Краткое введение в Python Numpy для начинающих

NumPy — это библиотека Python, которая в основном используется для работы с массивами. Массив — это набор элементов, которые хранятся рядом друг с другом в памяти. Пока просто думайте о них как о списках Python.

NumPy написан на Python и C. Вычисления в NumPy выполняются частями, написанными на C, что делает их чрезвычайно быстрыми по сравнению с обычным кодом Python.

Установка

Убедитесь, что на вашем компьютере установлены Python и Pip. Затем откройте командную строку или терминал и выполните следующую команду:

``` ударить

пип установить numpy

Создание массивов с помощью NumPy

Вы можете создать массив NumPy, используя функцию array() модуля numpy, как показано ниже:

```питон

импортировать numpy как np

массив = np.массив ([3, 5, 7, 9])

печать (тип (обр))

Вывод будет выглядеть следующим образом:

<класс 'numpy.ndarray'>

Мы только что создали массив NumPy из списка Python. Тип нашей переменной arr — numpy.ndarray. Здесь ndarray означает N-мерный массив.

Измерения или оси в NumPy

В NumPy измерения называются осями (множественное число для оси). Мне нравится думать об оси как о линии, вдоль которой можно хранить элементы.

Простой список или 1-мерный массив можно визуализировать как:

Теперь мы рассмотрим следующее:

1. Скаляры (массивы 0D)

1. Векторы (одномерные массивы)

1. Матрицы (двумерные массивы)

1. Трехмерные массивы

1. 4D-массивы

Скаляры (массивы 0D)

Скаляр — это всего лишь одно значение.

```питон

импортировать numpy как np

с = np.массив (21)

print("Количество осей:", s.ndim)

печать ("Форма:", s.shape)

Выход:

Количество осей: 0

Форма: ()

Здесь мы использовали 2 свойства массива NumPy:

• ndim: возвращает количество измерений (или осей) в массиве. Здесь он возвращает 0, потому что значение само по себе не имеет никаких измерений.

• shape: возвращает кортеж, содержащий количество значений по каждой оси массива. Поскольку скаляр имеет 0 осей, он возвращает пустой кортеж.

Векторы (одномерные массивы)

Вектор — это набор значений.

```питон

импортировать numpy как np

vec = np.массив ([-1, 2, 7, 9, 2])

print("Количество осей:", vec.ndim)

печать ("Форма:", vec.shape)

Выход:

Количество осей: 1

Форма: (5,)

vec.shape[0] дает нам количество значений в нашем векторе, которое здесь равно 5.

Матрицы (двумерные массивы)

Матрица — это набор векторов.

```питон

импортировать numpy как np

мат = np.массив([

[1, 2, 3],

[5, 6, 7]

print("Количество осей:", mat.ndim)

печать("Форма:", мат.форма)

Выход:

Количество осей: 2

Форма: (2, 3)

Здесь мы создали матрицу 2x3 (2D-массив), используя список списков. Поскольку матрица имеет 2 оси, кортеж mat.shape содержит два значения: первое значение — количество строк, а второе — количество столбцов.

Каждый элемент (строка) в двумерном массиве представляет собой вектор (одномерный массив).

3D-массивы

Трехмерный массив представляет собой набор матриц.

```питон

импортировать numpy как np

т = np.массив ([

[[1, 3, 9],

[7, -6, 2]],

[[2, 3, 5],

[0, -2, -2]],

[[9, 6, 2],

[-7, -3, -12]],

[[2, 4, 5],

[-1, 9, 8]]

print("Количество осей:", t.ndim)

печать ("Форма:", t.shape)

Выход:

Количество осей: 3

Форма: (4, 2, 3)

Здесь мы создали трехмерный массив, используя список из 4 списков, которые сами содержат 2 списка.

Каждый элемент трехмерного массива представляет собой матрицу (одномерный массив). Обратите внимание, что последняя матрица в массиве является самой передней на изображении.

4D-массивы

Посмотрев на приведенные выше примеры, мы видим здесь закономерность. N-мерный массив — это набор n-1-мерных массивов для n > 0. Я надеюсь, что теперь вы лучше понимаете, как визуализировать многомерные массивы.

Доступ к элементам массива

Как и в списках Python, индексы в массивах NumPy начинаются с 0.

```питон

импортировать numpy как np

vec = np.массив ([-3, 4, 6, 9, 8, 3])

print("vec - 4-е значение:", vec[3])

век[3] = 19

print("vec - 4-е значение (изменено):", vec[3])

мат = np.массив([

[2, 4, 6, 8],

[10, 12, 14, 16]

print("мат - 1-я строка:", мат[0])

print("mat - 1-е значение 2-й строки:", mat[1, 0])

print("mat - последнее значение последней строки:", mat[-1, -1])

Выход:

vec - 4-е значение: 9

vec - 4-е значение (изменено): 19

коврик – 1 ряд: [2 4 6 8]

мат - 1-е значение 2-й строки: 10

мат - последнее значение последней строки: 16

Массивы NumPy также поддерживают нарезку:

```питон

продолжение вышеприведенного кода

print("vec - со 2-го по 4-е:", vec[1:4])

print("mat - 1-е строки от 1-го до 3-го значения:", mat[0, 0:3])

print("мат - 2-й столбец:", мат[:, 1])

Выход:

vec - со 2-го по 4-й: [4 6 9]

mat - значения 1-й строки от 1-го до 3-го: [2 4 6]

мат – 2-й столбик: [4 12]

В последнем примере [:, 1] говорит «получить второе значение из всех строк». Следовательно, на выходе мы получаем 2-й столбец матрицы.

Пример: индексирование в 4D-массиве

Допустим, мы хотим получить доступ к обведенным значениям. Он расположен во 2-м столбце 2-й строки 2-й строки последней матрицы второго трехмерного массива*. Это много, так что не торопитесь.

Вот как получить к нему доступ:

```питон

обр[2, -1, 1, 1]

Python против NumPy

В начале поста я сказал, что вычисления в NumPy выполняются чрезвычайно быстро по сравнению с обычным кодом Python. Давайте посмотрим разницу.

Мы создадим два списка с 10 миллионами чисел от 0 до 9 999 999, добавим их поэлементно и измерим время, которое на это потребуется. Мы преобразуем оба списка в массивы NumPy и сделаем то же самое.

```питон

импортировать numpy как np

время импорта

l1 = список (диапазон (10000000))

l2 = список (диапазон (10000000))

сумма = []

тогда = время.время()

для i в диапазоне (len (l1)):

sum.append(l1[i] + l2[i])

print(f"Только с Python: {time.time() - then: .2f}s")

массив1 = np.массив(l1)

массив2 = np.массив(l2)

тогда = время.время()

сумма = обр1 + обр2

print(f"С NumPy: {time.time() - затем: .2f}s")

Выход:

Только с Python: 2,30 с

С NumPy: 0,14 с

В этом случае NumPy был в 16 раз быстрее, чем необработанный Python.