Inleiding tot NumPy
NumPy is een open-source pakket van python. Het kan worden gebruikt voor wetenschappelijk en numeriek computergebruik. Meestal wordt het gebruikt voor een efficiëntere berekening van arrays. Het is gebaseerd en geschreven in C en Python. Het is een python-pakket en het woord Numpy betekent Numerieke Python. Het wordt hoofdzakelijk gebruikt voor het verwerken van een homogene multidimensionale reeks. Het is een kernbibliotheek voor wetenschappelijke berekeningen. Daarom heeft het krachtige multidimensionale arrayobjecten en integratiehulpmiddelen die handig zijn tijdens het werken met deze arrays. Het is belangrijk in bijna elke wetenschappelijke programmering in python, waaronder machine learning, statistieken, bio-informatica, enz. Het biedt een aantal echt goede functionaliteit die zeer goed is geschreven en efficiënt werkt. Het is vooral gericht op het uitvoeren van wiskundige bewerkingen op aaneengesloten arrays, net als de arrays die u hebt in talen op een lager niveau zoals C. Met andere woorden, het wordt gebruikt bij de manipulatie van numerieke gegevens. Hierdoor kan python worden gebruikt als alternatief voor MATLAB.
Numpy begrijpen
Een van de meest gebruikte bibliotheken in Python is Numpy. Data Science-technieken vereisen het werk dat moet worden gedaan op grootschalige arrays en matrices en zware numerieke berekeningen moeten worden gedaan om bruikbare informatie eruit te extraheren, wat gemakkelijk wordt gemaakt door het verzamelen van verschillende wiskundige functies onder de NumPy. Het is de basis maar toch belangrijke bibliotheek voor het grootste deel van de wetenschappelijke informatica in Python, ook zijn sommige andere bibliotheken afhankelijk van NumPy-arrays als hun basisinvoer en -uitvoer. Het biedt ook functies waarmee ontwikkelaars basis- en geavanceerde wiskundige en statistische functies kunnen uitvoeren op multidimensionale arrays en matrices met een zeer beperkt aantal coderegels. 'ndarray' of n-dimensionale array datastructuur is de belangrijkste functionaliteit van Numpy. Deze arrays zijn homogeen en alle elementen van de array moeten van hetzelfde type zijn.
NumPy-arrays zijn sneller in vergelijking met Python-lijsten. Maar pythonlijsten zijn flexibeler dan numpy arrays omdat u alleen hetzelfde gegevenstype in elke kolom kunt opslaan.
Kenmerken -
- Het is een combinatie van C en python
- Multidimensionale homogene arrays. Ndarray die een driedimensionale array zijn
- Verschillende functies voor arrays.
- Hervormen van arrays Python kan worden gebruikt als alternatief voor MATLAB.
Hoe maakt numpy werken zo gemakkelijk?
U kunt eenvoudig homogene arrays maken en er verschillende bewerkingen op uitvoeren, zoals,
- Importeer het met de volgende opdracht en importeer numpy als numpy.
NumPy n-dimentionele array
Een van de belangrijkste kenmerken van Numpy is een n-dimensionale array die een nd-array is. Het aantal dimensies van een array is niets anders dan array rank. Hier zijn enkele voorbeelden. arra numpy.array = ((10, 20, 30))
Een numpy array maken
De volgende regel maakt een array,
arra = numpy.arange (3)
Dit is net als het bereik in python. Hiermee maakt u een reeks met grootte 3.
Enkele basisfuncties die kunnen worden gebruikt met een numerieke array
Laten we eens kijken welke functies we kunnen gebruiken met array en hun doel
Importeer numpy als numpy
ARRC numpy.array = (((10, 20, 30), (40, 50, 60)))
arrC.reshape (3, 2)
Uitgang: arrayC (((10, 20),
(30, 40), (50, 60)))De functie Vorm wijzigen wijzigt het aantal kolommen en rijen, dus na het opnieuw vormen van de array krijgt u een nieuwe weergave met het andere aantal kolommen en rijen.
Enkele wiskundige functies in Numpy
Er zijn wiskundige functies die kunnen worden gebruikt met Numpy-arrays. Hieronder volgen enkele voorbeelden,
Importeer numpy als numpy
arra numpy.array = (((1, 2, 3), (4, 5, 6)))
arrB numpy.array = (((7, 8, 9), (10, 11, 12)))
numpy.add (ARRA, arrB)
Deze functie voegt array arrA en arrB toe
Output:
arrayC (((8, 10, 12), (14, 16, 18)))
Waarom zouden we gebruiken?
We gebruiken python numpy array in plaats van een lijst vanwege de onderstaande drie redenen:
- Minder geheugengebruik
- Snelle uitvoering
- Handig om te werken
De allereerste reden om de voorkeur te geven aan python-numpy-arrays is dat er minder geheugen nodig is in vergelijking met de pythonlijst. Dan is het snel in termen van uitvoering en tegelijkertijd is het handig en gemakkelijk om ermee te werken.
Wat kunnen we doen met Numpy?
Ingebouwde ondersteuning voor arrays is niet beschikbaar in python, maar we kunnen pythonlijsten gebruiken als arrays.
arrayA = ('Hallo', 'wereld')
afdrukken (arraya)
Maar het is nog steeds een pythonlijst, geen array.
Dus hier komt Numpy die we kunnen gebruiken om 2D, 3D te maken die multidimensionale arrays zijn. We kunnen ook berekeningen uitvoeren op arrays.
import numpy als num
arr = aantal array ((1, 2, 3, 4, 5, 6))
afdruk (arr)
Maakt array arr.
Vervolgens, voor 2D- en 3D-arrays,
import numpy als num
arr = aantal array (((1, 2, 3, 4, 5), (6, 7, 8, 9, 10, 11)))
afdruk (arr)
–Als u de afmetingen van uw array wilt weten, kunt u eenvoudig de volgende functie gebruiken.
afdrukken (arr.ndim)
–Als u de grootte van een array wilt weten, kunt u eenvoudig de volgende functie gebruiken,
afdruk (arr.size)
–Om de vorm van een array te achterhalen, kunt u de vormfunctie gebruiken.
afdruk (arr.shape)
Het vertelt je het aantal (kol, rijen)
U kunt ook plakken, opnieuw vormen en nog veel meer methoden gebruiken met numpy arrays.
Waarom hebben we nodig?
Om een logische en wiskundige berekening van matrix en matrices te maken, is numpy nodig. Het voert deze bewerkingen veel te efficiënt en sneller uit dan python-lijsten.
voordelen
1. Numpy-arrays nemen minder ruimte in beslag.
De arrays van NumPy zijn kleiner dan Python-lijsten. Een python-lijst kan tot 20 MB groot zijn, terwijl een array 4 MB kan duren. Arrays zijn ook gemakkelijk toegankelijk voor lezen en schrijven.
2. De snelheidsprestaties zijn ook geweldig. Het voert snellere berekeningen uit dan python-lijsten.
Omdat het open-source is, kost het niets en gebruikt het een zeer populaire programmeertaal Python die hoogwaardige bibliotheken heeft voor bijna elke taak. Ook is het eenvoudig om de bestaande C-code aan te sluiten op de Python-interpreter.
Carrière groei
Onder de programmeertalen is Python een trending-technologie in IT. Carrièremogelijkheden in Python nemen snel toe in aantal over de hele wereld. Aangezien python een programmeertaal op hoog niveau is, zorgt Python voor snellere code-leesbaarheid en beknoptheid, met minder regels code. Python is een van de beste tools voor het maken van dynamische scripts op grote en kleine schaal.
Python wordt veel gebruikt in webontwikkeling, schrijven van scripts, testen, ontwikkeling van apps en hun updates. Dus als iemand expert wil zijn in Python, hebben ze veel carrièremogelijkheden, zoals bijvoorbeeld een Python-ontwikkelaar, een Python-tester of zelfs een datawetenschapper.
Conclusie:
Zoals we kunnen zien, is het echt sterk in termen van de hoogwaardige bibliotheekfuncties die het heeft. Iedereen kan grote berekeningen of berekeningen uitvoeren met slechts een paar regels code. Dit maakt het een geweldig hulpmiddel voor verschillende numerieke berekeningen. Als iemand datawetenschapper wil worden, kan hij proberen te masteren in Numpy. Maar eerst moet je python leren en kennen voordat je een expert in Numpy wordt.
Aanbevolen artikelen
Dit is een gids geweest over What is NumPy. Hier bespreken we de functies, voordelen en de carrièregroei van NumPy. U kunt ook de volgende artikelen bekijken voor meer informatie -
- Wat is C?
- Wat is QlikView?
- Wat is Apache Flink?
- Wat is Houdini?
- Begrip pythonlijst
- Verschillende NumPy-gegevenstypen met voorbeelden