Introduksjon til NumPy
NumPy er en åpen kildekode med python. Det kan brukes til vitenskapelig og numerisk databehandling. Det meste brukes til mer effektiv beregning av matriser. Den er basert og skrevet i C og Python. Det er en pythonpakke og ordet Numpy betyr numerisk Python. Den brukes hovedsakelig til prosessering av homogen flerdimensjonal matrise. Det er et kjernebibliotek for vitenskapelige beregninger. Derfor har den kraftige flerdimensjonale matriseobjekter og integrerende verktøy som er nyttige når du arbeider med disse matriser. Det er viktig i nesten all vitenskapelig programmering i python, som inkluderer maskinlæring, statistikk, bioinformatikk, etc. Det gir litt god funksjonalitet som er veldig godt skrevet og kjører effektivt. Det er mest fokusert på å utføre matematiske operasjoner på sammenhengende matriser omtrent som matriser som du har på lavere nivå språk som C. Med andre ord brukes det i manipulering av numeriske data. På grunn av det kan python brukes som et alternativ til MATLAB.
Forstå Numpy
Et av de mest brukte bibliotekene i Python er Numpy. Datavitenskapsteknikker trenger arbeidet med store matriser og matriser i stor størrelse, og tung numerisk beregning må gjøres for å hente ut nyttig informasjon fra det, noe som gjøres enkelt ved å samle forskjellige matematiske funksjoner under NumPy.Det er det grunnleggende men likevel viktig bibliotek for det meste av vitenskapelig databehandling i Python, også noen andre biblioteker er avhengige av NumPy-matriser som deres grunnleggende innganger og utganger. Den gir også funksjoner som gjør det mulig for utviklere å utføre grunnleggende så vel som avanserte matematiske og statistiske funksjoner på flerdimensjonale matriser og matriser med veldig mindre antall kodelinjer. 'ndarray' eller n-dimensjonal array-datastruktur er hovedfunksjonaliteten til Numpy. Disse matriser er homogene, og alle elementene i matrisen må være av samme type.
NumPy-matriser er raskere sammenlignet med Python-lister. Men python-lister er mer fleksible enn numpy-matriser, siden du bare kan lagre samme datatype i hver kolonne.
Funksjoner -
- Det er en kombinasjon av C og python
- Flerdimensjonale homogene matriser. Ndarray som er en dimensjonal matrise
- Ulike funksjoner for matriser.
- Omforming av matriser Python kan brukes som et alternativ til MATLAB.
Hvordan gjør numpy det å jobbe så enkelt?
Du kan enkelt lage homogene matriser og utføre forskjellige operasjoner på det som,
- Importer den ved å bruke følgende kommando, importer numpy som numpy.
NumPy n-dimensjonal matrise
En av de viktigste funksjonene i Numpy er en n-dimensjonal matrise som er nd-array. Antall dimensjoner på en matrise er bare array rangering. Her er noen eksempler. Arra = numpy.array ((10, 20, 30))
Opprette en numpy matrise-
Følgende linje oppretter en matrise,
Arra = numpy.arange (3)
Dette er akkurat som området i python. Dette vil lage en rekke størrelse 3.
Noen grunnleggende funksjoner som kan brukes med numpy array
La oss ta en titt på hvilke funksjoner vi kan bruke med matrise og deres formål
Importer numpy som numpy
ARRC = numpy.array (((10, 20, 30), (40, 50, 60)))
arrC.reshape (3, 2)
Utgang: matriseC (((10, 20),
(30, 40), (50, 60)))Omformingsfunksjon endrer antall kolonner og rader, så etter omforming av matrisen vil du få en ny visning med forskjellige antall kolonner og rader.
Noen matematiske funksjoner i Numpy
Det er matematiske funksjoner som kan brukes med Numpy-matriser. Nedenfor er noen eksempler,
Importer numpy som numpy
Arra = numpy.array (((1, 2, 3) (4, 5, 6)))
arrB = numpy.array (((7, 8, 9), (10, 11, 12)))
numpy.add (Arra, arrB)
Denne funksjonen legger til array arrA og arrB
Produksjon:
matriseC (((8, 10, 12), (14, 16, 18)))
Hvorfor skal vi bruke?
Vi bruker python numpy array i stedet for en liste på grunn av de tre grunnene nedenfor:
- Mindre minnebruk
- Rask ytelse
- Praktisk å jobbe
Den aller første grunnen til å foretrekke python numpy-matriser er at det tar mindre minne sammenlignet med python-listen. Deretter er det raskt når det gjelder utførelse, og samtidig er det praktisk og enkelt å jobbe med det.
Hva kan vi gjøre med Numpy?
Innebygd støtte for Arrays er ikke tilgjengelig i python, men vi kan bruke python-lister som matriser.
arrayA = ('Hei', 'verden')
ut (Arraya)
Men det er fremdeles en pytonliste, ikke en matrise.
Så her kommer Numpy som vi kan bruke til å lage 2D, 3D som er flerdimensjonale matriser. Vi kan også gjøre beregninger på matriser.
importer numpy som num
arr = num.array ((1, 2, 3, 4, 5, 6))
print (arr)
Oppretter array arr.
Deretter for 2D- og 3D-matriser,
importer numpy som num
arr = num.array (((1, 2, 3, 4, 5), (6, 7, 8, 9, 10, 11)))
print (arr)
–Hvis du vil vite dimensjonene til matrisen din, kan du ganske enkelt bruke følgende funksjon.
ut (arr.ndim)
–Hvis du vil finne ut størrelsen på en matrise, kan du ganske enkelt bruke følgende funksjon,
print (arr.size)
–For å finne ut formen til en matrise, kan du bruke formfunksjon.
print (arr.shape)
Det vil fortelle deg antall (col, rader)
Du kan også bruke snitt, omforming og mange flere metoder med numpy-matriser.
Hvorfor trenger vi?
For å lage en logisk og matematisk beregning av matrise og matriser er det behov for numpy. Den utfører disse operasjonene altfor effektive og raskere enn pythonlister.
Fordeler
1. Numpy matriser tar mindre plass.
NumPys matriser er mindre i størrelse enn Python-lister. En python-liste kan ta opptil 20 MB størrelse, mens en matrise kan ta 4 MB. Det er også lett tilgjengelig matriser for lesing og skriving.
2. Hastighetsytelsen er også stor. Den utfører raskere beregninger enn pytonlister.
Ettersom det er åpen kildekode, koster det ikke noe, og det bruker et veldig populært programmeringsspråk Python som har biblioteker av høy kvalitet til nesten alle oppgaver. Det er også enkelt å koble den eksisterende C-koden til Python-tolken.
Karrierevekst
Blant programmeringsspråk er Python en trendteknologi innen IT. Karrieremulighetene i Python øker raskt i antall over hele verden. Siden python er et programmeringsspråk på høyt nivå, ser Python på raskere kodelesbarhet og konsisthet, med mindre kodelinjer. Python er et av de beste verktøyene for å lage dynamiske skript i store og små omfang.
Python er bredt brukt i webutvikling, skriving av manus, testing, utvikling av apper og oppdateringer av disse. Så hvis noen ønsker å være ekspert på Python, har de mange karrieremuligheter, som en kan være python-utvikler, python-tester eller til og med en dataforsker.
Konklusjon:
Nå som vi kan se, er det veldig sterkt når det gjelder bibliotekfunksjonene av høy kvalitet. Alle kan utføre store beregninger eller beregninger med bare noen få kodelinjer. Det er dette som gjør det til et flott verktøy for forskjellige numeriske beregninger. Hvis noen ønsker å bli dataforsker, kan de prøve å mestre i Numpy. Men først må du lære og kjenne python før du blir ekspert på Numpy.
Anbefalte artikler
Dette har vært en guide for Hva er NumPy. Her diskuterer vi funksjoner, fordeler og karrierevekst av NumPy. Du kan også se på følgende artikler for å lære mer -
- Hva er C?
- Hva er QlikView?
- Hva er Apache Flink?
- Hva er Houdini?
- Forståelse av Python-listen
- Ulike NumPy-datatyper med eksempler