A NumPy rövid bemutatása

Néhány alapvető ismerete a NumPy könyvtárról és az ufuncs-ról

A NumPy a Numerical Python rövidítése, és a Piton könyvtár a tömbökkel való munkavégzéshez. Ezen tömbök segítségével a lineáris algebra elemei, például vektorok és mátrixok ábrázolhatók Piton. Mivel a könyvtár nagy része C-ben van írva, nagy mátrixokkal is különösen hatékony és gyors számításokat tud végezni.

Piton különféle adatstruktúrákat kínál, amelyek további könyvtárak nélkül használhatók adatok tárolására. Azonban ezek a szerkezetek, mint pl Python listák, csak nagyon rosszul alkalmasak matematikai műveletekre. Kettő hozzáadása listák A számok elemről elemre történő bontása gyorsan ronthatja a teljesítményt nagy mennyiségű adat kezelésekor.

Ezért fejlesztették ki a NumPy-t, amely lehetőséget kínál a numerikus műveletek gyors és hatékony végrehajtására. Különösen fontosak a lineáris algebra területén végzett számítások, például a mátrixszorzások.

A NumPy, mint sok más könyvtár, közvetlenül telepíthető notebookról a pip segítségével. Ehhez használja a „pip install” parancsot a modul nevével együtt. Ezt a sort egy felkiáltójelnek kell megelőznie, hogy a notebook felismerje, hogy terminálparancsról van szó:

Ha a telepítés sikeres volt, a modul egyszerűen importálható és használható a notebookban. Az „np” rövidítést gyakran használják itt, hogy egy kis időt takarítsunk meg a programozás során, és ne kelljen minden alkalommal megadni a NumPy-t:

A NumPy tömbök érvényes alternatívája a hagyományosnak Python listák. Lehetőséget kínálnak többdimenziós adatgyűjtemények tárolására. A legtöbb esetben a számokat tárolják, és a tömböket vektorként vagy mátrixként használják. Például egy egydimenziós vektor így nézhet ki:

A NumPy tömbök különböző funkciói mellett, amelyekről külön bejegyzésben térünk ki, a lehetséges dimenziók továbbra is fontosak a megkülönböztetés szempontjából:

A következő dimenziókat különböztetjük meg:

• 0D – Tömb: Ez egyszerűen egy skalár, azaz egyetlen szám vagy érték.
• 1D – Tömb: Ez egy vektor, számokból vagy értékekből álló karakterlánc egy dimenzióban.
• 2D – Tömb: Ez a tömbtípus egy mátrix, azaz több 1D — tömb gyűjteménye.
• 3D – Tömb: Több mátrix alkot egy úgynevezett tenzort. Ezekről a cikkünkben részletesebben is kifejtettük TensorFlow.

A forrástól függően számos alapvető különbség van a NumPy tömbök és Python listák. A leggyakrabban említettek között szerepel:

1. Memória fogyasztás: A tömbök úgy vannak programozva, hogy a memória egy bizonyos részét elfoglalják. Ekkor a tömb összes eleme ott található. Az elemei a lista, viszont emlékezetben messze lehet egymástól. Ennek eredményeként a lista több memóriát fogyaszt, mint egy azonos tömb.
2. Sebesség: A tömbök sokkal gyorsabban is feldolgozhatók, mint listák alacsonyabb memóriafelhasználásuk miatt. Ez jelentős különbséget jelenthet a több millió elemet tartalmazó objektumok esetében.
3. Funkcionalitás: A tömbök lényegesen több funkcionalitást kínálnak, például lehetővé teszik az elemenkénti műveleteket, míg a listák nem.

Az úgynevezett „univerzális függvények” (röviden: ufuncs) arra szolgálnak, hogy bizonyos műveleteket ne elemenként kelljen végrehajtani, hanem közvetlenül a teljes tömbre. A számítógépes programozásban az úgynevezett vektorizálásról beszélünk, amikor a parancsokat közvetlenül a teljes vektorra hajtják végre.

Ez nem csak a programozásban sokkal gyorsabb, hanem gyorsabb számításokhoz is vezet. A NumPy-ban számos ilyen univerzális függvény kínálkozik, amelyek különféle műveletekhez használhatók. A legismertebbek közé tartozik:

• Az „add()” segítségével több tömböt is össze lehet foglalni elemenként.
• A „subtract()” ennek pont az ellenkezője, és elemenként vonja ki a tömböt.
• A „multiply()” két tömböt elemenként szoroz meg.
• A „matmul()” két tömb mátrixszorzatát képezi. Vegye figyelembe, hogy a legtöbb esetben ez nem ugyanazt az eredményt adja, mint a „szorzás()”.

• A NumPy a Numerical Python rövidítése, és egy Python-könyvtár a tömbökkel való munkavégzéshez.
• Ezen tömbök segítségével a lineáris algebra elemei, például vektorok és mátrixok ábrázolhatók Pythonban.
• Mivel a könyvtár nagy része C-ben van írva, még nagy mátrixokkal is különösen hatékony és gyors számításokat tud végezni.
• A NumPy tömbök összehasonlíthatók a Python listákkal, de a memóriaigény és a feldolgozási sebesség tekintetében jelentősen felülmúlják őket.

A NumPy rövid bemutatása a https://towardsdatascience.com/3short-introduction-to-numpy-3a65ec23eaba?source=rss—-7f60cf5620c9—4 forrásból újra közzétéve: https://towardsdatascience.com/feed

<!–

->