Krótkie wprowadzenie do NumPy

Podstawowa wiedza na temat biblioteki NumPy i ufuncs

NumPy oznacza numeryczny Python i jest Python biblioteka do pracy z tablicami. Za pomocą tych tablic elementy algebry liniowej, takie jak wektory i macierze, można przedstawić w postaci Python. Ponieważ duża część biblioteki jest napisana w języku C, może ona wykonywać szczególnie wydajne i szybkie obliczenia nawet przy dużych macierzach.

Python oferuje różnorodne struktury danych, które można wykorzystać do przechowywania danych bez dodatkowych bibliotek. Jednak takie konstrukcje jak np Listy Pythona, bardzo słabo nadają się do operacji matematycznych. Dodanie dwóch wykazy liczb element po elemencie może szybko obniżyć wydajność w przypadku dużych ilości danych.

Z tego powodu opracowano NumPy, ponieważ oferuje możliwość szybkiego i wydajnego wykonywania operacji numerycznych. Szczególnie ważne są obliczenia z zakresu algebry liniowej, takie jak mnożenie macierzy.

NumPy, podobnie jak wiele innych bibliotek, można zainstalować bezpośrednio z notebooka za pomocą pip. Aby to zrobić, użyj polecenia „pip install” wraz z nazwą modułu. Ta linia musi być poprzedzona wykrzyknikiem, aby notatnik rozpoznał, że jest to polecenie terminala:

Jeśli instalacja przebiegła pomyślnie, moduł można po prostu zaimportować i używać w notebooku. Często używany jest tutaj skrót „np”, aby zaoszczędzić trochę czasu w trakcie programowania i nie musieć za każdym razem wpisywać NumPy:

Tablice NumPy są ważną alternatywą dla konwencjonalnych Listy Pythona. Oferują możliwość przechowywania wielowymiarowych zbiorów danych. W większości przypadków liczby są przechowywane, a tablice używane jako wektory lub macierze. Na przykład jednowymiarowy wektor może wyglądać następująco:

Oprócz różnych funkcji tablic NumPy, które omówimy w osobnym poście, możliwe wymiary są nadal ważne dla różnicowania:

Wyróżnia się następujące wymiarowości:

• 0D — tablica: To jest po prostu skalar, czyli pojedyncza liczba lub wartość.
• 1D — tablica: To jest wektor jako ciąg liczb lub wartości w jednym wymiarze.
• 2D — tablica: Ten typ tablicy jest macierzą, czyli zbiorem kilku tablic 1D.
• 3D — tablica: Kilka macierzy tworzy tzw. tensor. Wyjaśniliśmy je bardziej szczegółowo w naszym artykule na temat TensorFlow.

W zależności od źródła istnieje kilka zasadniczych różnic między tablicami NumPy i Listy Pythona. Do najczęściej wymienianych należą:

1. Zużycie pamięci: Tablice są programowane w taki sposób, że zajmują określoną część pamięci. Znajdują się tam wówczas wszystkie elementy tablicy. Elementy A podstęp, z drugiej strony, mogą być daleko od siebie w pamięci. W rezultacie A podstęp zużywa więcej pamięci niż identyczna tablica.
2. Prędkość: Tablice mogą być również przetwarzane znacznie szybciej niż wykazy ze względu na mniejsze zużycie pamięci. Może to mieć istotne znaczenie w przypadku obiektów składających się z kilku milionów elementów.
3. Funkcjonalność: Tablice oferują znacznie więcej funkcjonalności, na przykład umożliwiają operacje element po elemencie, podczas gdy listy nie.

Tak zwane „funkcje uniwersalne” (w skrócie: ufuncs) służą do wykonywania określonych operacji nie element po elemencie, ale bezpośrednio dla całej tablicy. W programowaniu komputerowym mówi się o tzw. wektoryzacji, gdy polecenia wykonywane są bezpośrednio dla całego wektora.

Jest to nie tylko znacznie szybsze w programowaniu, ale także prowadzi do szybszych obliczeń. W NumPy dostępnych jest kilka funkcji uniwersalnych, których można używać do różnych operacji. Do najbardziej znanych należą:

• Za pomocą „add()” możesz podsumować kilka tablic element po elemencie.
• „subtract()” jest dokładnym przeciwieństwem i odejmuje element tablicy element po elemencie.
• „multiply()” mnoży dwie tablice element po elemencie.
• „matmul()” tworzy iloczyn macierzowy dwóch tablic. Należy pamiętać, że w większości przypadków nie da to takiego samego wyniku jak „pomnóż()”.

• NumPy oznacza numeryczny Python i jest biblioteką Pythona do pracy z tablicami.
• Za pomocą tych tablic elementy algebry liniowej, takie jak wektory i macierze, mogą być reprezentowane w Pythonie.
• Ponieważ znaczna część biblioteki jest napisana w języku C, może ona wykonywać szczególnie wydajne i szybkie obliczenia nawet w przypadku dużych macierzy.
• Tablice NumPy są porównywalne z listami Pythona, ale znacznie przewyższają je pod względem wymagań dotyczących pamięci i szybkości przetwarzania.

Krótkie wprowadzenie do NumPy opublikowano ponownie ze źródła https://towardsdatascience.com/3short-introduction-to-numpy-3a65ec23eaba?source=rss—-7f60cf5620c9—4 przez https://towardsdatascience.com/feed

<!–

->