Introduktion til NumPy
NumPy er en open source-pakke med python. Det kan bruges til videnskabelig og numerisk computing. Det bruges mest til mere effektiv beregning af matriser. Det er baseret og skrevet i C og Python. Det er en pythonpakke, og ordet Numpy betyder numerisk Python. Det bruges hovedsageligt til behandling af homogen multidimensionel matrix. Det er et kernebibliotek for videnskabelige beregninger. Derfor har den kraftfulde multidimensionelle array-objekter og integrerende værktøjer, der er nyttige, når du arbejder med disse arrays. Det er vigtigt i næsten enhver videnskabelig programmering i python, der inkluderer maskinlæring, statistik, bioinformatik osv. Det giver nogle rigtig god funktionalitet, der er meget godt skrevet og kører effektivt. Det er mest fokuseret på at udføre matematiske operationer på sammenhængende arrays, ligesom de matriser, som du har på lavere niveau sprog som C. Med andre ord bruges det til manipulation af numeriske data. På grund af det kan python bruges som et alternativ til MATLAB.
Forståelse Numpy
Et af de mest anvendte biblioteker i Python er Numpy. Datavidenskabsteknikker kræver, at arbejdet udføres i matriser og matriser i store størrelser, og der skal udføres tunge numeriske beregninger for at udtrække nyttige oplysninger fra det, hvilket gøres let ved indsamlingen af forskellige matematiske funktioner under NumPy.Det er det grundlæggende alligevel vigtigt bibliotek til det meste af den videnskabelige computing i Python, også nogle andre biblioteker er afhængige af NumPy-arrays som deres grundlæggende input og output. Det giver også funktioner, der giver udviklere mulighed for at udføre grundlæggende såvel som avancerede matematiske og statistiske funktioner på multidimensionelle arrays og matrixer med meget mindre antal kodelinjer. 'ndarray' eller n-dimensionel array-datastruktur er hovedfunktionaliteten i Numpy. Disse arrays er homogene, og alle elementer i matrixen skal være af samme type.
NumPy-arrays er hurtigere sammenlignet med Python-lister. Men pythonlister er mere fleksible end numpy-arrays, da du kun kan gemme den samme datatype i hver kolonne.
Funktioner -
- Det er en kombination af C og python
- Multidimensionelle homogene arrays. Ndarray, som er en ndimensional matrix
- Forskellige funktioner til arrays.
- Omformning af arrays Python kan bruges som et alternativ til MATLAB.
Hvordan gør numpy at arbejde så let?
Du kan nemt oprette homogene arrays og udføre forskellige operationer på det som,
- Importer den ved hjælp af følgende kommando, importer numpy som numpy.
NumPy n-dimensionelt array
En af de vigtigste træk ved Numpy er en n-dimensionel matrix, der er nd-array. Antallet af dimensioner på en matrix er kun array rang. Her er et par eksempler. Arra = numpy.array ((10, 20, 30))
Oprettelse af en numpy matrix-
Følgende linje opretter en matrix,
Arra = numpy.arange (3)
Dette er ligesom området i python. Dette skaber en matrix i størrelse 3.
Nogle grundlæggende funktioner, der kan bruges med numpy array
Lad os se på, hvilke funktioner vi kan bruge med matrix og deres formål
Importer numpy som numpy
ARRC = numpy.array (((10, 20, 30), (40, 50, 60)))
arrC.reshape (3, 2)
Output: arrayC (((10, 20),
(30, 40), (50, 60)))Omformningsfunktion ændrer antallet af kolonner og rækker, så efter omformning af matrixen får en ny visning med det forskellige antal kolonner og rækker.
Nogle matematiske funktioner i Numpy
Der er matematiske funktioner, der kan bruges med Numpy arrays. Nedenfor er nogle eksempler,
Importer numpy som numpy
Arra = numpy.array (((1, 2, 3), (4, 5, 6)))
arrB = numpy.array (((7, 8, 9), (10, 11, 12)))
numpy.add (ARRA, arrB)
Denne funktion tilføjer array arrA og arrB
Produktion:
arrayC (((8, 10, 12), (14, 16, 18)))
Hvorfor skal vi bruge?
Vi bruger python numpy array i stedet for en liste på grund af nedenstående tre grunde:
- Mindre hukommelsesforbrug
- Hurtig ydelse
- Praktisk at arbejde
Den allerførste grund til at foretrække python numpy-arrays er, at det tager mindre hukommelse sammenlignet med python-listen. Derefter er det hurtigt med hensyn til udførelse og på samme tid er det praktisk og let at arbejde med det.
Hvad kan vi gøre med Numpy?
Indbygget support til Arrays er ikke tilgængelig i python, men vi kan bruge python-lister som arrays.
arrayA = ('Hej', 'verden')
udskrives (Arraya)
Men det er stadig en pythonliste, ikke en matrix.
Så her kommer Numpy, som vi kan bruge til at oprette 2D, 3D, der er multidimensionelle arrays. Vi kan også udføre beregninger på matriser.
import numpy som num
arr = num.array ((1, 2, 3, 4, 5, 6))
print (arr)
Opretter array arr.
Derefter for 2D- og 3D-arrays,
import numpy som num
arr = num.array (((1, 2, 3, 4, 5), (6, 7, 8, 9, 10, 11)))
print (arr)
–Hvis du vil vide dimensionerne på dit array, kan du blot bruge følgende funktion.
udskrives (arr.ndim)
–Hvis du vil finde ud af størrelsen på en matrix, kan du blot bruge følgende funktion,
print (arr.size)
–For at finde ud af formen på en matrix kan du bruge formfunktion.
print (arr.shape)
Det fortæller dig antallet af (col, rækker)
Du kan også bruge skiver, omforme og mange flere metoder med numpy arrays.
Hvorfor har vi brug for?
For at foretage en logisk og matematisk beregning af matrix og matrix er der behov for numpy. Den udfører disse operationer alt for effektive og hurtigere end pythonlister.
Fordele
1. Numpy arrays tager mindre plads.
NumPys matriser er mindre i størrelse end Python-lister. En python-liste kan tage op til 20 MB størrelse, mens en matrix kunne tage 4 MB. Arrays er også nemme at få adgang til at læse og skrive.
2. Hastighedsydelsen er også stor. Den udfører hurtigere beregninger end pythonlister.
Da det er open source, koster det ikke noget, og det bruger et meget populært programmeringssprog Python, der har biblioteker af høj kvalitet til næsten enhver opgave. Det er også nemt at forbinde den eksisterende C-kode til Python-tolken.
Karrierevækst
Blandt programmeringssprog er Python en trendteknologi inden for it. Karrieremulighederne i Python stiger hurtigt i antal over hele verden. Da python er et programmeringssprog på højt niveau, ser Python efter hurtigere kodelæsbarhed og kortfattethed med mindre kodelinjer. Python er et af de bedste værktøjer til at skabe dynamiske scripts i store og små omfang.
Python bruges bredt til webudvikling, skrivning af scripts, test, udvikling af apps og deres opdateringer. Så hvis nogen vil være ekspert i Python, har de mange karrieremuligheder, ligesom man kan være python-udvikler, python-tester eller endda en datavidenskabsmand.
Konklusion:
Som vi kan se, er det virkelig stærkt med hensyn til biblioteksfunktioner af høj kvalitet, det har. Alle kan udføre store beregninger eller beregninger med blot et par kodelinjer. Dette er, hvad der gør det til et godt værktøj til forskellige numeriske beregninger. Hvis nogen ønsker at blive dataforsker, kan de prøve mestring i Numpy. Men først skal du lære og kende python, inden du bliver ekspert i Numpy.
Anbefalede artikler
Dette har været en guide til Hvad er NumPy. Her diskuterer vi funktioner, fordele og karriereudvikling af NumPy. Du kan også se på de følgende artikler for at lære mere -
- Hvad er C?
- Hvad er QlikView?
- Hvad er Apache Flink?
- Hvad er Houdini?
- Forståelse af Python-listen
- Forskellige NumPy-datatyper med eksempler