Numpy Là Gì – Python Numpy Tutorial
Python Numpy là gì?
NumPy là một gói Python là viết tắt của Numerical Python. Đó là thư viện cốt lõi cho scientific computing, nó có một đối tượng người dùng mảng n chiều lớn mạnh, phân phối những công cụ để gắn vào C, C ++, v.v. Nó cũng có lợi trong đại số tuyến tính, random number capability, … . NumPy Array cũng có thể đc dùng như multi-dimensional container hiệu quả cho dữ liệu chung. Hiện nay, hãy xem đúng chuẩn một numpy array là gì nha.
Bài Viết: Numpy là gì
NumPy Array
Numpy array là một đối tượng người dùng mảng N chiều lớn mạnh ở dạng hàng and cột. Các bạn có thể khởi tạo những numpy arrays từ nested Python lists and truy cập những phần tử của nó. Để triển khai thao tác này, khúc mắc tiếp theo có mặt trong đầu bạn là:
Numpy setup như vậy nào?
Để setup Python NumPy, đi đến command của bạn and nhập khẩu pip install numpy. Sau khi setup hoàn tất, hãy truy cập IDE của bạn [Ví dụ: PyCharm] and chỉ cần import nó bằng phương thức nhập: import numpy as np.
Multi-dimensional numPy array là gì?
Ở đây, tôi có những nhân tố khác nhau đc lưu trữ trong những nơi đặt bộ nhớ tương ứng của chúng. Nó đc gọi là hai chiều vì nó có hàng tương tự cột. Trong hình trên, chúng tôi có 3 cột and 4 hàng có sẵn.
Hãy xem nó đc tiến hành trong Pycharm như vậy nào:
Single-dimensional Numpy Array:
import numpy as npa=np.array[]print[a]Output:
Multi-dimensional Array:
a=np.array[]print[a]Output:
>
Python NumPy Array v/s List
Chúng tôi dùng numpy array thay thế vì một list vì ba lý do bên dưới đây:Bộ nhớ ít hơnNhanhTiện lợi
Tôi sẽ chứng minh từng điểm một trên thực tiễn trong PyCharm. Hãy xem xét ví dụ bên dưới đây:
import numpy as npimport timeimport sysS = range[1000]print[sys.getsizeof[5] * len[S]]D = np.arange[1000]print[D.size * D.itemsize]Output:
240008000Đầu ra ở trên cao cho cảm thấy rằng bộ nhớ đc phân bổ theo list [ký hiệu là S] là 24000 trong khi bộ nhớ đc phân bổ bởi numpy array chỉ là 4000. Từ đó, bạn cũng có thể kết luận rằng chứa một sự khác biệt to giữa hai and điều ấy tạo nên numpy array là sự chọn lựa ưu ái hơn đối với list.
Xem Ngay: Heat Wave Là Gì - Nghĩa Của Từ Heat
Tiếp theo, hãy nói về phương thức thức numpy array của python nhanh hơn and thuận tiện hơn khi so sánh với list.
import timeimport sys SIZE = 1000000 L1= range[SIZE]L2= range[SIZE]A1= np.arange[SIZE]A2=np.arange[SIZE] start= time.time[]result=print[[time.time[]-start]*1000] start=time.time[]result= A1+A2print[[time.time[]-start]*1000]Output:
256.49499893228.0041694641Trong đoạn code trên, chúng tôi đã cam đoan hai lists and numpy arrays. Sau đó, chúng tôi đã so sánh thời hạn triển khai để tìm tổng của list and tổng của numpy array. Nếu bạn cảm thấy đầu ra của chương trình trên, có hai chỉnh sửa đáng kể trong hai giá cả. List mất 256ms trong khi numpy array mất 28ms. Vì thế, numpy array nhanh hơn list. Hiện nay, nếu bạn nhận cảm thấy chúng tôi đã chạy một vòng lặp ‘for cho một list trả về sự kết hợp của cả hai lists trong khi so với những numpy arrays, chúng tôi vừa thêm hai array bằng phương thức A1 + A2. Đấy là lý do tại sao làm việc với numpy dễ dàng and thuận tiện hơn đôi lúc so sánh với list.
Vì thế, những ví dụ trên chứng minh lý do tại sao bạn nên lựa chọn numpy array chứ không cần là một list!
Python NumPy Operations
1. ndim: Số chiều của mảng.
import numpy as npa = np.array[]print[a.ndim]Output:
2Vì đầu ra là 2, nó là một mảng hai chiều [đa chiều].
2. itemsize: Độ dài của 1 phần tử mảng tính bằng byte.
import numpy as npa = np.array[]print[a.itemsize]Output:
83. dtype: data type của phần tử
import numpy as npa = np.array[]print[a.dtype]Output:
int644. Size, shape:Cũng giống như, bạn cũng có thể tìm cảm thấy kích thước and dáng dấp của mảng bằng phương thức dùng hàm size and shape tương ứng.
import numpy as npa = np.array[]print[a.size]print[a.shape]Output:
6[1, 6]5. reshape: Tán thành một dáng dấp mới cho một mảng mà không chỉnh sửa dữ liệu của nó.
Xem Ngay: Overview Of Docker Compose, Giới Thiệu Về Docker Compose
import numpy as npa = np.array[]print[a]a=a.reshape[3,2]print[a]Output:
> >6. slicing: trích xuất tập hợp những phần tử rõ rệt từ một mảng.
Trước khi đi vào ví dụ trên, hãy để một cái nhìn dễ chơi. Các bạn chứa một mảng and các bạn cần 1 phần tử rõ rệt [giả sử 3] trong một mảng ổn định. Hãy xem xét ví dụ bên dưới đây:
Xem Ngay: Knockout Là Gì - Knock Out Là Gì
import numpy as npa=np.array[]print[a]Output:
3Ở đây, mảng [1,2,3,4] là chỉ số 0 của bạn and [3,4,5,6] là chỉ số 1 của numpy array. Vì thế, chúng tôi đã in phần tử thứ hai từ chỉ mục 0.Tiến lên một bước, hãy để bảo rằng các bạn cần phần tử đầu tuần từ chỉ số 0 and chỉ mục trước tiên của mảng. Hãy để xem phương thức bạn cũng có thể triển khai thao tác này:
import numpy as npa=np.array[]print[a]Output:
Ở đây dấu hai chấm thay mặt cho cục bộ những hàng, kể cả 0. Hiện nay để có đc phần tử đầu tuần, chúng tôi sẽ gọi chỉ số 2 từ cả hai hàng phân phối cho chúng tôi giá cả 3 and 5 tương ứng.
Tiếp theo, chỉ để sa thải sự nhầm lẫn, chúng tôi lại thêm một hàng and chúng tôi không muốn nhận phần tử đầu tuần của nó như hình ảnh trên. Các bạn có thể làm gì trong tình huống như thế?Hãy xem xét mã bên dưới đây:
import numpy as npa=np.array[]print[a]Output:
Như bạn cũng có thể cảm thấy trong khúc mã trên, chỉ có 9 and 11 đc in. Hiện nay khi tôi đã viết 0: 2, điều ấy không kể cả chỉ mục thứ hai của hàng thứ ba của một mảng. Vì thế, chỉ 9 and 11 đc in ra.
7. linspace: Trả về những số phương thức đều nhau trong một khoảng thời hạn cam đoan.
import numpy as npa=np.linspace[1,3,10]print[a]Output:
Như bạn cũng có thể cảm thấy trong kết quả, nó đã in 10 giá cả từ 1 đến 3 phương thức đều nhau.
8. max/ min: tìm mức ít nhất, tối đa tương tự tổng của numpy array.
import numpy as np a= np.array[]print[a.min[]]print[a.max[]]print[a.sum[]]Output:
1 3 6Bạn phải thăm dò các thứ này khá căn bản này, với sự bổ trợ của kiến thức này, bạn có thể triển khai nhiều nhiệm vụ to hơn. Hiện nay, hãy hiểu khái niệm trục [axis] trong python numpy.
Như bạn cũng có thể cảm thấy trong hình, các bạn chứa một mảng 2 * 3 chỉn chu. Ở đây những hàng đc gọi là trục 1 and những cột đc gọi là trục 0. Hiện nay bạn cần phải tự hỏi việc dùng những trục đấy là gì?
Xem Ngay: Store Là Gì - Nghĩa Của Từ Store
Giả sử bạn có nhu cầu tính tổng của cục bộ những cột, thì bạn cũng có thể dùng trục. Hãy để tôi chỉ cho bạn thực tiễn, phương thức bạn cũng có thể tiến hành trục trong PyCharm của tớ:
import numpy as npa= np.array[]print[a.sum[axis=0]]Output:
Vì thế, tổng của cục bộ những cột đc thêm vào trong đó 1 + 3 = 4, 2 + 4 = 6 and 3 + 5 = 8. Cũng giống như, nếu bạn thay thế trục bằng 1, thì nó sẽ bị in trong đó cục bộ những hàng đc thêm vào.
9. Square Root & Standard Deviation:Có nhiều hàm toán học khác nhau có thể đc triển khai bằng phương thức dùng python numpy. Bạn cũng có thể tìm cảm thấy căn bậc hai, độ lệch chuẩn của mảng.
import numpy as npa=np.array[]print[np.sqrt[a]]print[np.std[a]]Output:
10.Addition Operation:
Bạn cũng có thể triển khai nhiều thao tác hơn trên numpy array, tức là phép trừ, phép nhân and phép chia của hai ma trận. Hãy để tôi đi trước trong chỉ dẫn numpy python, and hiển thị nó :
import numpy as npx= np.array[]y= np.array[]print[x+y]Output:
>Điều ấy rất là dễ chơi! Đúng? Cũng giống như, các bạn có thể triển khai những vận động khác như trừ, nhân and chia. Hãy xem xét ví dụ bên dưới đây:
import numpy as npx= np.array[]y= np.array[]print[x-y]print[x*y]print[x/y]Output:
> > >11. Vertical & Horizontal Stacking:
Tiếp theo, nếu bạn có nhu cầu nối hai mảng and không chỉ thêm chúng, bạn cũng có thể triển khai nó bằng hai phương thức – xếp chồng dọc and xếp chồng ngang.
Xem Ngay: Moe Là Gì – Gap Bán Trong Anime
import numpy as npx= np.array[]y= np.array[]print[np.vstack[[x,y]]]print[np.hstack[[x,y]]]Output:
> >12. ravel:
Chứa một vận động nữa trong đó bạn cũng có thể convert một numpy array thành một cột duy nhất.
import numpy as npx= np.array[]print[x.ravel[]]Output:
Hi vọng với các giải bày trên có thể cứu ích cho bạn. Cảm ơn chúng ta đã đọc bài viết
Thể Loại: Chia sẻ trình bày Kiến Thức Cộng Đồng