Kort introduktion till NumPy

Vissa grundläggande kunskaper om NumPy-biblioteket och ufuncs

NumPy står för Numerical Python och är en Python bibliotek för att arbeta med arrayer. Med hjälp av dessa arrayer kan element från linjär algebra, såsom vektorer och matriser, representeras i Python. Eftersom en stor del av biblioteket är skrivet i C kan det utföra särskilt effektiva och snabba beräkningar även med stora matriser.

Python erbjuder en mängd olika datastrukturer som kan användas för att lagra data utan ytterligare bibliotek. Men dessa strukturer, som t.ex Python-listor, är endast mycket dåligt lämpade för matematiska operationer. Lägger till två listor antal siffror element för element kan snabbt vara skadligt för prestanda när man hanterar stora mängder data.

Av denna anledning utvecklades NumPy, eftersom det ger möjlighet att utföra numeriska operationer snabbt och effektivt. Särskilt viktiga är beräkningar från fältet linjär algebra, såsom matrismultiplikationer.

NumPy, som många andra bibliotek, kan installeras direkt från en bärbar dator med hjälp av pip. För att göra detta, använd kommandot "pip install" tillsammans med modulnamnet. Den här raden måste föregås av ett utropstecken så att anteckningsboken känner igen att det är ett terminalkommando:

Om installationen lyckades kan modulen enkelt importeras och användas i den bärbara datorn. Förkortningen "np" används ofta här för att spara lite tid under programmeringen och för att inte behöva ange NumPy varje gång:

NumPy-matriser är ett giltigt alternativ till konventionella Python-listor. De erbjuder möjligheten att lagra flerdimensionella samlingar av data. I de flesta fall lagras siffror och arrayerna används som vektorer eller matriser. Till exempel kan en endimensionell vektor se ut så här:

Förutom de olika funktionerna hos NumPy-arrayer, som vi kommer att täcka i ett separat inlägg, är de möjliga dimensionaliteterna fortfarande viktiga för differentiering:

Följande dimensionaliteter särskiljs:

• 0D — Array: Detta är helt enkelt en skalär, dvs ett enda tal eller värde.
• 1D — Array: Detta är en vektor, som en sträng av tal eller värden i en dimension.
• 2D — Array: Denna typ av array är en matris, det vill säga en samling av flera 1D — arrayer.
• 3D — Array: Flera matriser bildar en så kallad tensor. Vi har förklarat dessa mer i detalj i vår artikel om TensorFlow.

Beroende på källan finns det flera grundläggande skillnader mellan NumPy-matriser och Python-listor. Bland de vanligaste är:

1. Minneskonsumtion: Arrayer är programmerade på ett sådant sätt att de upptar en viss del av minnet. Alla element i arrayen finns sedan där. Elementen i en lista, å andra sidan, kan vara långt ifrån varandra i minnet. Som ett resultat, a lista förbrukar mer minne än en identisk array.
2. Fart: Arrayer kan också bearbetas mycket snabbare än listor på grund av deras lägre minnesförbrukning. Detta kan göra en betydande skillnad för objekt med flera miljoner element.
3. Funktionalitet: Arrayer erbjuder betydligt fler funktioner, till exempel tillåter de element-för-element-operationer, medan listor inte gör det.

De så kallade "Universella funktionerna" (kort: ufuncs) används för att inte behöva utföra vissa operationer element för element, utan direkt för hela arrayen. Inom datorprogrammering talar man om så kallad vektorisering när kommandon exekveras direkt för hela vektorn.

Detta är inte bara mycket snabbare i programmering, utan leder också till snabbare beräkningar. I NumPy erbjuds flera av dessa universella funktioner, som kan användas för en mängd olika operationer. Bland de mest kända är:

• Med "add()" kan du summera flera arrayer element för element.
• "subtract()" är raka motsatsen och subtraherar arrayen element för element.
• "multiply()" multiplicerar två arrayer element för element.
• "matmul()" bildar matrisprodukten av två arrayer. Observera att detta i de flesta fall inte ger samma resultat som "multiply()".

• NumPy står för Numerical Python och är ett Python-bibliotek för att arbeta med arrayer.
• Med hjälp av dessa arrayer kan element från linjär algebra, såsom vektorer och matriser, representeras i Python.
• Eftersom mycket av biblioteket är skrivet i C kan det utföra särskilt effektiva och snabba beräkningar även med stora matriser.
• NumPy-arrayer är jämförbara med Python-listor men är betydligt överlägsna dem i minneskrav och bearbetningshastighet.

Kort introduktion till NumPy återpublicerad från källa https://towardsdatascience.com/3short-introduction-to-numpy-3a65ec23eaba?source=rss—-7f60cf5620c9—4 via https://towardsdatascience.com/feed

<!–

->