Краткое введение в NumPy

Некоторые базовые знания библиотеки NumPy и ufuncs.

NumPy означает числовой Python и представляет собой Питон библиотека для работы с массивами. С помощью этих массивов элементы линейной алгебры, такие как векторы и матрицы, могут быть представлены в виде Питон. Поскольку большая часть библиотеки написана на C, она может выполнять особенно эффективные и быстрые вычисления даже с большими матрицами.

Питон предлагает разнообразные структуры данных, которые можно использовать для хранения данных без дополнительных библиотек. Однако такие структуры, как Списки Python, очень плохо подходят для математических операций. Добавление двух списки Числовых элементов поэлементно может быстро ухудшиться производительность при работе с большими объемами данных.

По этой причине был разработан NumPy, поскольку он предлагает возможность быстро и эффективно выполнять числовые операции. Особенно важны вычисления из области линейной алгебры, такие как умножение матриц.

NumPy, как и многие другие библиотеки, можно установить прямо из блокнота с помощью pip. Для этого используйте команду «pip install» вместе с именем модуля. Этой строке должен предшествовать восклицательный знак, чтобы ноутбук распознал, что это команда терминала:

Если установка прошла успешно, модуль можно просто импортировать и использовать в ноутбуке. Здесь часто используется аббревиатура «np», чтобы сэкономить немного времени в процессе программирования и не вводить каждый раз NumPy:

Массивы NumPy — достойная альтернатива традиционным Списки Python. Они предлагают возможность хранить многомерные коллекции данных. В большинстве случаев числа сохраняются, а массивы используются как векторы или матрицы. Например, одномерный вектор может выглядеть так:

Помимо различных функций массивов NumPy, о которых мы расскажем в отдельной статье, для дифференциации по-прежнему важны возможные размерности:

Различают следующие размерности:

• 0D — Массив: Это просто скаляр, т.е. одно число или значение.
• 1D — Массив: это вектор в виде строки чисел или значений в одном измерении.
• 2D — Массив: Этот тип массива представляет собой матрицу, то есть совокупность нескольких 1D-массивов.
• 3D — Массив: Несколько матриц образуют так называемый тензор. Подробнее об этом мы рассказали в нашей статье о TensorFlow.

В зависимости от источника существует несколько фундаментальных различий между массивами NumPy и Списки Python. Среди наиболее часто упоминаемых:

1. Потребление памяти: Массивы программируются таким образом, что занимают определённую часть памяти. Все элементы массива затем располагаются там. Элементы список, с другой стороны, могут находиться далеко друг от друга в памяти. В результате список потребляет больше памяти, чем идентичный массив.
2. Скорость: Массивы также могут обрабатываться гораздо быстрее, чем списки из-за меньшего потребления памяти. Это может иметь существенное значение для объектов с несколькими миллионами элементов.
3. Функциональность системы: Массивы предлагают значительно больше функций, например, они позволяют выполнять поэлементные операции, тогда как списки этого не делают.

Так называемые «Универсальные функции» (сокращенно: ufuncs) используются для того, чтобы не выполнять определенные операции поэлементно, а непосредственно для всего массива. В компьютерном программировании говорят о так называемой векторизации, когда команды выполняются непосредственно для всего вектора.

Это не только намного быстрее в программировании, но и приводит к более быстрым вычислениям. В NumPy предлагается несколько таких универсальных функций, которые можно использовать для различных операций. Среди наиболее известных:

• С помощью «add()» вы можете суммировать несколько массивов поэлементно.
• «subtract()» является полной противоположностью и вычитает массив элемент за элементом.
• «multiply()» умножает два массива элемент за элементом.
• «matmul()» формирует матричное произведение двух массивов. Обратите внимание, что в большинстве случаев это не даст того же результата, что и «multiply()».

• NumPy означает Numerical Python и представляет собой библиотеку Python для работы с массивами.
• С помощью этих массивов в Python можно представить элементы линейной алгебры, такие как векторы и матрицы.
• Поскольку большая часть библиотеки написана на C, она может выполнять особенно эффективные и быстрые вычисления даже с большими матрицами.
• Массивы NumPy сравнимы со списками Python, но значительно превосходят их по требованиям к памяти и скорости обработки.

Краткое введение в NumPy, опубликованное из источника https://towardsdatascience.com/3short-introduction-to-numpy-3a65ec23eaba?source=rss—-7f60cf5620c9—4 через https://towardsdatascience.com/feed

<!–

->