NumPy sanoista Numerical Python. Se on Python-kirjasto, jota käytetään taulukon kanssa työskentelemiseen. Pythonissa käytämme luetteloa taulukolle, mutta sen käsittely on hidasta. NumPy-taulukko on tehokas N-ulotteinen taulukkoobjekti, ja sitä käytetään lineaarisessa algebrassa, Fourier-muunnoksessa ja satunnaislukuominaisuuksissa. Se tarjoaa taulukkoobjektin paljon nopeammin kuin perinteiset Python-luettelot.

Array-tyypit:

1. Yksiulotteinen taulukko
2. Moniulotteinen taulukko

Yksiulotteinen taulukko:

Yksiulotteinen taulukko on eräänlainen lineaarinen taulukko.

Yksiulotteinen taulukko

Esimerkki:

# importing numpy module import numpy as np # creating list list = [1, 2, 3, 4] # creating numpy array sample_array = np.array(list) print('List in python : ', list) print('Numpy Array in python :', sample_array)>

Lähtö:

List in python : [1, 2, 3, 4] Numpy Array in python : [1 2 3 4]>

Tarkista luettelon ja taulukon tietotyyppi:

print(type(list_1)) print(type(sample_array))>

Lähtö:

>

Moniulotteinen taulukko:

Moniulotteisten taulukoiden tiedot tallennetaan taulukkomuodossa.

Kaksiulotteinen taulukko

Esimerkki:

# importing numpy module import numpy as np # creating list  list_1 = [1, 2, 3, 4] list_2 = [5, 6, 7, 8] list_3 = [9, 10, 11, 12] # creating numpy array sample_array = np.array([list_1, list_2, list_3]) print('Numpy multi dimensional array in python
', sample_array)>

Lähtö:

Numpy multi dimensional array in python [[ 1 2 3 4]  [ 5 6 7 8]  [ 9 10 11 12]]>

Huomautus: käyttää [ ] operaattorit numpy.array():n sisällä moniulotteiselle

Ryhmän anatomia:

1. Akseli: Taulukon akseli kuvaa taulukkoon indeksoinnin järjestystä.

Akseli 0 = yksiulotteinen

Akseli 1 = kaksiulotteinen

Akseli 2 = kolmiulotteinen

2. Muoto: Elementtien lukumäärä kunkin akselin mukana. Se on tuplesta.

Esimerkki:

# importing numpy module import numpy as np # creating list  list_1 = [1, 2, 3, 4] list_2 = [5, 6, 7, 8] list_3 = [9, 10, 11, 12] # creating numpy array sample_array = np.array([list_1, list_2, list_3]) print('Numpy array :') print(sample_array) # print shape of the array print('Shape of the array :', sample_array.shape)>

Lähtö:

Numpy array :  [[ 1 2 3 4]  [ 5 6 7 8]  [ 9 10 11 12]] Shape of the array : (3, 4)>

Esimerkki:

import numpy as np sample_array = np.array([[0, 4, 2], [3, 4, 5], [23, 4, 5], [2, 34, 5], [5, 6, 7]]) print('shape of the array :', sample_array.shape)>

Lähtö:

shape of the array : (5, 3)>

3. Sijoitus: Matriisin sijoitus on yksinkertaisesti sen akselien (tai dimensioiden) lukumäärä.

Yksiulotteisen taulukon arvo on 1.

Sijoitus 1

Kaksiulotteisen taulukon arvo on 2.

Sijoitus 2

4. Tietotyyppiobjektit (dtype): Tietotyyppiobjektit (dtype) on esiintymä numpy.dtype luokkaa. Se kuvaa, kuinka taulukon kohdetta vastaavan kiinteän kokoisen muistilohkon tavut tulee tulkita.

Esimerkki:

# Import module import numpy as np # Creating the array  sample_array_1 = np.array([[0, 4, 2]]) sample_array_2 = np.array([0.2, 0.4, 2.4]) # display data type print('Data type of the array 1 :', sample_array_1.dtype) print('Data type of array 2 :', sample_array_2.dtype)>

Lähtö:

Data type of the array 1 : int32 Data type of array 2 : float64>

Joitakin eri tapoja luoda Numpy Array:

1. numpy.array() : Numpyssa olevaa Numpy-taulukkoobjektia kutsutaan ndarrayksi. Voimme luoda ndarray käyttämällä numpy.array() toiminto.

Syntaksi: numpy.array(parametri)

Esimerkki:

# import module import numpy as np #creating a array arr = np.array([3,4,5,5]) print('Array :',arr)>

Lähtö:

Array : [3 4 5 5]>

2. numpy.fromiter() : Fromiter()-funktio luo uuden yksiulotteisen taulukon iteroitavasta objektista.

Syntaksi: numpy.fromiter(iterable, dtype, count=-1)

Esimerkki 1:

#Import numpy module import numpy as np # iterable iterable = (a*a for a in range(8)) arr = np.fromiter(iterable, float) print('fromiter() array :',arr)>

Lähtö:

fromiter() array : [ 0. 1. 4. 9. 16. 25. 36. 49.]

Esimerkki 2:

leksikografisesti

import numpy as np var = 'Geekforgeeks' arr = np.fromiter(var, dtype = 'U2') print('fromiter() array :', arr)>

Lähtö:

fromiter() array : ['G' 'e' 'e' 'k' 'f' 'o' 'r' 'g' 'e' 'e' 'k' 's']

3. numpy.arange() : Tämä on sisäänrakennettu NumPy-funktio, joka palauttaa tasaisin välein arvot tietyllä aikavälillä.

Syntaksi: numpy.arange([aloitus, ]pysäytys, [vaihe, ]dtype=ei mitään)

Esimerkki:

import numpy as np np.arange(1, 20 , 2, dtype = np.float32)>

Lähtö:

array([ 1., 3., 5., 7., 9., 11., 13., 15., 17., 19.], dtype=float32)

4. numpy.linspace() : Tämä funktio palauttaa tasaväliset luvut määritetyn kahden rajan välillä.

Syntaksi: numpy.linspace(alku, lopetus, numero = 50, päätepiste = tosi, retstep = epätosi, dtype = ei mitään, akseli = 0)

Esimerkki 1:

import numpy as np np.linspace(3.5, 10, 3)>

Lähtö:

array([ 3.5 , 6.75, 10. ])>

Esimerkki 2:

import numpy as np np.linspace(3.5, 10, 3, dtype = np.int32)>

Lähtö:

array([ 3, 6, 10])>

5. numpy.empty() : Tämä toiminto luo uuden tietyn muotoisen ja tyyppisen taulukon ilman arvoa alustamatta.

Syntaksi: numpy.empty(muoto, dtype=float, order='C')

Esimerkki:

import numpy as np np.empty([4, 3], dtype = np.int32, order = 'f')>

Lähtö:

array([[ 1, 5, 9],  [ 2, 6, 10],  [ 3, 7, 11],  [ 4, 8, 12]])>

6. numpy.ones(): Tällä funktiolla saadaan uusi tietyn muotoinen ja tyyppinen taulukko, joka on täytetty ykkösillä(1).

Syntaksi: numpy.ones(muoto, dtype=ei mitään, järjestys='C')

Esimerkki:

import numpy as np np.ones([4, 3], dtype = np.int32, order = 'f')>

Lähtö:

array([[1, 1, 1],  [1, 1, 1],  [1, 1, 1],  [1, 1, 1]])>

7. numpy.zeros() : Tällä funktiolla saadaan uusi tietyn muotoinen ja tyyppinen taulukko, joka on täytetty nolilla(0).

Syntaksi: numpy.ones(muoto, dtype=Ei mitään)

Esimerkki:

import numpy as np np.zeros([4, 3], dtype = np.int32, order = 'f')>

Lähtö:

array([[0, 0, 0],  [0, 0, 0],  [0, 0, 0],  [0, 0, 0]])>