Phenquestions
В Python существует множество библиотек для выполнения различных типов задач. NumPy - один из них. Полная форма NumPy - это числовой Python, и он в основном используется для научных вычислений. Объекты многомерного массива могут быть определены с помощью этой библиотеки, которая называется массивом Python NumPy. В библиотеке NumPy существуют различные типы функций для создания массива. Массив NumPy может быть сгенерирован из списка числовых данных Python, диапазона данных и случайных данных. В этом руководстве показано, как можно создать массив NumPy и использовать его для выполнения различных типов операций.
Преимущество использования NumPy Array
Массив NumPy лучше списка Python по разным причинам. Некоторые существенные преимущества использования массива NumPy приведены ниже.
- Он потребляет меньше памяти по сравнению со списком Python.
- Он работает быстрее, чем список Python для того же объема данных.
- Лучше использовать вместо списка Python для некоторых конкретных задач.
Предварительные условия
Библиотека NumPy не установлена в Python по умолчанию. Итак, вам необходимо установить эту библиотеку, прежде чем практиковать примеры, показанные в этом руководстве. В этом руководстве используется Python 3+. Выполните следующую команду из терминала, чтобы установить NumPy в python 3.
$ sudo apt-get install python3-numpyАтрибуты массива NumPy
Массив NumPy имеет множество атрибутов для получения различных типов информации о массиве. Некоторые из полезных атрибутов этого массива описаны ниже.
- ndarray.ndim - Этот атрибут возвращает количество измерений массива NumPy с именем ndarray.
- ndarray.форма - Этот атрибут возвращает размер каждого измерения массива NumPy с именем ndarray.
- ndarray.размер - Этот атрибут возвращает общее количество элементов массива NumPy с именем ndarray.
- ndarray.размер - Этот атрибут возвращает размер каждого элемента массива NumPy с именем ndarray.
- ndarray.dtype - Этот атрибут возвращает тип данных элементов массива NumPy с именем ndarray.
- ndarray.nbytes - Этот атрибут возвращает общее количество байтов, использованных элементами массива NumPy с именем ndarray.
Использование массива NumPy
В этой части руководства показаны способы объявления одномерного, двухмерного и трехмерного массива NumPy.
Пример-1: Использование одномерного массива NumPy
В следующем примере показаны три способа создания одномерного массива NumPy. функция array () был использован для создания первого одномерного массива из 10 целых чисел. функция аранжировки () был использован для создания второго одномерного массива из 10 последовательных чисел. функция rand () был использован для создания третьего одномерного массива из 10 случайных чисел с плавающей запятой. Далее функция print () использовал для печати различных атрибутов и значений трех массивов.
# Импортировать NumPyимпортировать numpy как np
# Объявить массив NumPy в трех разных массивах
oneArray1 = np.массив ([7, 3, 19, 6, 3, 1, 12, 8, 11, 5])
oneArray2 = np.апельсин (10)
oneArray3 = np.случайный.ранд (10)
# Распечатать разные атрибуты трех массивов NumPy
print ("\ nРазмер первого массива NumPy:", oneArray1.ндим)
print ("Размер второго массива NumPy:", oneArray2.размер)
print ("Тип данных третьего массива NumPy:", oneArray3.dtype)
# Распечатать значения трех массивов NumPy
print ("\ nЗначения первого массива: \ n", oneArray1)
print ("Значения второго массива: \ n", oneArray2)
print ("Значения третьего массива: \ n", oneArray3)
Выход:
Следующий вывод появится после выполнения вышеуказанного скрипта. Выходные данные показывают, что первый массив 1, размер второго массива 10, а тип данных третьего массива - float64. Позже были напечатаны три массива.
Пример-2: Использование двумерного массива NumPy
В следующем примере показаны два способа создания двумерного массива NumPy. Функция array () была использована для создания двумерного массива из 2 строк и 3 столбцов с целочисленными данными. Функция rand () использовалась для создания двумерного массива из 2 строк и 4 столбцов с плавающими данными. Затем функция print () использовала для печати атрибута размера и значений обоих массивов.
# Импортировать NumPyимпортировать numpy как np
# Объявить двумерный массив с помощью списков
twoArray1 = np.массив ([[12, 2, 27], [40, 15, 6]])
# Объявить двумерный массив с использованием случайных значений
twoArray2 = np.случайный.рандом (2, 4)
# Вывести размер обоих массивов
print ("Размер первого массива:", twoArray1.размер)
print ("Размер второго массива:", twoArray2.размер)
# Распечатать значения обоих массивов
print ("Значения первого массива: \ n", twoArray1)
print ("Значения второго массива: \ n", twoArray2)
Выход:
Следующий вывод появится после выполнения вышеуказанного скрипта. Выходные данные показывают, что размер первого массива равен 6 (2 × 3), а размер второго массива равен 8 (2 × 4). Оба массива были напечатаны позже.
Пример-3: Использование трехмерного массива NumPy
В следующем примере показаны два способа создания трехмерного массива NumPy. Функция array () использовалась для создания трехмерного массива целочисленных данных. Функция rand () использовалась для создания трехмерного массива данных с плавающей запятой. Затем функция print () использовала для печати измерения и значений обоих массивов.
# Импортировать NumPyимпортировать numpy как np
# Создаем трехмерный массив, используя список
threeArray1 = np.массив ([[[3, 6, 7], [7, 5, 9], [8, 5, 2]]])
# Создаем трехмерный массив, используя случайные значения
threeArray2 = np.случайный.рандом (2, 4, 3)
# Распечатать размер обоих массивов
print ("Размер первого массива:", threeArray1.ндим)
print ("Размер второго массива:", threeArray2.ндим)
# Распечатать значения обоих массивов
print ("Значения первого массива: \ n", threeArray1)
print ("Значения второго массива: \ n", threeArray2)
Выход:
Следующий вывод появится после выполнения вышеуказанного скрипта. Выходные данные показывают, что размер обоих массивов равен 3. Оба массива были напечатаны позже.
Заключение
Создание различных типов массивов NumPy было объяснено в этом руководстве с использованием нескольких примеров. Я надеюсь, что читатели смогут создавать массивы NumPy после практики примеров из этого руководства.
