12 NumPy -operationer for begyndere

NumPy, som står for Numerical Python, er et Python -bibliotek, der primært bruges til at arbejde med arrays og til at udføre en lang række matematiske operationer på dem. Det er kernebiblioteket til videnskabelig computing i Python. NumPy bruges ofte med andre Python -biblioteker relateret til datavidenskab, såsom SciPy, Pandas og Matplotlib.

I denne artikel lærer du, hvordan du udfører 12 grundlæggende operationer ved hjælp af NumPy.

Brug af disse NumPy -eksempler

Du kan køre eksemplerne i denne artikel ved at indtaste koden direkte i python -tolken. Start det i interaktiv tilstand, fra kommandolinjen, for at gøre det.

Du kan også få adgang til en Python Notebook -fil, der indeholder den fulde kildekode fra dette GitHub -depot.

1. Sådan importeres NumPy som np og udskrives versionsnummeret

Du skal bruge importere nøgleord til at importere ethvert bibliotek i Python. NumPy importeres typisk under np alias. Med denne tilgang kan du referere til NumPy -pakken som np i stedet for numpy.

import numpy som np
print (np .__ version__)

Produktion:

1.20.1

2. Sådan opretter du et NumPy ndarray -objekt

Arrayobjektet i NumPy kaldes ndarray. Du kan oprette NumPy ndarray objekt ved hjælp af array () metode. Det array () metode accepterer en liste, tupel eller et array-lignende objekt.

Brug af en Tuple til at oprette et NumPy -array

arrObj = np.array ((23, 32, 65, 85))
arrObj

Produktion:

array ([23, 32, 65, 85])

Brug af en liste til at oprette et NumPy -array

arrObj = np.array ([43, 23, 75, 15])
arrObj

Produktion:

array ([43, 23, 75, 15])

3. Sådan oprettes 0D-, 1D-, 2D-, 3D- og N-dimensionelle NumPy-arrays

0D -arrays

Hvert element i en matrix er et 0D -array.

arrObj = np.array (21)
arrObj

Produktion:

array (21)

1D -arrays

Arrays, der har 0D -arrays som deres elementer, kaldes 1D -arrays.

arrObj = np.array ([43, 23, 75, 15])
arrObj

Produktion:

array ([43, 23, 75, 15])

2D -arrays

Arrays, der har 1D -arrays som deres elementer, kaldes 2D -arrays.

arrObj = np.array ([[12, 43, 21], [67, 32, 98]])
arrObj

Produktion:

array ([[12, 43, 21],
[67, 32, 98]])

3D -arrays

Arrays, der har 2D -arrays (matricer) som deres elementer, kaldes 3D -arrays.

arrObj = np.array ([[[23, 45, 22], [45, 76, 23]], [[67, 23, 56], [12, 76, 63]]])
arrObj

Produktion:

array ([[[23, 45, 22],
[45, 76, 23]],
[[67, 23, 56],
[12, 76, 63]]])

n-dimensionelle arrays

Du kan oprette en matrix af enhver dimension ved hjælp af ndmin argument.

arrObj = np.array ([23, 22, 65, 44], ndmin = 5)
arrObj

Produktion:

array ([[[[[23, 22, 65, 44]]]]])

4. Sådan kontrolleres dimensionerne på et array

Du kan finde dimensionerne på en matrix ved hjælp af ndim attribut.

arrObj1 = np.array (21)
arrObj2 = np.array ([43, 23, 75, 15])
arrObj3 = np.array ([[12, 43, 21], [67, 32, 98]])
arrObj4 = np.array ([[[23, 45, 22], [45, 76, 23]], [[67, 23, 56], [12, 76, 63]]])
print (arrObj1.ndim)
print (arrObj2.ndim)
print (arrObj3.ndim)
print (arrObj4.ndim)

Produktion:

0
1
2
3

5. Sådan får du adgang til elementerne i 1D-, 2D- og 3D -arrays

Du kan få adgang til et array -element ved hjælp af dets indeksnummer. For 2D- og 3D-arrays skal du bruge kommaadskilte heltal, der repræsenterer indekset for hver dimension.

arrObj1 = np.array ([43, 23, 75, 15])
arrObj2 = np.array ([[12, 43, 21], [67, 32, 98]])
arrObj3 = np.array ([[[23, 45, 22], [45, 76, 23]], [[67, 23, 56], [12, 76, 63]]])
print (arrObj1 [2])
print (arrObj2 [0, 2])
print (arrObj3 [0, 1, 2])

Produktion:

75
21
23

Bemærk: NumPy -arrays understøtter også negativ indeksering.

Relaterede: Hvorfor Python er fremtidens programmeringssprog

6. Sådan kontrolleres datatypen for NumPy Array -objektet

Du kan kontrollere datatypen for NumPy -arrayobjektet ved hjælp af dtype ejendom.

arrObj1 = np.array ([1, 2, 3, 4])
arrObj2 = np.array ([1.3, 6.8, 3.5, 9.2])
arrObj3 = np.array (['Velkommen', 'til', 'MUO'])
print (arrObj1.dtype)
print (arrObj2.dtype)
print (arrObj3.dtype)

Produktion:

int32
float64

Bemærk:

NumPy bruger følgende tegn til at repræsentere de indbyggede datatyper:

• i - heltal (signeret)
• b - boolsk
• O - objekt
• S - streng
• u - usigneret heltal
• f - flyde
• c - kompleks float
• m - tidsindstillet
• M - datetime
• U - unicode -streng
• V - rådata (ugyldig)

7. Sådan ændres datatypen for et NumPy -array

Du kan ændre datatypen for et NumPy -array ved hjælp af astype (datatype) metode. Denne metode accepterer datatypen som en parameter og opretter en ny kopi af arrayet. Du kan angive datatypen ved hjælp af tegn som 'b' for boolsk, 'i' for heltal, 'f' for float osv.

Konvertering af et heltalsarray til et float -array

arrObj = np.array ([43, 23, 75, 15])
floatArr = arrObj.astype ('f')
floatArr

Produktion:

array ([43., 23., 75., 15.], dtype = float32)

Konvertering af en Float Array til et Integer Array

arrObj = np.array ([1.3, 6.8, 3.5, 9.2])
intArr = arrObj.astype ('i')
intArr

Produktion:

array ([1, 6, 3, 9], dtype = int32)

Relaterede: Python -projektideer Velegnet til begyndere

8. Sådan kopieres et NumPy -array til et andet array

Du kan kopiere et NumPy -array til et andet array ved hjælp af np.copy () fungere. Denne funktion returnerer en matrixkopi af det givne objekt.

oldArr = np.array ([43, 23, 75, 15])
newArr = np.copy (oldArr)
nyArr

Produktion:

array ([43, 23, 75, 15])

9. Sådan finder du formen på et NumPy -array

Formen på et array refererer til antallet af elementer i hver dimension. Du kan finde formen på et array ved hjælp af form attribut. Det returnerer en tuple, hvis elementer giver længderne af de tilsvarende matrixdimensioner.

arrObj = np.array ([[12, 43, 21], [67, 32, 98]])
arrObj.form

Produktion:

(2, 3)

Relaterede: Sådan opbygges API'er i Python: Mest populære rammer

10. Sådan omformes et NumPy -array

Omformning af en matrix betyder, at dens form ændres. Bemærk, at du ikke kan omforme et array til en vilkårlig form. Antallet af elementer, der kræves til omformning, skal være det samme i begge former.

arrObj = np.array ([43, 23, 75, 15, 34, 45])
reshapedArr = arrObj.reshape (2, 3)
omformetArr

Produktion:

array ([[43, 23, 75],
[15, 34, 45]])

I ovenstående eksempel omformes et 1D -array til et 2D -array.

11. Sådan flader du et NumPy -array

Udfladning af et array betyder at konvertere et multidimensionelt array til et 1D -array. Du kan flade et array ved hjælp af omform (-1).

arrObj = np.array ([[12, 43, 21], [67, 32, 98]])
flattenedArr = arrObj.reshape (-1)
fladlagtArr

Produktion:

array ([12, 43, 21, 67, 32, 98])

Bemærk: Du kan også flade et array ved hjælp af andre metoder som f.eks numpy.ndarray.flatten () og numpy.ravel ().

12. Sådan sorteres et NumPy -array

Du kan sortere et NumPy -array ved hjælp af numpy.sort () fungere.

Sortering af 1D Array af heltal

arrObj = np.array ([43, 23, 75, 15])
np.sort (arrObj)

Produktion:

array ([15, 23, 43, 75])

Sortering 1D Array of Strings

arrObj = np.array (["Python", "JavaScript", "Solidity", "Golang"])
np.sort (arrObj)

Produktion:

array (['Golang', 'JavaScript', 'Python', 'Solidity'], dtype = '

Sortering af 2D Array af heltal

arrObj = np.array ([[12, 43, 21], [67, 32, 98]])
np.sort (arrObj)

Produktion:

array ([[12, 21, 43], [32, 67, 98]])

Gør din kode robust ved hjælp af indbyggede metoder og funktioner

Python er et af de mest populære programmeringssprog. Det bruges i forskellige domæner som webudvikling, videnskabelige og numeriske applikationer, softwareudvikling og spiludvikling. Det er altid godt at vide om indbyggede metoder og funktioner i Python. De kan forkorte din kode og øge dens effektivitet.

20 Python -funktioner, du bør kende

Python Standard Library indeholder mange funktioner til at hjælpe med dine programmeringsopgaver. Lær mere om den mest nyttige, og opret mere robust kode.

Læs Næste

Om forfatteren