NumPy — это библиотека языка программирования Python, которая предоставляет удобные инструменты для работы с массивами и выполнения математических операций над ними. С его помощью можно создавать, изменять, фильтровать и анализировать данные в виде массивов, а также выполнять высокопроизводительные вычисления.
Это руководство предназначено для тех, кто только начинает изучать NumPy или хочет обзавестись практическими навыками в создании массивов в Python. Мы рассмотрим основные способы создания массивов с помощью NumPy, а также ознакомимся с некоторыми полезными методами, которые позволят нам эффективно работать с данными в массивах.
Перед началом работы с NumPy, убедитесь, что вы установили его на свое устройство. Установить NumPy достаточно просто — нужно выполнить команду ‘pip install numpy’ в командной строке. После установки NumPy вы сможете начать создавать массивы и проводить с ними различные операции.
Основные понятия
Массив — это упорядоченная коллекция элементов одного типа, расположенных в памяти последовательно, так чтобы их можно было эффективно обрабатывать.
Многомерный массив (также называемый ndarray) — это таблица элементов одного типа, индексируемая кортежем неотрицательных целых чисел. Каждое измерение массива называется осью, а количество осей — рангом массива.
Элемент — это значение внутри массива. Каждый элемент массива имеет свой индекс, определяемый его положением в массиве.
Индексация — процесс доступа к элементам массива по определенному индексу или диапазону индексов. Индексация в Numpy начинается с нуля.
Тип данных — это характеристика, определяющая множество значений, которые могут быть приняты элементами массива. Каждый элемент массива имеет один и тот же тип данных.
Форма массива — это размерность массива, указывающая количество элементов в каждой оси. Форма массива определяется его размерами или длинами осей.
Выравнивание — процесс приведения нескольких массивов к одной и той же форме. Выравнивание нужно для выполнения операций над массивами, требующих одинакового количества элементов в каждой оси.
Создание одномерных массивов
Создание одномерного массива в библиотеке numpy осуществляется с помощью функции numpy.array(). В качестве аргумента этой функции передается список или кортеж элементов, которые будут содержаться в массиве.
Пример создания одномерного массива:
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
print(arr)
Результат выполнения кода:
[1 2 3 4 5]
Таким образом, мы создали одномерный массив с элементами [1, 2, 3, 4, 5].
Также можно создать одномерный массив, указав тип данных элементов. Для этого используется аргумент dtype функции numpy.array(). Например, можно создать массив из чисел с плавающей точкой:
import numpy as np
arr = np.array([1.1, 2.2, 3.3, 4.4, 5.5], dtype=float)
print(arr)
Результат выполнения кода:
[1.1 2.2 3.3 4.4 5.5]
Таким образом, мы создали одномерный массив с элементами [1.1, 2.2, 3.3, 4.4, 5.5] и указали, что тип данных элементов должен быть float.
Также можно создать одномерный массив с помощью функций numpy.arange() или numpy.linspace(). Они позволяют задать диапазон значений элементов массива.
Пример создания одномерного массива с помощью numpy.arange():
import numpy as np
arr = np.arange(1, 10, 2)
print(arr)
Результат выполнения кода:
[1 3 5 7 9]
Таким образом, мы создали одномерный массив с элементами [1, 3, 5, 7, 9], где первый аргумент указывает начало диапазона, второй — конец, а третий — шаг.
Пример создания одномерного массива с помощью numpy.linspace():
import numpy as np
arr = np.linspace(1, 10, 5)
print(arr)
Результат выполнения кода:
[ 1. 3.25 5.5 7.75 10. ]
Таким образом, мы создали одномерный массив с элементами [1.0, 3.25, 5.5, 7.75, 10.0], где первый аргумент указывает начало диапазона, второй — конец, а третий — количество элементов в массиве.
Создание двумерных массивов
Двумерный массив представляет собой таблицу с расположенными в ячейках элементами. В Python существует несколько способов создания таких массивов при помощи библиотеки Numpy.
Первый способ — использование функции numpy.array(). Для создания двумерного массива при вызове функции numpy.array() передаем список списков, каждый из которых представляет строки массива:
import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr)
[[1 2 3]
[4 5 6]
[7 8 9]]
Второй способ — использование функции numpy.zeros(). Данная функция создает двумерный массив, все элементы которого равны нулю:
import numpy as np
arr = np.zeros((3, 3))
print(arr)
[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]]
Третий способ — использование функции numpy.ones(). При вызове функции передаем размерность массива и все элементы будут равны единице:
import numpy as np
arr = np.ones((2, 4))
print(arr)
[[1. 1. 1. 1.]
[1. 1. 1. 1.]]
Четвертый способ — использование функции numpy.eye(). Данная функция создает единичную матрицу заданного размера, в которой все элементы на главной диагонали равны единице, а остальные — нулю:
import numpy as np
arr = np.eye(3)
print(arr)
[[1. 0. 0.]
[0. 1. 0.]
[0. 0. 1.]]
Пятый способ — использование функции numpy.arange(). При вызове функции передаем начальное значение, конечное значение и шаг. Функция создаст одномерный массив в заданном диапазоне значений и затем преобразует его в двумерный массив с помощью функции reshape():
import numpy as np
arr = np.arange(1, 10, 2).reshape(2, 2)
print(arr)
[[1 3]
[5 7]]
Это лишь некоторые из способов создания двумерных массивов в Python с использованием библиотеки Numpy. Выбор способа зависит от вашей конкретной задачи и предпочтений.
Операции с массивами
Массивы в Numpy предоставляют множество операций и функций для работы с данными. В этом разделе мы рассмотрим основные операции с массивами:
— Сложение и вычитание: с помощью операторов «+» и «-» можно выполнять поэлементное сложение и вычитание массивов. Для этого массивы должны иметь одинаковую форму.
— Умножение и деление: с помощью операторов «*» и «/» можно выполнять поэлементное умножение и деление массивов.
— Возведение в степень: с помощью оператора «**» можно возводить все элементы массива в указанную степень.
— Матричное умножение: с помощью функции np.dot() можно выполнять умножение матриц и векторов.
— Транспонирование: с помощью метода .T можно получить транспонированную копию массива.
— Суммирование: с помощью функции np.sum() можно вычислить сумму всех элементов массива. Возможно указывать ось, по которой будет происходить суммирование.
— Нахождение минимума и максимума: с помощью функций np.min() и np.max() можно найти минимальное и максимальное значение в массиве.
— Сортировка: с помощью метода .sort() можно отсортировать элементы массива в порядке возрастания.
— Индексирование: с помощью квадратных скобок можно получить доступ к элементам массива по определенным индексам.
— Присваивание значений: с помощью оператора «=» можно присвоить значения другому массиву или скаляру.
— Изменение формы: с помощью метода .reshape() можно изменить размеры массива или преобразовать его в матрицу.
— Заполнение значениями: с помощью функции np.zeros() можно создать массив заданной формы, заполненный нулями, а с помощью функции np.ones() можно создать массив, заполненный единицами.
Эти операции позволяют выполнять различные преобразования и анализ данных в Python с использованием библиотеки Numpy.
Индексация и срезы
Индексы в массиве NumPy начинаются с нуля. Чтобы получить элемент по индексу, необходимо указать его позицию в квадратных скобках после имени массива.
import numpy as np
array = np.array([1, 2, 3, 4, 5])
element = array[2] # получаем третий элемент
Также можно получить доступ ко многомерным массивам, указывая индексы для каждой размерности через запятую.
import numpy as np
array = np.array([[1, 2, 3], [4, 5, 6]])
element = array[1, 2] # получаем шестой элемент (индексация с 0)
Срезы позволяют выбрать подмассивы из исходного массива по заданным интервалам индексов. Для указания среза необходимо использовать двоеточие.
import numpy as np
array = np.array([1, 2, 3, 4, 5])
subarray = array[1:4] # выбираем элементы с индексами от 1 до 3 (не включая 4)
Срезы могут использоваться и для многомерных массивов. В этом случае для каждой размерности нужно указать интервал индексов.
import numpy as np
array = np.array([[1, 2, 3], [4, 5, 6]])
subarray = array[0:2, 1:3] # выбираем элементы с индексами от 0 до 1 (включительно) по первой размерности
# и от 1 до 2 (включительно) по второй размерности
Индексация и срезы в NumPy предоставляют мощный инструмент для работы с массивами, позволяя выбирать и изменять нужные элементы и подмассивы.
Преобразования массивов
Библиотека NumPy в Python предоставляет мощные инструменты для преобразования массивов. С помощью этих инструментов вы можете изменять форму, размеры и типы данных ваших массивов.
Одним из простых способов изменить форму массива является использование функции reshape(). Эта функция позволяет вам изменить количество строк и столбцов в массиве без изменения его данных. Например, вы можете перевести одномерный массив в двухмерный массив или изменить размеры многомерного массива.
Если вам нужно изменить размеры массива без изменения данных, вы можете использовать функцию resize(). Она позволяет вам изменять размеры массива, добавлять или удалять элементы в массиве. Если новый размер массива больше изначального, новые элементы будут заполнены значениями по умолчанию. Если новый размер массива меньше изначального, элементы будут усечены с конца массива.
Для изменения типа данных массива вы можете использовать функцию astype(). Она позволяет вам преобразовать типы данных, такие как целые числа в числа с плавающей точкой или числа с плавающей точкой в целые числа.
Кроме того, NumPy предлагает и другие мощные инструменты для преобразования массивов, такие как изменение порядка элементов в массиве, объединение нескольких массивов и разделение массивов на подмассивы.
Работа с многомерными массивами
- Одномерный массив — это простой список элементов, имеющих одно измерение.
- Двумерный массив — это таблица, состоящая из строк и столбцов, которые образуют два измерения.
- Многомерные массивы могут иметь любое количество измерений, включая трехмерные и более сложные структуры данных.
Работа с многомерными массивами в NumPy предоставляет мощные инструменты для манипуляции данными. Вы можете выполнять различные операции, такие как создание массивов с определенной размерностью, изменение формы массивов, вычисление статистических показателей, переиндексацию и срезы массивов, а также многое другое.
Основная причина использования многомерных массивов заключается в эффективной обработке и хранении больших объемов данных. Например, при работе с изображениями или аудиофайлами, где каждый пиксель или сэмпл представлен многомерным массивом, используя NumPy, можно легко выполнять операции над всем массивом за одну операцию.
При работе с многомерными массивами важно понимать и управлять размерностью, формой и типом элементов массива. Эти параметры могут влиять на производительность и корректность обработки данных.
В дальнейшем руководстве мы рассмотрим подробнее возможности работы с многомерными массивами в NumPy и приведем примеры их использования.