Σύντομη εισαγωγή στο NumPy

Μερικές βασικές γνώσεις της βιβλιοθήκης NumPy και του ufuncs

Το NumPy σημαίνει Numerical Python και είναι α Python βιβλιοθήκη για εργασία με πίνακες. Με τη βοήθεια αυτών των πινάκων, στοιχεία από τη γραμμική άλγεβρα, όπως διανύσματα και πίνακες, μπορούν να αναπαρασταθούν σε Python. Δεδομένου ότι ένα μεγάλο μέρος της βιβλιοθήκης είναι γραμμένο σε C, μπορεί να εκτελέσει ιδιαίτερα αποτελεσματικούς και γρήγορους υπολογισμούς ακόμη και με μεγάλους πίνακες.

Python προσφέρει μια ποικιλία από δομές δεδομένων που μπορούν να χρησιμοποιηθούν για την αποθήκευση δεδομένων χωρίς πρόσθετες βιβλιοθήκες. Ωστόσο, αυτές οι δομές, όπως π.χ Λίστες Python, είναι πολύ ελάχιστα κατάλληλα για μαθηματικές πράξεις. Προσθήκη δύο λίστες των αριθμών στοιχείο προς στοιχείο μπορεί γρήγορα να είναι επιζήμια για την απόδοση όταν ασχολούμαστε με μεγάλες ποσότητες δεδομένων.

Για το λόγο αυτό αναπτύχθηκε το NumPy, καθώς προσφέρει τη δυνατότητα πραγματοποίησης αριθμητικών πράξεων γρήγορα και αποτελεσματικά. Ιδιαίτερα σημαντικοί είναι οι υπολογισμοί από το πεδίο της γραμμικής άλγεβρας, όπως οι πολλαπλασιασμοί πινάκων.

Το NumPy, όπως και πολλές άλλες βιβλιοθήκες, μπορεί να εγκατασταθεί απευθείας από ένα σημειωματάριο χρησιμοποιώντας pip. Για να το κάνετε αυτό, χρησιμοποιήστε την εντολή "pip install" μαζί με το όνομα της μονάδας. Αυτή η γραμμή πρέπει να προηγείται από ένα θαυμαστικό, ώστε το σημειωματάριο να αναγνωρίσει ότι είναι μια εντολή τερματικού:

Εάν η εγκατάσταση ήταν επιτυχής, η μονάδα μπορεί απλώς να εισαχθεί και να χρησιμοποιηθεί στο σημειωματάριο. Η συντομογραφία "np" χρησιμοποιείται συχνά εδώ για να εξοικονομήσετε λίγο χρόνο κατά τη διάρκεια του προγραμματισμού και να μην χρειάζεται να εισάγετε το NumPy κάθε φορά:

Οι πίνακες NumPy είναι μια έγκυρη εναλλακτική των συμβατικών Λίστες Python. Προσφέρουν τη δυνατότητα αποθήκευσης πολυδιάστατων συλλογών δεδομένων. Στις περισσότερες περιπτώσεις, οι αριθμοί αποθηκεύονται και οι πίνακες χρησιμοποιούνται ως διανύσματα ή πίνακες. Για παράδειγμα, ένα μονοδιάστατο διάνυσμα θα μπορούσε να μοιάζει με αυτό:

Εκτός από τις διαφορετικές λειτουργίες των συστοιχιών NumPy, τις οποίες θα καλύψουμε σε ξεχωριστή ανάρτηση, οι πιθανές διαστάσεις εξακολουθούν να είναι σημαντικές για τη διαφοροποίηση:

Διακρίνονται οι ακόλουθες διαστάσεις:

• 0D — Πίνακας: Αυτό είναι απλώς ένας βαθμωτός, δηλαδή ένας μεμονωμένος αριθμός ή τιμή.
• 1D — Πίνακας: Αυτό είναι ένα διάνυσμα, ως μια συμβολοσειρά αριθμών ή τιμών σε μία διάσταση.
• 2D — Πίνακας: Αυτός ο τύπος πίνακα είναι ένας πίνακας, δηλαδή μια συλλογή αρκετών 1D — πινάκων.
• 3D — Πίνακας: Αρκετοί πίνακες σχηματίζουν έναν λεγόμενο τανυστή. Τα έχουμε εξηγήσει λεπτομερέστερα στο άρθρο μας για TensorFlow.

Ανάλογα με την πηγή, υπάρχουν αρκετές, θεμελιώδεις διαφορές μεταξύ των συστοιχιών NumPy και Λίστες Python. Μεταξύ των πιο συχνά αναφερόμενων είναι:

1. Κατανάλωση Μνήμης: Οι πίνακες είναι προγραμματισμένοι με τέτοιο τρόπο ώστε να καταλαμβάνουν ένα συγκεκριμένο μέρος της μνήμης. Όλα τα στοιχεία του πίνακα βρίσκονται στη συνέχεια εκεί. Τα στοιχεία του α λίστα, από την άλλη πλευρά, μπορεί να είναι πολύ μακριά στη μνήμη. Ως αποτέλεσμα, α λίστα καταναλώνει περισσότερη μνήμη από έναν πανομοιότυπο πίνακα.
2. Ταχύτητα: Οι πίνακες μπορούν επίσης να υποστούν επεξεργασία πολύ πιο γρήγορα από λίστες λόγω της χαμηλότερης κατανάλωσης μνήμης. Αυτό μπορεί να κάνει σημαντική διαφορά για αντικείμενα με πολλά εκατομμύρια στοιχεία.
3. Λειτουργικότητα: Οι πίνακες προσφέρουν σημαντικά περισσότερες λειτουργίες, για παράδειγμα, επιτρέπουν λειτουργίες στοιχείο προς στοιχείο, ενώ οι λίστες όχι.

Οι λεγόμενες «Καθολικές Συναρτήσεις» (συντομία: ufuncs) χρησιμοποιούνται για να μην χρειάζεται να εκτελούνται ορισμένες λειτουργίες στοιχείο προς στοιχείο, αλλά απευθείας για ολόκληρο τον πίνακα. Στον προγραμματισμό υπολογιστών, μιλάμε για τη λεγόμενη διανυσματοποίηση όταν οι εντολές εκτελούνται απευθείας για ολόκληρο το διάνυσμα.

Αυτό όχι μόνο είναι πολύ πιο γρήγορο στον προγραμματισμό, αλλά οδηγεί και σε ταχύτερους υπολογισμούς. Στο NumPy, προσφέρονται αρκετές από αυτές τις καθολικές λειτουργίες, οι οποίες μπορούν να χρησιμοποιηθούν για μια ποικιλία λειτουργιών. Μεταξύ των πιο γνωστών είναι:

• Με το “add()” μπορείτε να συνοψίσετε αρκετούς πίνακες στοιχείο προς στοιχείο.
• Το "subtract()" είναι το ακριβώς αντίθετο και αφαιρεί το στοιχείο του πίνακα.
• Το "multiply()" πολλαπλασιάζει δύο πίνακες στοιχείο προς στοιχείο.
• Το "matmul()" σχηματίζει το γινόμενο μήτρας δύο πινάκων. Σημειώστε ότι στις περισσότερες περιπτώσεις αυτό δεν θα δώσει το ίδιο αποτέλεσμα με το "multiply()".

• Το NumPy σημαίνει Numerical Python και είναι μια βιβλιοθήκη Python για εργασία με πίνακες.
• Με τη βοήθεια αυτών των πινάκων, στοιχεία από τη γραμμική άλγεβρα, όπως διανύσματα και πίνακες, μπορούν να αναπαρασταθούν στην Python.
• Δεδομένου ότι μεγάλο μέρος της βιβλιοθήκης είναι γραμμένο σε C, μπορεί να εκτελέσει ιδιαίτερα αποτελεσματικούς και γρήγορους υπολογισμούς ακόμη και με μεγάλους πίνακες.
• Οι πίνακες NumPy είναι συγκρίσιμοι με τις λίστες Python αλλά είναι σημαντικά ανώτεροι από αυτούς σε απαιτήσεις μνήμης και ταχύτητα επεξεργασίας.

Σύντομη εισαγωγή στο NumPy Αναδημοσίευση από την Πηγή https://towardsdatascience.com/3short-introduction-to-numpy-3a65ec23eaba?source=rss—-7f60cf5620c9—4 μέσω https://towardsdatascience.com/feed

Si al principi no tens èxit, aleshores el paracaigudisme no és per a tu.

->