferire gli array numpy di Python è che richiede meno memoria rispetto all'elenco di Python. Quindi, è veloce in termini di esecuzione e allo stesso tempo, è conveniente e facile da lavorare con esso.
Cosa possiamo fare con Numpy?
Il supporto integrato per gli array non è disponibile in Python, ma possiamo usare gli elenchi Python come array.
arrayA = ('Hello', 'world')
stampare (Arraya)
Ma è ancora un elenco Python, non un array.
Quindi ecco Numpy che possiamo usare per creare matrici 2D, 3D ovvero multidimensionali. Inoltre, possiamo fare calcoli su array.
importa numpy come num
arr = num.array ((1, 2, 3, 4, 5, 6))
stampa (arr)
Crea array arr.
Quindi, per array 2D e 3D,
importa numpy come num
arr = num.array (((1, 2, 3, 4, 5), (6, 7, 8, 9, 10, 11)))
stampa (arr)
–Se si desidera conoscere le dimensioni dell'array, è possibile utilizzare semplicemente la seguente funzione.
stampare (arr.ndim)
–Se vuoi scoprire le dimensioni di un array, puoi semplicemente utilizzare la seguente funzione,
stampa (arr.size)
–Per scoprire la forma di un array, è possibile utilizzare la funzione shape.
stampa (arr.shape)
Ti dirà il numero di (col, righe)
È inoltre possibile utilizzare lo slicing, il rimodellamento e molti altri metodi con array intorpiditi.
Perché abbiamo bisogno?
Per fare un calcolo logico e matematico su array e matrici è necessario numpy. Esegue queste operazioni in modo troppo efficiente e più veloce degli elenchi Python.
vantaggi
1. Le matrici intorpidite occupano meno spazio.
Le matrici di NumPy hanno dimensioni inferiori rispetto agli elenchi Python. Un elenco Python può richiedere fino a 20 MB di dimensione mentre un array può occupare 4 MB. Gli array sono anche di facile accesso per la lettura e la scrittura.
2. Anche le prestazioni di velocità sono eccezionali. Esegue calcoli più veloci rispetto agli elenchi Python.
Essendo open-source, non costa nulla e utilizza un linguaggio di programmazione Python molto popolare che ha librerie di alta qualità per quasi tutte le attività. Inoltre, è facile collegare il codice C esistente all'interprete Python.
Crescita professionale
Tra i linguaggi di programmazione, Python è una tecnologia di tendenza nell'IT. Le opportunità di carriera in Python stanno aumentando rapidamente di numero in tutto il mondo. Poiché python è un linguaggio di programmazione di alto livello, Python si occupa della leggibilità e della concisione del codice più veloci, con linee di codice minori. Python è uno dei migliori strumenti per la creazione di script dinamici su dimensioni grandi e piccole.
Python è ampiamente utilizzato nello sviluppo Web, nella scrittura di script, nei test, nello sviluppo di app e dei loro aggiornamenti. Quindi, se qualcuno vuole essere esperto in Python, ha molte opzioni di carriera, come uno può essere uno sviluppatore python, un tester python o persino uno scienziato di dati.
Conclusione:
Ora, come possiamo vedere, è davvero forte in termini di funzioni di libreria di alta qualità che ha. Chiunque può eseguire calcoli o calcoli di grandi dimensioni con poche righe di codice. Questo è ciò che lo rende un ottimo strumento per vari calcoli numerici. Se qualcuno desidera diventare uno scienziato di dati, allora può provare a padroneggiare in Numpy. Ma prima, devi imparare e conoscere Python prima di diventare un esperto di Numpy.
Articoli consigliati
Questa è stata una guida su Cos'è NumPy. Qui discutiamo le caratteristiche, i vantaggi e la crescita professionale di NumPy. Puoi anche consultare i seguenti articoli per saperne di più -
- Che cos'è C?
- Che cos'è QlikView?
- Che cos'è Apache Flink?
- Che cos'è Houdini?
- Comprensione della lista Python
- Vari tipi di dati NumPy con esempi