Tại sao numpy được sử dụng trong python?

Vậy là bạn đã học những kiến ​​thức cơ bản về Python và đang tìm kiếm một cách hiệu quả hơn để phân tích dữ liệu? . NumPy là một mô-đun dành cho Python cho phép bạn làm việc với các mảng và ma trận đa chiều. It’s perfect for scientific or mathematical calculations because it’s fast and efficient. Ngoài ra, NumPy bao gồm hỗ trợ xử lý tín hiệu và các phép toán đại số tuyến tính. So if you need to do any mathematical operations on your data, NumPy is probably the library for you.  

In this tutorial, we’ll show you how to use NumPy to its full potential. You’ll learn more about arrays as well as operate on them using mathematical functions.  

NumPy, which stands for Numerical Python, is a library consisting of multidimensional array objects and a collection of routines for processing those arrays. Using NumPy, mathematical and logical operations on arrays can be performed. In this Python Numpy Tutorial, we will be learning about NumPy in Python, What is NumPy in Python, Data Types in NumPy, and more

Check out the Numpy Tutorial to get certified in one of the most important libraries of Python Programming

• What is NumPy in Python?
• How to install NumPy Python?
• NumPy Creating Arrays
• Operations Using NumPy
• NumPy Data Types
• Data Type Objects
• NumPy – Array Creation Routines
• NumPy – Indexing & Slicing
• NumPy – Advanced Indexing
• Integer Indexing
• Boolean Array Indexing
• NumPy – Iterating Over Array
• NumPy – Broadcasting
• NumPy – Array Manipulation
• NumPy – Mathematical Functions
• NumPy – Byte Swapping
• NumPy – Copies And Views
• NumPy Matplotlib
• Frequently Asked Questions on NumPy in Python

What is NumPy in Python?

NumPy in Python is a library that is used to work with arrays and was created in 2005 by Travis Oliphant. NumPy library in Python has functions for working in domain of Fourier transform, linear algebra, and matrices. Python NumPy is an open-source project that can be used freely. NumPy stands for Numerical Python

How to install NumPy Python?

Installing the NumPy library is a straightforward process. You can use pip to install the library. Go to the command line and type the following.  

pip install numpy 
If you are using Anaconda distribution, then you can use conda to install NumPy. conda install numpy 
Once the installation is complete, you can verify it by importing the NumPy library in the python interpreter. One can use the numpy library by importing it as shown below. 
import numpy 
If the import is successful, then you will see the following output. 
>>> import numpy 
>>> numpy.__version__ 
'1.17.2' 

NumPy is a library for the Python programming language, and it’s specifically designed to help you work with data.  

With NumPy, you can easily create arrays, which is a data structure that allows you to store multiple values in a single variable

In particular, NumPy arrays provide an efficient way of storing and manipulating data. NumPy also includes a number of functions that make it easy to perform mathematical operations on arrays. This can be really useful for scientific or engineering applications. And if you’re working with data from a Python script, using NumPy can make your life a lot easier.  

Let us take a look at how to create NumPy arrays, copy and view arrays, reshape arrays, and iterate over arrays.  

NumPy Creating Arrays

Arrays are different from Python lists in several ways. First, NumPy arrays are multi-dimensional, while Python lists are one-dimensional. Second, NumPy arrays are homogeneous, while Python lists are heterogeneous. This means that all the elements of a NumPy array must be of the same type. Third, NumPy arrays are more efficient than Python lists. NumPy arrays can be created in several ways. One way is to create an array from a Python list. Khi bạn đã tạo một mảng NumPy, bạn có thể thao tác với nó theo nhiều cách khác nhau. For example, you can change the shape of an array, or you can index into an array to access its elements. You can also perform mathematical operations on NumPy arrays, such as addition, multiplication, and division.  

One has to import the library in the program to use it. The module NumPy has an array function in it which creates an array.  

Creating an Array.  

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

Output: 
[1 2 3 4 5] 

We can also pass a tuple in the array function to create an array. 2

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

The output would be similar to the above case

Dimensions- Arrays.  

0-D Arrays.  

Đoạn mã sau sẽ tạo một mảng không chiều với giá trị 36.  

import numpy as np 
arr = np.array[36] 
print[arr] 

Output: 
36 

Mảng 1 chiều.  

Mảng có các phần tử là mảng Không thứ nguyên là mảng một chiều hoặc mảng 1 chiều.  

Đoạn mã dưới đây tạo một mảng 1-D,

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

Output: 
[1 2 3 4 5] 

Mảng hai chiều.  

Mảng 2-D là những mảng có mảng 1-D làm thành phần của nó. Đoạn mã sau sẽ tạo một mảng 2 chiều với các giá trị là 1,2,3 và 4,5,6.  

import numpy as np 
3
arr1 = np.array[[[1, 2, 3], [4, 5, 6]]] 
print[arr1] 

Output: 
[[1 2 3] 
[4 5 6]] 

Three Dimensional Arrays.  

Let us see an example of creating a 3-D array with two 2-D arrays

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

0

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

1

To identify the dimensions of the array, we can use ndim as shown below.  

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

2

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

3

Operations using NumPy

Using NumPy, a developer can perform the following operations −

• Mathematical and logical operations on arrays
• Fourier transforms and routines for shape manipulation
• Operations related to linear algebra. NumPy has in-built functions for linear algebra and random number generation

NumPy – A Replacement for MatLab

NumPy is often used along with packages like SciPy [Scientific Python] and Matplotlib [plotting library]. This combination is widely used as a replacement for MatLab, a popular platform for technical computing. However, Python alternative to MatLab is now seen as a more modern and complete programming language

It is open-source, which is an added advantage of NumPy

The most important object defined in NumPy is an N-dimensional array type called ndarray. It describes the collection of items of the same type. Items in the collection can be accessed using a zero-based index

Every item in a ndarray takes the same size as the block in the memory. Each element in ndarray is an object of the data-type object [called dtype]

Any item extracted from ndarray object [by slicing] is represented by a Python object of one of array scalar types. The following diagram shows a relationship between ndarray, data-type object [dtype] and array scalar type −

An instance of ndarray class can be constructed by different array creation routines described later in the tutorial. The basic ndarray is created using an array function in NumPy as follows-

cục mịch. mảng

It creates a ndarray from any object exposing an array interface, or from any method that returns an array

numpy. array[object, dtype = None, copy = True, order = None, subok = False, ndmin = 0]

The ndarray object consists of a contiguous one-dimensional segment of computer memory, combined with an indexing scheme that maps each item to a location in the memory block. The memory block holds the elements in row-major order [C style] or a column-major order [FORTRAN or MatLab style]

The above constructor takes the following parameters −

Sr. No. Parameter & Description1 object Any object exposing the array interface method returns an array or any [nested] sequence.
2
3
dtype Kiểu dữ liệu mong muốn của mảng, tùy chọncopyOptional. By default [true], the object is copied
4orderC [row-major] or F [column-major] or A [any] [default]
5subok By default, returned array forced to be a base class array. Nếu đúng, các lớp con được chuyển qua
6ndmin Chỉ định kích thước tối thiểu của mảng kết quả

Hãy xem các ví dụ sau để hiểu rõ hơn.

Example 1

Live Demo

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

4

The output is as follows –

[1, 2, 3]

Example 2

Live Demo

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

5

The output is as follows −

[[1, 2] 

[3, 4]]

Example 3

Live Demo

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

6

The output is as follows −

[[1, 2, 3, 4, 5]]

Example 4

Live Demo

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

7

The output is as follows −

[ 1. +0. j,  2. +0. j,  3. +0. j]

The ndarray object consists of a contiguous one-dimensional segment of computer memory, combined with an indexing scheme that maps each item to a location in the memory block. The memory block holds the elements in row-major order [C style] or a column-major order [FORTRAN or MatLab style]

NumPy – Data Types

Here is a list of the different Data Types in NumPy

1. bool_
2. int_
3. intc
4. intp
5. int8
6. int16
7. float_
8. float64
9. complex_
10. complex64
11. complex128

bool_

Boolean [True or False] stored as a byte

int_

Default integer type [same as C long; normally either int64 or int32]

intc

Identical to C int [normally int32 or int64]

intp

An integer used for indexing [same as C ssize_t; normally either int32 or int64]

int8

Byte [-128 to 127]

int16

Integer [-32768 to 32767]

float_

Viết tắt của float64

float64

Double precision float. sign bit, 11 bits exponent, 52 bits mantissa

complex_

Shorthand for complex128

complex64

Complex number, represented by two 32-bit floats [real and imaginary components]

complex128

Complex number, represented by two 64-bit floats [real and imaginary components]

NumPy numerical types are instances of dtype [data-type] objects, each having unique characteristics. The dtypes are available as np. bool_, np. float32, v.v.

Đối tượng kiểu dữ liệu [dtype]

A data type object describes the interpretation of a fixed block of memory corresponding to an array, depending on the following aspects −

• Type of data [integer, float or Python object]
• Size of data
• Byte order [little-endian or big-endian]
• Trường hợp kiểu có cấu trúc, tên các trường, kiểu dữ liệu của từng trường và phần khối nhớ do từng trường đảm nhận
• Nếu kiểu dữ liệu là một mảng con, hình dạng và kiểu dữ liệu của nó

The byte order is decided by prefixing ‘’ to the data type. ‘’ means that encoding is big-endian [a most significant byte is stored in smallest address].

Một đối tượng dtype được xây dựng bằng cú pháp sau -

cục mịch. dtype[đối tượng, căn chỉnh, sao chép]

Các tham số là -

• Đối tượng − Được chuyển đổi thành đối tượng kiểu dữ liệu
• Căn chỉnh − Nếu đúng, thêm phần đệm vào trường để làm cho trường giống với C-struct
• Copy − Tạo một bản sao mới của đối tượng dtype. Nếu sai, kết quả là một tham chiếu đến đối tượng kiểu dữ liệu dựng sẵn

Example 1

Live Demo

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

8

The output is as follows −

int32

Example 2

Live Demo

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

9

The output is as follows −

int32

Example 3

Live Demo

Output: 
[1 2 3 4 5] 

0

The output is as follows −

>i4

The following examples show the use of a structured data type. Here, the field name and the corresponding scalar data type is to be declared

Example 4

Live Demo

Output: 
[1 2 3 4 5] 

1

The output is as follows – [[‘age’, ‘i1’]] 

Example 5

Live Demo

Output: 
[1 2 3 4 5] 

2

The output is as follows – 

[[10,] [20,] [30,]]

Each built-in data type has a character code that uniquely identifies it

• ‘b’ − boolean
• ‘i’ − [signed] integer
• ‘u’ − unsigned integer
• 'f' − dấu phẩy động
• ‘c’ − complex-floating point
• ‘m’ − timedelta
• ‘M’ − datetime
• ‘O’ − [Python] objects
• ‘S’, ‘a’ − [byte-]string
• ‘U’ − Unicode
• ‘V’ − raw data [void]

We will also discuss the various array attributes of NumPy

ndarray. shape

This array attribute returns a tuple consisting of array dimensions. It can also be used to resize the array

Example 1

Live Demo

Output: 
[1 2 3 4 5] 

3

The output is as follows − [2, 3]

Example 2

Live Demo

Output: 
[1 2 3 4 5] 

4

The output is as follows -[[1, 2][3, 4] [5, 6]]

ndarray. ndim

This array attribute returns the number of array dimensions

Example 1

Live Demo

Output: 
[1 2 3 4 5] 

5

The output is as follows −

[0 1  2  3  4  5  6  7  8  9  10  11  12  13  14  15  16 17 18 19 20 21 22 23] 

Example 2

Live Demo

Output: 
[1 2 3 4 5] 

6

The output is as follows −

[[[ 0,  1,  2] 

[ 3,  4,  5] 

[ 6,  7,  8] 

[ 9, 10, 11]]  

[[12, 13, 14] 

[15, 16, 17]

[18, 19, 20] 

[21, 22, 23]]] 

numpy. itemsize

This array attribute returns the length of each element of array in bytes

Example 1

Live Demo

Output: 
[1 2 3 4 5] 

7

The output is as follows −

1

Example 2

Live Demo

Output: 
[1 2 3 4 5] 

8

The output is as follows −

4

numpy. flags

The ndarray object has the following attributes. Its current values are returned by this function

Sr. Không. Thuộc tính & Mô tả1C_CONTIGUOUS [C]Dữ liệu nằm trong một phân đoạn liền kề kiểu C2F_CONTIGUOUS [F]Dữ liệu nằm trong một phân đoạn liền kề kiểu Fortran3OWNDATA [O]Mảng sở hữu bộ nhớ mà nó sử dụng hoặc mượn từ một đối tượng khác4WRITEABLE [ . Đặt giá trị này thành Sai sẽ khóa dữ liệu, làm cho dữ liệu ở chế độ chỉ đọc5ALIGNED [A]Dữ liệu và tất cả các phần tử được căn chỉnh phù hợp với phần cứng6UPDATEIFCOPY [U]Mảng này là bản sao của một số mảng khác. Khi mảng này được giải phóng, mảng cơ sở sẽ được cập nhật với nội dung của mảng này

Thí dụ

Ví dụ sau đây cho thấy các giá trị hiện tại của cờ

Live Demo

Output: 
[1 2 3 4 5] 

9

The output is as follows −

C_CONTIGUOUS. ĐÚNG VẬY

F_TIẾP TỤC. ĐÚNG VẬY

DỮ LIỆU RIÊNG. ĐÚNG VẬY

CÓ THỂ VIẾT. ĐÚNG VẬY

CĂN CHỈNH. ĐÚNG VẬY

CẬP NHẬTIFCOPY. Sai

NumPy – Array Creation Routines

Một đối tượng ndarray mới có thể được tạo bằng bất kỳ quy trình tạo mảng nào sau đây hoặc sử dụng hàm tạo ndarray cấp thấp

cục mịch. trống rỗng

Nó tạo ra một mảng chưa được khởi tạo có hình dạng và dtype được chỉ định. Nó sử dụng hàm tạo sau -

cục mịch. trống [hình dạng, dtype = float, thứ tự = 'C']

Hàm tạo có các tham số sau

Sr. Không. Tham số & Mô tả1ShapeHình dạng của một mảng trống trong int hoặc bộ của int2DtypeKiểu dữ liệu đầu ra mong muốn. Tùy chọn3Order'C' cho mảng chính của hàng kiểu C, 'F' cho cột kiểu FORTRAN-

Thí dụ

Đoạn mã sau hiển thị một ví dụ về một mảng trống

Live Demo

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

0

Kết quả như sau –[[22649312    1701344351]

[1818321759  1885959276] [16779776    156368896]]

cục mịch. số không

Trả về một mảng mới có kích thước được chỉ định, chứa đầy các số không

cục mịch. số không [hình dạng, dtype = float, thứ tự = 'C']

Hàm tạo có các tham số sau

Sr. Không. Tham số & Mô tả1ShapeHình dạng của một mảng trống int hoặc chuỗi int2DtypeKiểu dữ liệu đầu ra mong muốn. Tùy chọn3Thứ tự'C' cho mảng chính của hàng kiểu C, 'F' cho mảng chính của cột kiểu FORTRAN

Example 1

Live Demo

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

1

The output is as follows −

[ 1. 1. 1. 1. 1. ]

NumPy – Indexing & Slicing

Nội dung của đối tượng ndarray có thể được truy cập và sửa đổi bằng cách lập chỉ mục hoặc cắt, giống như các đối tượng vùng chứa có sẵn của Python

Như đã đề cập trước đó, các mục trong đối tượng ndarray tuân theo chỉ mục dựa trên số không. Có sẵn ba loại phương pháp lập chỉ mục – truy cập trường, cắt cơ bản và lập chỉ mục nâng cao

Cắt lát cơ bản là một phần mở rộng của khái niệm cơ bản của Python về cắt lát thành n chiều. Đối tượng lát Python được tạo bằng cách cung cấp các tham số bắt đầu, dừng và bước cho hàm lát tích hợp. Đối tượng lát này được truyền vào mảng để trích xuất một phần của mảng

Example 1

Live Demo

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

2

Đầu ra của nó như sau -

[2  4  6]

Trong ví dụ trên, một đối tượng ndarray được chuẩn bị bởi hàm arange[]. Sau đó, một đối tượng lát được xác định với các giá trị bắt đầu, dừng và bước tương ứng là 2, 7 và 2. Khi đối tượng lát này được chuyển đến ndarray, một phần của nó bắt đầu với chỉ số 2 đến 7 với bước 2 được cắt

Cũng có thể thu được kết quả tương tự bằng cách đưa ra các tham số cắt được phân tách bằng dấu hai chấm. [bắt đầu. dừng lại. step] trực tiếp đến đối tượng ndarray

Example 2

Live Demo

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

3

Ở đây, chúng ta sẽ nhận được kết quả tương tự – [2  4  6]

Nếu chỉ có một tham số được đặt, một mục duy nhất tương ứng với chỉ mục sẽ được trả về. Nếu một. được chèn vào trước nó, tất cả các mục từ chỉ mục đó trở đi sẽ được trích xuất. Nếu hai tham số [với. giữa chúng] được sử dụng, các mục giữa hai chỉ mục [không bao gồm chỉ mục dừng] với bước một mặc định được cắt

Example 3

Live Demo

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

4

Đầu ra của nó như sau -

5

Example 4

Live Demo

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

5

Bây giờ, đầu ra sẽ là -

[2  3  4  5  6  7  8  9]

Example 5

Live Demo

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

6

Ở đây, đầu ra sẽ là -

[2  3  4]

Mô tả ở trên cũng áp dụng cho ndarray đa chiều

NumPy – Advanced Indexing

It is possible to make a selection from ndarray that is a non-tuple sequence, ndarray object of integer or Boolean data type, or a tuple with at least one item being a sequence object. Lập chỉ mục nâng cao luôn trả về một bản sao của dữ liệu. Đối với điều này, việc cắt chỉ trình bày một cái nhìn

Có hai loại lập chỉ mục nâng cao - Số nguyên và Boolean

Integer Indexing

Cơ chế này giúp chọn bất kỳ mục tùy ý nào trong một mảng dựa trên chỉ số chiều N của nó. Mỗi mảng số nguyên đại diện cho số lượng chỉ mục vào thứ nguyên đó. Khi chỉ mục bao gồm nhiều mảng số nguyên như kích thước của ndarray đích, nó sẽ trở nên đơn giản

Trong ví dụ sau, một phần tử của cột được chỉ định từ mỗi hàng của đối tượng ndarray được chọn. Do đó, chỉ mục hàng chứa tất cả các số hàng và chỉ mục cột chỉ định phần tử được chọn

Example 1

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

7

Đầu ra của nó sẽ như sau -

[1  4  5]

Lựa chọn bao gồm các phần tử tại [0,0], [1,1] và [2,0] từ mảng đầu tiên

Trong ví dụ sau, các phần tử được đặt ở các góc của mảng 4X3 được chọn. Chỉ số hàng của lựa chọn là [0, 0] và [3,3] trong khi chỉ số cột là [0,2] và [0,2]

Lập chỉ mục nâng cao và cơ bản có thể được kết hợp bằng cách sử dụng một lát [. ] hoặc dấu chấm lửng […] với một mảng chỉ số. Ví dụ sau sử dụng một lát cho chỉ mục nâng cao cho cột. Kết quả là như nhau khi một lát được sử dụng cho cả hai. Nhưng chỉ mục nâng cao dẫn đến bản sao và có thể có cách bố trí bộ nhớ khác

Boolean Array Indexing

Loại lập chỉ mục nâng cao này được sử dụng khi đối tượng kết quả có nghĩa là kết quả của các phép toán Boolean, chẳng hạn như các toán tử so sánh

Example 1

Trong ví dụ này, các mục lớn hơn 5 được trả về do lập chỉ mục Boolean

Live Demo

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

8

Đầu ra của chương trình này sẽ là -

Mảng của chúng tôi là.  

[[ 0  1  2]

[ 3  4  5]

[ 6  7  8]

[ 9 10 11]]

Các mục lớn hơn 5 là

[ 6  7  8  9 10 11]

NumPy – Broadcasting

Thuật ngữ phát sóng đề cập đến khả năng NumPy xử lý các mảng có hình dạng khác nhau trong các phép tính số học. Các phép toán số học trên mảng thường được thực hiện trên các phần tử tương ứng. Nếu hai mảng có hình dạng hoàn toàn giống nhau thì các thao tác này được thực hiện trơn tru

Example 1

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

9

Đầu ra của nó như sau –[10   40   90   160]

Nếu kích thước của hai mảng không giống nhau, thì không thể thực hiện các thao tác giữa phần tử với phần tử. Tuy nhiên, các hoạt động trên các mảng có hình dạng không giống nhau vẫn có thể thực hiện được trong NumPy, do khả năng phát sóng. Mảng nhỏ hơn được truyền đến kích thước của mảng lớn hơn để chúng có hình dạng tương thích

Có thể phát sóng nếu các quy tắc sau được thỏa mãn -

• Mảng có dim nhỏ hơn mảng còn lại được thêm chữ '1' vào trước trong hình dạng của nó
• Kích thước trong mỗi kích thước của hình dạng đầu ra là kích thước tối đa của kích thước đầu vào trong kích thước đó
• Một đầu vào có thể được sử dụng trong tính toán nếu kích thước của nó trong một thứ nguyên cụ thể khớp với kích thước đầu ra hoặc giá trị của nó chính xác bằng 1
• Nếu đầu vào có kích thước thứ nguyên là 1, thì mục nhập dữ liệu đầu tiên trong thứ nguyên đó được sử dụng cho tất cả các phép tính dọc theo thứ nguyên đó

Một tập hợp các mảng được cho là có thể phát rộng nếu các quy tắc trên tạo ra kết quả hợp lệ và một trong các điều sau là đúng –

• Mảng có hình dạng giống hệt nhau
• Mảng có cùng số chiều và chiều dài của mỗi chiều là chiều dài chung hoặc 1
• Mảng có quá ít kích thước có thể có hình dạng của nó được thêm vào trước một kích thước có độ dài 1, do đó thuộc tính đã nêu ở trên là đúng

Hình dưới đây minh họa cách mảng b được truyền phát để tương thích với a

NumPy – Iterating Over Array

Gói NumPy chứa đối tượng trình vòng lặp numpy. tiếng kêu nhỏ. Nó là một đối tượng lặp đa chiều hiệu quả bằng cách sử dụng nó có thể lặp qua một mảng. Mỗi phần tử của một mảng được truy cập bằng giao diện Iterator tiêu chuẩn của Python

Hãy để chúng tôi tạo một mảng 3X4 bằng cách sử dụng hàm sort[] và lặp lại mảng đó bằng cách sử dụng nditer

NumPy – Array Manipulation

Một số thường trình có sẵn trong gói NumPy để thao tác các phần tử trong đối tượng ndarray. Chúng có thể được phân loại thành các loại sau -

thay đổi hình dạng

Sr. Không. Định hình lại hình dạng và mô tả. Cung cấp một hình dạng mới cho một mảng mà không thay đổi trình lặp data2flatA 1-D của nó trên mảng3flatten. Trả về một bản sao của mảng được thu gọn thành một chiều4ravel. Trả về một mảng phẳng liền kề

Hoạt động chuyển đổi

Sr. Không. Vận hành & Mô tả1transpose. Hoán vị các kích thước của một mảng2ndarray. T Giống mình. hoán vị [] 3rollaxis. Cuộn trục đã chỉ định về phía sau4swapaxes. Trao đổi hai trục của một mảng

Thay đổi kích thước

Sr. Không. Kích thước và mô tả phát sóng. Tạo một đối tượng bắt chước Broadcast2broadcast_to. Phát một mảng sang shape3expand_dims mới. Mở rộng hình dạng của một mảng4squeeze. Xóa các mục một chiều khỏi hình dạng của một mảng

tham gia mảng

Sr. Không. Mảng & Mô tả1concatenate. Tham gia một chuỗi các mảng dọc theo axis2stack hiện có. Tham gia một chuỗi các mảng dọc theo axis3hstack mới. Xếp các mảng theo trình tự theo chiều ngang [theo cột]4vstack. Xếp các mảng theo thứ tự theo chiều dọc [theo hàng]

Tách mảng

Sr. No. Mảng & Mô tả1split. Tách một mảng thành nhiều mảng con2hsplit. Tách một mảng thành nhiều mảng con theo chiều ngang [theo cột]3vsplit. Tách một mảng thành nhiều mảng con theo chiều dọc [theo hàng]

Thêm/Xóa phần tử

Sr. Không. Thay đổi kích thước phần tử và mô tả. Trả về một mảng mới với shape2append đã chỉ định. Nối các giá trị vào cuối một mảng3insert. Chèn các giá trị dọc theo trục đã cho trước chỉ số đã cho4delete. Trả về một mảng mới có các mảng con dọc theo một trục đã bị xóa5unique. Tìm các phần tử duy nhất của một mảng

NumPy – Toán tử nhị phân

Sau đây là các chức năng cho hoạt động bitwise có sẵn trong gói NumPy

Sr. Không. Hoạt động & Mô tả1bitwise_and. Tính toán thao tác AND theo bit của các phần tử mảng2bitwise_or. Tính toán theo bit HOẶC hoạt động của các phần tử mảng3invert. Tính toán theo chiều bit NOT4right_shift. Dịch chuyển các bit của biểu diễn nhị phân sang phải

NumPy – Mathematical Functions

Khá dễ hiểu, NumPy chứa một số lượng lớn các phép toán khác nhau. NumPy cung cấp các hàm lượng giác tiêu chuẩn, các hàm cho các phép toán số học, xử lý các số phức, v.v.

Hàm lượng giác

NumPy có các hàm lượng giác tiêu chuẩn trả về các tỷ số lượng giác cho một góc đã cho tính bằng radian

Thí dụ

Live Demo

import numpy as np 
arr = np.array[36] 
print[arr] 

0

Đây là đầu ra của nó -

sin của các góc khác nhau

[ 0. 0. 5         0. 70710678  0. 8660254   1. ]

Giá trị cosine cho các góc trong mảng

[  1. 00000000e+00   8. 66025404e-01   7. 07106781e-01   5. 00000000e-01

6. 12323400e-17]

Các giá trị tiếp tuyến của các góc đã cho

[  0. 00000000e+00   5. 77350269e-01   1. 00000000e+00   1. 73205081e+00

1. 63312394e+16]

Các hàm arcsin, arccos và arctan trả về giá trị lượng giác nghịch đảo của sin, cos và tan của góc đã cho. Kết quả của các chức năng này có thể được xác minh bằng numpy. độ [] bằng cách chuyển đổi radian thành độ

Các hàm để làm tròn

cục mịch. vòng quanh[]

Đây là hàm trả về giá trị được làm tròn đến độ chính xác mong muốn. Hàm nhận các tham số sau

cục mịch. khoảng [a, số thập phân]

Ở đâu,

Sr. Không. Tham số & Mô tả1aDữ liệu đầu vào2số thập phânSố thập phân cần làm tròn thành. Mặc định là 0. Nếu âm, số nguyên được làm tròn đến vị trí bên trái của dấu thập phân

NumPy – Hàm thống kê

NumPy có khá nhiều hàm thống kê hữu ích để tìm độ lệch chuẩn và phương sai tối thiểu, tối đa, phần trăm, v.v. từ các phần tử đã cho trong mảng. Các chức năng được giải thích như sau -

cục mịch. amin[] và numpy. amax[] numpy. amin[] và numpy. amax[]

Các hàm này trả về giá trị nhỏ nhất và lớn nhất từ ​​các phần tử trong mảng đã cho dọc theo trục đã chỉ định

Thí dụ

Live Demo

import numpy as np 
arr = np.array[36] 
print[arr] 

1

Nó sẽ tạo ra đầu ra sau -

Mảng của chúng tôi là

[[3 7 5]

[8 4 3]

[2 4 9]]

Áp dụng hàm amin[]

[3 3 2]

Áp dụng lại hàm amin[]

[2 4 3]

Áp dụng hàm amax[]

9

Áp dụng lại hàm amax[]

[8 7 9]

cục mịch. ptp[]

numpy. ptp[] hàm trả về phạm vi [tối đa-tối thiểu] của các giá trị dọc theo một trục

Live Demo

import numpy as np 
arr = np.array[36] 
print[arr] 

2

Phần trăm [hoặc phần trăm] là thước đo được sử dụng trong thống kê cho biết giá trị dưới mức mà một tỷ lệ quan sát nhất định trong một nhóm quan sát giảm xuống dưới mức đó. Hàm numpy. phần trăm [] nhận các đối số sau

Ở đâu,

Sr. Không. Đối số & Mô tả1a. Nhập mảng2q. Phần trăm tính toán phải nằm trong khoảng 0-1003axis. Trục dọc theo đó phần trăm sẽ được tính toán

Một loạt các chức năng liên quan đến sắp xếp có sẵn trong NumPy. Các chức năng sắp xếp này thực hiện các thuật toán sắp xếp khác nhau, mỗi thuật toán được đặc trưng bởi tốc độ thực thi, hiệu suất trong trường hợp xấu nhất, không gian làm việc cần thiết và tính ổn định của thuật toán. Bảng sau đây cho thấy sự so sánh của ba thuật toán sắp xếp

kindspeedworst casework spacetable‘quicksort’1O[n^2]0no‘mergesort’2O[n*log[n]]~n/2yes‘heapsort’3O[n*log[n]]0no

cục mịch. loại[]

Hàm sort[] trả về một bản sao đã sắp xếp của mảng đầu vào. Nó có các tham số sau -

cục mịch. sắp xếp [a, trục, loại, thứ tự]

Ở đâu,

Sr. Không. Tham số & Mô tả1aMảng sẽ được sắp xếp2axisTrục dọc theo đó mảng sẽ được sắp xếp. Nếu không, mảng được làm phẳng, sắp xếp theo trục cuối cùng3kindDefault là quicksort4orderNếu mảng chứa các trường, thứ tự các trường sẽ được sắp xếp

NumPy – Byte Swapping

Chúng ta đã thấy rằng dữ liệu được lưu trữ trong bộ nhớ của máy tính phụ thuộc vào kiến ​​trúc mà CPU sử dụng. Nó có thể là little-endian [ít quan trọng nhất được lưu trữ trong địa chỉ nhỏ nhất] hoặc big-endian [byte quan trọng nhất trong địa chỉ nhỏ nhất]

cục mịch. ndarray. trao đổi byte[]

numpy. ndarray. hàm byteswap[] chuyển đổi giữa hai biểu diễn. bigendian và little-endian

NumPy – Bản sao & Lượt xem

Trong khi thực thi các hàm, một số trả về bản sao của mảng đầu vào, trong khi một số trả về dạng xem. Khi nội dung được lưu trữ trên thực tế ở một vị trí khác, nó được gọi là Sao chép. Mặt khác, nếu một chế độ xem khác của cùng một nội dung bộ nhớ được cung cấp, thì chúng tôi gọi đó là Chế độ xem

Không được sao chép

Các phép gán đơn giản không tạo bản sao của đối tượng mảng. Thay vào đó, nó sử dụng cùng id[] của mảng ban đầu để truy cập nó. Hàm id[] trả về một mã định danh chung của đối tượng Python, tương tự như con trỏ trong C

Hơn nữa, bất kỳ thay đổi nào trong một trong hai đều được phản ánh trong cái kia. Ví dụ, hình dạng thay đổi của cái này cũng sẽ thay đổi hình dạng của cái kia

Xem hoặc sao chép nông

NumPy có ndarray. view[] là một đối tượng mảng mới xem xét cùng dữ liệu của mảng ban đầu. Không giống như trường hợp trước đó, thay đổi kích thước của mảng mới không thay đổi kích thước của mảng ban đầu

NumPy – Thư viện ma trận

Gói NumPy chứa thư viện Matrix numpy. matlib. Mô-đun này có các hàm trả về ma trận thay vì các đối tượng ndarray

matlib. trống rỗng[]

Matlib. empty[] hàm trả về một ma trận mới mà không cần khởi tạo các mục nhập. Hàm nhận các tham số sau

cục mịch. matlib. trống [hình dạng, dtype, thứ tự]

Ở đâu,

Sr. Không. Tham số & Mô tả1shapeint hoặc bộ của int xác định hình dạng của ma trận mới2DtypeTùy chọn. Loại dữ liệu của đầu ra3orderC hoặc F

Thí dụ

Live Demo

import numpy as np 
arr = np.array[36] 
print[arr] 

3

Nó sẽ tạo ra đầu ra sau -

[[ 2. 12199579e-314,   4. 24399158e-314]

[ 4. 24399158e-314,   2. 12199579e-314]] 

cục mịch. matlib. con mắt[]

Hàm này trả về một ma trận có 1 dọc theo các phần tử đường chéo và các số 0 ở những nơi khác. Hàm nhận các tham số sau

cục mịch. matlib. mắt [n, M, k, dtype]

Ở đâu,

Sr. Không. Tham số & Mô tả1nSố lượng hàng trong ma trận kết quả2MSố lượng cột, mặc định là n3kChỉ số của đường chéo4dtypeLoại dữ liệu của đầu ra

Thí dụ

Live Demo

import numpy as np 
arr = np.array[36] 
print[arr] 

4

Nó sẽ tạo ra đầu ra sau -

[[ 1. 0. 0. 0. ]

[ 0. 1. 0. 0. ]

[ 0. 0. 1. 0. ]]

NumPy – Matplotlib

Matplotlib là một thư viện vẽ đồ thị cho Python. Nó được sử dụng cùng với NumPy để cung cấp một môi trường thay thế mã nguồn mở hiệu quả cho MatLab. Nó cũng có thể được sử dụng với các bộ công cụ đồ họa như PyQt và wxPython

Mô-đun Matplotlib lần đầu tiên được viết bởi John D. thợ săn. Từ năm 2012, Michael Droettboom là nhà phát triển chính. Hiện tại, Matplotlib phiên bản. 1. 5. 1 là phiên bản ổn định có sẵn. Gói có sẵn ở dạng phân phối nhị phân cũng như ở dạng mã nguồn trên www. matplotlib. tổ chức

Thông thường, gói được nhập vào tập lệnh Python bằng cách thêm câu lệnh sau -

từ matplotlib nhập pyplot dưới dạng plt

Đây pyplot[] là chức năng quan trọng nhất trong thư viện matplotlib, dùng để vẽ dữ liệu 2D. Tập lệnh sau vẽ phương trình y = 2x + 5

Thí dụ

import numpy as np 
arr = np.array[36] 
print[arr] 

5

Đối tượng ndarray x được tạo từ np. hàm arange[] làm giá trị trên trục x. Các giá trị tương ứng trên trục y được lưu trữ trong một đối tượng ndarray y khác. Các giá trị này được vẽ bằng hàm plot[] của mô-đun con pyplot của gói matplotlib

Biểu diễn đồ họa được hiển thị bằng hàm show[] 

Thay vì biểu đồ tuyến tính, các giá trị có thể được hiển thị một cách riêng biệt bằng cách thêm một chuỗi định dạng vào hàm plot[]. Có thể sử dụng các ký tự định dạng sau

NumPy – Sử dụng Matplotlib

NumPy có một numpy. histogram[] là biểu diễn đồ họa về phân bố tần số của dữ liệu. Các hình chữ nhật có kích thước ngang bằng nhau tương ứng với khoảng thời gian trong lớp được gọi là bin và có thể thay đổi chiều cao tương ứng với tần suất

cục mịch. biểu đồ[]

các numpy. Hàm histogram[] lấy mảng đầu vào và thùng làm hai tham số. Các phần tử liên tiếp trong mảng bin đóng vai trò là ranh giới của mỗi bin

import numpy as np 
arr = np.array[36] 
print[arr] 

6

Nó sẽ tạo ra đầu ra sau -

[3 4 5 2 1]

[0 20 40 60 80 100]

plt[]

Matplotlib có thể chuyển đổi biểu diễn số này của biểu đồ thành biểu đồ. Hàm plt[] của mô-đun con pyplot lấy mảng chứa dữ liệu và mảng bin làm tham số rồi chuyển đổi thành biểu đồ

import numpy as np 
arr = np.array[36] 
print[arr] 

7

Nó sẽ tạo ra đầu ra sau -

Nhập/xuất với NumPy

Các đối tượng ndarray có thể được lưu và tải từ các tệp đĩa. The IO functions available are −

• các hàm load[] và save[] xử lý các tệp nhị phân /numPy [có phần mở rộng npy]
• Các hàm loadtxt[] và savetxt[] xử lý các tệp văn bản thông thường

NumPy giới thiệu một định dạng tệp đơn giản cho các đối tượng ndarray. Đây. Tệp npy lưu trữ dữ liệu, hình dạng, dtype và các thông tin khác cần thiết để xây dựng lại ndarray trong tệp đĩa sao cho mảng được truy xuất chính xác ngay cả khi tệp nằm trên một máy khác có kiến ​​trúc khác

cục mịch. tiết kiệm[]

numpy. save[] lưu trữ mảng đầu vào trong một tệp đĩa có phần mở rộng npy

import numpy as np 
arr = np.array[36] 
print[arr] 

8

Để xây dựng lại mảng từ outfile. npy, hãy sử dụng hàm load[] 

import numpy as np 
arr = np.array[36] 
print[arr] 

9

Nó sẽ tạo ra đầu ra sau -

mảng[[1, 2, 3, 4, 5]]

Các hàm save[] và load[] chấp nhận một tham số Boolean bổ sung allow_pickles. Một pickle trong Python được sử dụng để tuần tự hóa và hủy tuần tự hóa các đối tượng trước khi lưu vào hoặc đọc từ tệp đĩa

savetxt[]

Việc lưu trữ và truy xuất dữ liệu mảng ở định dạng tệp văn bản đơn giản được thực hiện bằng các hàm savetxt[] và loadtxt[]

Thí dụ

Output: 
36 

0

Nó sẽ tạo ra đầu ra sau -

[ 1. 2. 3. 4. 5. ]

Chúng tôi cũng khuyên bạn nên truy cập Học viện Great Learning, nơi bạn sẽ tìm thấy một khóa học NumPy miễn phí và hơn 1000 khóa học khác. Bạn cũng sẽ nhận được chứng chỉ sau khi hoàn thành các khóa học này. Chúng tôi hy vọng rằng Hướng dẫn Python NumPy này hữu ích và giờ đây bạn đã được trang bị tốt hơn

Sao chép NumPy so với Xem

Sự khác biệt giữa bản sao và chế độ xem của một mảng trong NumPy là chế độ xem chỉ là chế độ xem của mảng ban đầu trong khi bản sao là một mảng mới. Bản sao sẽ không ảnh hưởng đến mảng ban đầu và cơ hội bị hạn chế đối với mảng mới được tạo và nhiều sửa đổi được thực hiện đối với mảng ban đầu cũng sẽ không được phản ánh trong mảng sao chép. Nhưng trong chế độ xem, những thay đổi được thực hiện đối với chế độ xem sẽ được phản ánh trong mảng ban đầu và ngược lại.  

Hãy cho chúng tôi hiểu với các đoạn mã.  

Ví dụ về sao chép

Output: 
36 

1

Output: 
36 

2

Ví dụ về chế độ xem.  

Lưu ý đầu ra của đoạn mã dưới đây;

Output: 
36 

3____54

Hình dạng mảng NumPy

Hình dạng của một mảng không là gì ngoài số lượng phần tử trong mỗi chiều. Để có được hình dạng của một mảng, chúng ta có thể sử dụng một. thuộc tính shape trả về một tuple cho biết số phần tử.  

Output: 
36 

5

Output: 
36 

6

Định hình lại mảng NumPy

1-D đến 2-D.  

Định hình lại mảng không là gì ngoài việc thay đổi hình dạng của mảng, qua đó người ta có thể thêm hoặc bớt một số phần tử trong mỗi chiều. Đoạn mã sau sẽ chuyển đổi mảng 1-D thành mảng 2-D. Kết quả sẽ có 3 mảng có 4 phần tử

Output: 
36 

7

Output: 
36 

8

1-D đến 3-D.  

Kích thước bên ngoài sẽ chứa hai mảng có ba mảng với hai phần tử mỗi mảng

Output: 
36 

9

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

0

Làm phẳng mảng.  

Việc chuyển mảng nhiều chiều thành mảng một chiều được gọi là làm phẳng mảng.  

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

1

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

2

Lặp lại mảng NumPy

Có thể lặp qua các mảng bằng cách sử dụng vòng lặp for.  

ví dụ 1.  

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

3____14

ví dụ 2

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

5

Ví dụ3

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

6

Tham gia mảng NumPy

Tham gia là một hoạt động kết hợp một hoặc hai mảng thành một mảng duy nhất. Trong Numpy, các mảng được nối với nhau bằng các trục. Hàm nối [] được sử dụng cho thao tác này, nó nhận một chuỗi các mảng sẽ được nối và nếu trục không được chỉ định, nó sẽ được lấy bằng 0.  

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

7____18

Đoạn mã sau nối các mảng đã chỉ định dọc theo các hàng

import numpy as np 
arr = np.array[[1, 2, 3, 4, 5]] 
print[arr] 

9

Tách mảng NumPy

Như chúng ta đã biết, phép chia ngược lại với phép nối. Split breaks a single array as specified. Hàm array_split[] được sử dụng cho thao tác này và người ta phải chuyển số lần phân tách cùng với mảng.  

Output: 
[1 2 3 4 5] 

0

Nhìn vào một trường hợp đặc biệt khi không có phần tử nào ít hơn yêu cầu và quan sát đầu ra

Thí dụ

Output: 
[1 2 3 4 5] 

1

Chia thành Mảng

Array_split[] sẽ trả về một mảng chứa một mảng dưới dạng phân chia, chúng ta có thể truy cập các phần tử giống như chúng ta làm trong một mảng bình thường

Output: 
[1 2 3 4 5] 

2

Việc tách mảng 2 chiều cũng tương tự, gửi mảng 2 chiều trong hàm array_split[]

Output: 
[1 2 3 4 5] 

3

Tìm kiếm mảng NumPy

Phương thức where[] được sử dụng để tìm kiếm một mảng. Nó trả về chỉ mục của giá trị được chỉ định trong phương thức where.  

Đoạn mã dưới đây sẽ trả về một bộ cho biết phần tử 4 ở vị trí 3,5 và 6

Output: 
[1 2 3 4 5] 

4

Frequently Asked Questions on NumPy in Python

1. NumPy là gì và tại sao nó được sử dụng trong Python?

Numpy- Còn được gọi là Python số, là một thư viện được sử dụng để làm việc với mảng. Đây cũng là gói xử lý mảng có mục đích chung cung cấp các hàm toán học toàn diện, quy trình đại số tuyến tính, biến đổi Fourier, v.v.

NumPy nhằm mục đích cung cấp ít bộ nhớ hơn để lưu trữ dữ liệu so với danh sách python và cũng giúp tạo mảng n chiều. Đây là lý do tại sao NumPy được sử dụng trong Python

2. Làm thế nào để bạn xác định một NumPy trong Python?

NumPy trong python được định nghĩa là một gói cơ bản cho tính toán khoa học giúp tạo điều kiện thuận lợi cho toán học nâng cao và các loại hoạt động khác trên số lượng lớn dữ liệu

3. NumPy được sử dụng ở đâu?

NumPy là một thư viện python chủ yếu được sử dụng để làm việc với mảng và để thực hiện nhiều phép toán trên mảng. NumPy đảm bảo tính toán hiệu quả với mảng và ma trận trên các hàm toán học cấp cao hoạt động trên các mảng và ma trận này

4. Tôi nên sử dụng NumPy hay gấu trúc?

Xem qua các điểm bên dưới và quyết định nên sử dụng NumPy hay Pandas, chúng ta bắt đầu

• NumPy và Pandas là những thư viện được sử dụng nhiều nhất trong Khoa học dữ liệu, ML và AI
• NumPy và Pandas được sử dụng để lưu n dòng Mã
• NumPy và Pandas là các thư viện mã nguồn mở
• NumPy được sử dụng để tính toán khoa học nhanh và Pandas được sử dụng để thao tác, phân tích và làm sạch dữ liệu.  

5. Sự khác biệt giữa NumPy và gấu trúc là gì?

NumPyPandasNumpy tạo đối tượng mảng n chiều. Pandas tạo DataFrame và Sê-ri. Mảng Numpy chứa dữ liệu có cùng kiểu dữ liệuPandas rất phù hợp với dữ liệu dạng bảngNumpy yêu cầu ít bộ nhớPandas yêu cầu nhiều bộ nhớ hơn so với NumPyNumPy hỗ trợ mảng đa chiều. Pandas hỗ trợ mảng 2 chiều

6. Mảng NumPy là gì?

Mảng Numpy được hình thành bởi tất cả các tính toán được thực hiện bởi thư viện NumPy. Đây là một đối tượng mảng N chiều mạnh mẽ với cấu trúc dữ liệu trung tâm và là tập hợp các phần tử có cùng kiểu dữ liệu

7. NumPy được viết bằng gì?

NumPy là một thư viện Python được viết một phần bằng Python và hầu hết các phần được viết bằng C hoặc C++. Và nó cũng hỗ trợ các tiện ích mở rộng bằng các ngôn ngữ khác, phổ biến là C ++ và Fortran

8. NumPy có dễ học không?

NumPy là một thư viện mã nguồn mở Python được sử dụng chủ yếu để thao tác và xử lý dữ liệu dưới dạng mảng. NumPy rất dễ học vì nó hoạt động nhanh, hoạt động tốt với các thư viện khác, có nhiều chức năng tích hợp sẵn và cho phép bạn thực hiện các phép toán ma trận

NumPy là một thư viện Python cơ bản cho phép bạn truy cập vào các hàm toán học mạnh mẽ. Nếu bạn đang muốn tìm hiểu sâu về máy tính khoa học và phân tích dữ liệu, thì NumPy chắc chắn là con đường phù hợp.  

Mặt khác, pandas là một thư viện phân tích dữ liệu giúp dễ dàng làm việc với dữ liệu dạng bảng. Nếu trọng tâm của bạn là kinh doanh thông minh và sắp xếp dữ liệu, thì gấu trúc là thư viện dành cho bạn.  

Cuối cùng, bạn muốn học cái nào trước. Chỉ cần đảm bảo tập trung vào từng thứ một và bạn sẽ thành thạo NumPy ngay lập tức.  

NumPy trong Python là gì và tại sao nó được sử dụng?

Tại sao chúng tôi sử dụng NumPy và Pandas trong Python?

Tại sao NumPy nhanh hơn danh sách?

Tại sao NumPy được sử dụng trong học sâu?