Hướng dẫn dùng numpy.arange python
Mục lục bài viết: Show
NumPy là thư viện Python cơ bản cho tính toán số. Kiểu quan trọng nhất của nó là kiểu
mảng được gọi Tạo mảng NumPy rất quan trọng khi bạn đang làm việc với các thư viện Python khác dựa vào chúng, như SciPy , Pandas , Matplotlib , scikit-learning, v.v. NumPy thích hợp để tạo và làm việc với mảng vì nó cung cấp các quy trình hữu ích , cho phép tăng hiệu suất và cho phép bạn viết mã ngắn gọn . Đến cuối bài viết này, bạn sẽ biết:
Hãy xem Giá trị trả lại và các thông số của np.arange()NumPy Bạn có thể xác định khoảng thời gian của các giá
trị có trong một mảng, khoảng cách giữa chúng và kiểu của chúng với bốn tham số
Ba tham số đầu tiên xác định phạm vi của các giá trị, trong khi tham số thứ tư chỉ định loại của các phần tử:
Nếu Bạn có thể tìm thêm thông tin về các tham số và giá trị trả về Đối số phạm vi của np.arange()Những lập luận của NumPy Các ví dụ sau sẽ cho bạn thấy cách Cung cấp tất cả các đối số phạm viKhi làm việc với các quy trình NumPy, trước tiên bạn phải nhập NumPy: >>>
Bây giờ, bạn đã nhập NumPy và bạn đã sẵn sàng đăng ký Hãy xem ví dụ đầu tiên về cách sử dụng
NumPy >>>
Trong ví dụ này, Theo mẫu này, giá trị tiếp theo sẽ là Bạn có thể vượt qua >>>
Mẫu mã này tương đương, nhưng ngắn gọn hơn mẫu trước. Giá trị của >>>
Mẫu mã này trả về mảng có cùng giá trị với hai giá trị trước đó. Bạn có thể nhận được cùng một kết quả với bất kỳ giá trị nào Tuy nhiên, nếu bạn thực hiện >>>
Trong trường hợp này, bạn nhận được mảng có bốn phần tử bao gồm Lưu ý rằng ví dụ này tạo ra
một mảng các số dấu phẩy động, không giống như ví dụ trước. Đó là bởi vì bạn chưa xác định Bạn có thể xem biểu diễn đồ họa của ba ví dụ này trong hình bên dưới:
Như bạn
có thể nhìn thấy từ hình trên, hai ví dụ đầu tiên có ba giá trị ( Cung cấp hai đối số phạm viBạn có thể bỏ qua >>>
Câu lệnh thứ hai ngắn hơn. Sử dụng >>>
Đây là một cách gọi trực quan và ngắn gọn Lưu ý: Nếu bạn cung cấp hai đối số vị trí, thì đối số đầu tiên là Cung cấp đối số một phạm viBạn phải cung cấp ít nhất một đối số tới Nhưng điều gì sẽ xảy ra nếu bạn bỏ qua Nói cách khác, Hãy xem một ví dụ mà bạn muốn bắt đầu một mảng >>>
Những mẫu mã này là được. Chúng hoạt động như thể hiện trong các ví dụ trước. Có một cách thậm chí ngắn hơn và gọn gàng hơn, nhưng vẫn trực quan, để làm điều tương tự. Bạn chỉ có thể cung cấp một đối số vị trí duy nhất: >>>
Đây là cách thông thường nhất để tạo một mảng NumPy bắt đầu từ 0 và có số gia là một. Lưu ý: Đối số đơn xác định vị trí dừng đếm. Mảng đầu ra bắt đầu từ Nếu bạn cố gắng cung cấp rõ ràng >>>
Bạn gặp lỗi vì Cung cấp đối số phủ địnhNếu bạn cung cấp các giá trị âm cho >>>
Hành vi này hoàn toàn phù hợp với các ví dụ trước. Việc đếm bắt đầu bằng giá trị của Đếm ngượcĐôi khi bạn sẽ muốn một mảng có các giá trị giảm dần từ trái sang phải. Trong những trường hợp như vậy, bạn có thể sử dụng >>>
Trong ví dụ này, hãy lưu ý mẫu sau: mảng thu được bắt đầu bằng giá trị của đối số đầu tiên và giảm dần đối Trong câu lệnh cuối cùng, Bạn có thể xem các biểu diễn đồ họa của ví dụ này trong hình bên dưới: Một lần nữa, Lần này, các mũi tên chỉ hướng từ phải sang trái. Đó là bởi vì Ví dụ trước cho kết quả tương tự như sau: >>>
Tuy nhiên, biến thể với giá trị âm Nhận Mảng trốngCó
một số trường hợp cạnh mà bạn có thể lấy các mảng NumPy trống Nếu bạn cung cấp các giá trị bằng nhau cho >>>
Điều này là do việc đếm kết thúc trước khi Một trong những trường hợp bất thường là khi nào >>>
Như bạn có thể thấy, những ví dụ này dẫn đến các mảng trống, không có lỗi. Các loại dữ liệu của np.arange()Kiểu của các phần tử trong mảng NumPy là một khía cạnh quan trọng của việc sử dụng chúng. Khi làm việc với Lưu ý: Dưới đây là một số điểm quan trọng về kiểu của các phần tử có trong mảng NumPy:
Nếu bạn muốn tìm hiểu thêm về các kiểu của mảng NumPy, vui lòng đọc tài liệu chính thức . Bạn có thể tự do bỏ qua >>>
Ở đây, có một đối số ( Mảng trong ví dụ trước tương đương với mảng này: >>>
Đối số NumPy cung cấp cho bạn một số kiểu số nguyên có kích thước cố định khác nhau về bộ nhớ và giới hạn:
Nếu bạn muốn các kiểu số nguyên khác cho các phần tử trong mảng của mình, thì chỉ cần chỉ định >>>
Bây giờ mảng kết quả có
các giá trị giống như trong trường hợp trước, nhưng kiểu và kích thước của các phần tử khác nhau. Đối số Khi đối số của bạn là số thập phân thay vì số nguyên, kiểu dtype sẽ là một số kiểu dấu phẩy động NumPy, trong trường hợp này >>>
Giá trị của các phần tử giống nhau trong bốn ví dụ cuối cùng, nhưng các kiểu khác nhau. Nói chung, khi bạn cung cấp ít nhất một đối số dấu phẩy động >>>
Trong các ví dụ trên, Nếu bạn chỉ định >>>
Đối số Khi bạn cần một kiểu dấu phẩy động với độ chính xác và kích thước thấp hơn (tính bằng byte), bạn có thể chỉ định rõ ràng rằng: >>>
Sử dụng >>>
Sự khác biệt giữa các phần tử của Trong nhiều trường hợp, bạn sẽ không nhận thấy sự khác biệt này. Tuy nhiên, đôi khi nó quan trọng. Ví dụ, TensorFlow sử dụng Khi Vượt ra ngoài phạm vi đơn giản với np.arange()Bạn có thể thoải mái kết hợp >>>
Điều này đặc biệt thích hợp khi bạn muốn tạo một cốt truyện trong Matplotlib . Nếu bạn cần một mảng nhiều chiều, thì bạn có thể kết hợp >>>
Đó là cách bạn có thể lấy So sánh rangevànp.arange()Python có một lớp tích hợp Sự khác biệt chính giữa cả hai là Ngoài ra, mục đích của họ là khác nhau! Nói chung, Tham số và kết quả đầu raCả hai
Bạn áp dụng các tham số này tương tự, ngay cả trong các trường hợp khi Tuy nhiên, khi làm việc với
Tạo chuỗiBạn có thể áp dụng Tuy nhiên, việc tạo và thao tác với mảng NumPy thường nhanh hơn và thanh lịch hơn so với làm việc với danh sách hoặc bộ giá trị. Hãy so sánh hiệu suất của
việc tạo >>>
Việc lặp lại mã này cho các giá trị khác nhau
Các kết quả này có thể khác nhau, nhưng rõ ràng bạn có thể tạo mảng NumPy nhanh hơn nhiều so với một danh sách, ngoại trừ các chuỗi có độ dài rất nhỏ. (Ứng dụng này thường mang lại các lợi ích hiệu suất bổ sung!) Điều này là do NumPy thực hiện nhiều hoạt động, bao gồm cả lặp, trên C.-level. Ngoài ra, NumPy được tối ưu hóa để làm việc với vectơ và tránh một số chi phí liên quan đến Python. Python forLoopsNếu bạn cần các giá trị để lặp lại trong một
Ngược lại, Để biết thêm thông tin về Các quy trình khác dựa trên phạm vi sốNgoài ra
Tất cả các chức năng này có các chi tiết cụ thể và các trường hợp sử dụng của chúng. Bạn có thể chọn một trong những thích hợp theo nhu cầu của bạn. Như bạn đã thấy, NumPy chứa nhiều quy trình hơn để tạo các phiên bản Tóm tắt nhanhĐể sử dụng NumPy >>>
Dưới đây là bảng với một vài ví dụ tóm tắt cách sử dụng NumPy
Đừng quên rằng bạn cũng có thể ảnh hưởng đến bộ nhớ được sử dụng cho các mảng của mình bằng cách chỉ định kiểu NumPy với tham số Phần kết luậnBây giờ bạn đã biết cách sử dụng NumPy
Bạn cũng đã học cách NumPy Bạn thấy rằng có những thói quen tạo mảng NumPy khác dựa trên dãy số, chẳng hạn như Nếu bạn có thắc mắc hoặc ý kiến, xin vui lòng cho chúng vào phần bình luận bên dưới. Copied !!! |