NumPy kratica za numerični Python. Je knjižnica Python, ki se uporablja za delo z nizom. V Pythonu uporabljamo seznam za matriko, vendar je obdelava počasna. Matrika NumPy je močan N-dimenzionalni matrični objekt in se uporablja v linearni algebri, Fourierjevi transformaciji in zmožnostih naključnih števil. Zagotavlja matrični objekt veliko hitreje kot tradicionalni seznami Python.

Vrste nizov:

1. Enodimenzionalni niz
2. Večdimenzionalni niz

Enodimenzionalni niz:

Enodimenzionalni niz je vrsta linearnega niza.

Enodimenzionalni niz

primer:

# 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)>

java niz v celo število

Izhod:

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

Preverite vrsto podatkov za seznam in matriko:

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

Izhod:

>

Večdimenzionalni niz:

Podatki v večdimenzionalnih nizih so shranjeni v obliki tabele.

Dvodimenzionalni niz

primer:

# 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)>

Izhod:

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

Opomba: uporaba [ ] operatorji znotraj numpy.array() za večdimenzionalne

Anatomija niza:

1. Os: Os matrike opisuje vrstni red indeksiranja v matriki.

Os 0 = enodimenzionalno

Os 1 = dvodimenzionalno

Os 2 = tridimenzionalno

2. Oblika: Število elementov skupaj z vsako osjo. Je iz tuple.

primer:

# 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)>

Izhod:

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

primer:

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)>

Izhod:

shape of the array : (5, 3)>

3. Uvrstitev: Rang matrike je preprosto število osi (ali dimenzij), ki jih ima.

Enodimenzionalni niz ima rang 1.

1. mesto

Dvodimenzionalni niz ima rang 2.

2. mesto

4. Objekti podatkovnega tipa (dtype): Objekti podatkovnega tipa (dtype) so primerek numpy.dtype razred. Opisuje, kako je treba interpretirati bajte v bloku pomnilnika s fiksno velikostjo, ki ustreza elementu matrike.

primer:

# 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)>

Izhod:

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

Nekaj ​​drugačnega načina ustvarjanja Numpy Array:

1. numpy.array() : Objekt Numpy array v Numpy se imenuje ndarray. ndarray lahko ustvarimo z uporabo numpy.array() funkcijo.

Sintaksa: numpy.array(parameter)

primer:

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

Izhod:

Array : [3 4 5 5]>

2. numpy.fromiter() : Funkcija fromiter() ustvari novo enodimenzionalno matriko iz ponovljivega predmeta.

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

Primer 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)>

Izhod:

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

Primer 2:

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

Izhod:

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

3. numpy.arange() : To je vgrajena funkcija NumPy, ki vrne enakomerno razporejene vrednosti v danem intervalu.

Sintaksa: numpy.arange([start, ]stop, [step, ]dtype=None)

primer:

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

Izhod:

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

4. numpy.linspace() : Ta funkcija vrne enakomerno razporejena števila nad določeno med dvema mejama.

Sintaksa: numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)

Primer 1:

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

Izhod:

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

Primer 2:

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

Izhod:

array([ 3, 6, 10])>

5. numpy.empty() : Ta funkcija ustvari novo matriko dane oblike in vrste brez inicializacije vrednosti.

Sintaksa: numpy.empty(shape, dtype=float, order='C')

primer:

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

Izhod:

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

6. numpy.ones(): Ta funkcija se uporablja za pridobitev nove matrike dane oblike in vrste, napolnjene z enicami (1).

Sintaksa: numpy.ones(shape, dtype=None, order='C')

primer:

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

Izhod:

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

7. numpy.zeros() : Ta funkcija se uporablja za pridobitev nove matrike dane oblike in vrste, napolnjene z ničlami ​​(0).

Sintaksa: numpy.ones(oblika, dtype=Brez)

primer:

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

Izhod:

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