Lyhyt johdatus NumPyyn

Joitakin perustietoja NumPy-kirjastosta ja ufuncsista

NumPy on lyhenne sanoista Numerical Python ja on a Python kirjasto taulukoiden kanssa työskentelemiseen. Näiden taulukoiden avulla voidaan esittää lineaarialgebran elementtejä, kuten vektoreita ja matriiseja. Python. Koska suuri osa kirjastosta on kirjoitettu C-kielellä, se pystyy suorittamaan erityisen tehokkaita ja nopeita laskutoimituksia myös suurilla matriiseilla.

Python tarjoaa erilaisia ​​tietorakenteita, joita voidaan käyttää tietojen tallentamiseen ilman lisäkirjastoja. Kuitenkin nämä rakenteet, kuten Python listat, soveltuvat vain erittäin huonosti matemaattisiin operaatioihin. Lisätään kaksi luettelot Lukujen määrä elementti kerrallaan voi nopeasti haitata suorituskykyä suuria tietomääriä käsiteltäessä.

Tästä syystä NumPy on kehitetty, sillä se tarjoaa mahdollisuuden suorittaa numeerisia operaatioita nopeasti ja tehokkaasti. Erityisen tärkeitä ovat lineaarialgebran alan laskelmat, kuten matriisikertolaskut.

NumPy, kuten monet muutkin kirjastot, voidaan asentaa suoraan muistikirjasta pip:n avulla. Käytä tätä varten komentoa "pip install" yhdessä moduulin nimen kanssa. Tätä riviä edeltää huutomerkki, jotta muistikirja tunnistaa sen olevan päätekomento:

Jos asennus onnistui, moduuli voidaan yksinkertaisesti tuoda ja käyttää muistikirjassa. Lyhennettä "np" käytetään usein tässä säästämään vähän aikaa ohjelmoinnin aikana eikä joutuisi syöttämään NumPy:ta joka kerta:

NumPy-taulukot ovat kelvollinen vaihtoehto tavanomaisille Python listat. Ne tarjoavat mahdollisuuden tallentaa moniulotteisia tietokokoelmia. Useimmissa tapauksissa luvut tallennetaan ja taulukoita käytetään vektoreina tai matriiseina. Esimerkiksi yksiulotteinen vektori voisi näyttää tältä:

NumPy-taulukoiden eri toimintojen lisäksi, joita käsittelemme erillisessä postauksessa, mahdolliset mittasuhteet ovat edelleen tärkeitä erottamisen kannalta:

Seuraavat mittasuhteet erotetaan toisistaan:

• 0D — Joukko: Tämä on yksinkertaisesti skalaari, eli yksittäinen luku tai arvo.
• 1D — Joukko: Tämä on vektori numeroiden tai arvojen merkkijonona yhdessä ulottuvuudessa.
• 2D — Joukko: Tämän tyyppinen taulukko on matriisi, toisin sanoen useiden 1D-taulukoiden kokoelma.
• 3D — Joukko: Useat matriisit muodostavat ns. tensorin. Olemme selostaneet näitä yksityiskohtaisemmin artikkelissamme TensorFlow.

Lähteestä riippuen NumPy-taulukoiden ja -taulukoiden välillä on useita perustavanlaatuisia eroja Python listat. Yleisimmin mainittujen joukossa ovat:

1. Muistin kulutus: Taulukot on ohjelmoitu siten, että ne vievät tietyn osan muistista. Kaikki taulukon elementit sijaitsevat sitten siellä. A:n elementit lista, toisaalta, voivat olla kaukana toisistaan ​​muistissa. Tämän seurauksena a lista kuluttaa enemmän muistia kuin identtinen ryhmä.
2. Nopeus: Taulukot voidaan myös käsitellä paljon nopeammin kuin luettelot alhaisemman muistinkulutuksensa vuoksi. Tällä voi olla merkittävä ero objekteissa, joissa on useita miljoonia elementtejä.
3. Toiminnallisuus: Taulukot tarjoavat huomattavasti enemmän toimintoja, esimerkiksi ne mahdollistavat elementtikohtaiset toiminnot, kun taas listat eivät.

Niin sanottuja yleisfunktioita (lyhyesti: ufuncs) käytetään siihen, ettei tiettyjä toimintoja tarvitse suorittaa elementti kerrallaan, vaan suoraan koko taulukolle. Tietokoneohjelmoinnissa puhutaan niin sanotusta vektoroinnista, kun komennot suoritetaan suoraan koko vektorille.

Tämä ei ole vain paljon nopeampaa ohjelmoinnissa, vaan johtaa myös nopeampiin laskelmiin. NumPyssä on tarjolla useita näistä universaaleista toiminnoista, joita voidaan käyttää erilaisiin toimintoihin. Tunnetuimpia ovat mm.

• "add()":lla voit tiivistää useita taulukoita elementti kerrallaan.
• "subtract()" on täsmälleen päinvastainen ja vähentää taulukon elementtiltä.
• "multiply()" kertoo kaksi taulukkoa elementti kerrallaan.
• "matmul()" muodostaa kahden taulukon matriisitulon. Huomaa, että useimmissa tapauksissa tämä ei anna samaa tulosta kuin "multiply()".

• NumPy on lyhenne sanoista Numerical Python ja on Python-kirjasto taulukoiden kanssa työskentelemiseen.
• Näiden taulukoiden avulla voidaan esittää Pythonissa lineaarialgebran elementtejä, kuten vektoreita ja matriiseja.
• Koska suuri osa kirjastosta on kirjoitettu C-kielellä, se voi suorittaa erityisen tehokkaita ja nopeita laskutoimituksia jopa suurilla matriiseilla.
• NumPy-taulukot ovat verrattavissa Python-listoihin, mutta ovat niitä huomattavasti parempia muistivaatimuksissa ja käsittelynopeudessa.

NumPyn lyhyt esittely julkaistu uudelleen lähteestä https://towardsdatascience.com/3short-introduction-to-numpy-3a65ec23eaba?source=rss—-7f60cf5620c9—4 kautta https://towardsdatascience.com/feed

<!-

->