NumPy'ye Kısa Giriş

NumPy kütüphanesi ve işlevleri hakkında bazı temel bilgiler

NumPy, Sayısal Python anlamına gelir ve Python Dizilerle çalışmak için kütüphane. Bu dizilerin yardımıyla vektörler ve matrisler gibi doğrusal cebirin elemanları şu şekilde temsil edilebilir: Python. Kütüphanenin büyük bir kısmı C dilinde yazıldığı için büyük matrislerde bile özellikle verimli ve hızlı hesaplamalar yapabilmektedir.

Python ek kitaplıklar olmadan verileri depolamak için kullanılabilecek çeşitli veri yapıları sunar. Ancak bu yapılar gibi Python listeleri, matematiksel işlemler için çok az uygundur. İki ekleme listeler Büyük miktarlarda veriyle uğraşırken sayıların öğe öğe olarak kullanılması, performans açısından hızlı bir şekilde zararlı olabilir.

Bu nedenle sayısal işlemleri hızlı ve verimli bir şekilde gerçekleştirme olanağı sunduğu için NumPy geliştirildi. Matris çarpımları gibi doğrusal cebir alanındaki hesaplamalar özellikle önemlidir.

NumPy, diğer birçok kütüphane gibi pip kullanılarak doğrudan bir dizüstü bilgisayardan kurulabilir. Bunu yapmak için modül adıyla birlikte “pip install” komutunu kullanın. Dizüstü bilgisayarın bunun bir terminal komutu olduğunu anlayabilmesi için bu satırın önüne bir ünlem işareti gelmelidir:

Kurulum başarılı olursa modül kolayca içe aktarılabilir ve dizüstü bilgisayara kullanılabilir. Burada programlama sırasında biraz zaman kazanmak ve her seferinde NumPy'ye girmek zorunda kalmamak için "np" kısaltması sıklıkla kullanılır:

NumPy dizileri geleneksel dizilere geçerli bir alternatiftir Python listeleri. Çok boyutlu veri koleksiyonlarını saklama olanağı sunarlar. Çoğu durumda sayılar saklanır ve diziler vektör veya matris olarak kullanılır. Örneğin, tek boyutlu bir vektör şöyle görünebilir:

Ayrı bir yazıda ele alacağımız NumPy dizilerinin farklı işlevlerinin yanı sıra olası boyutlar da farklılaşma için önemlidir:

Aşağıdaki boyutlar ayırt edilir:

• 0D — Dizi: Bu sadece bir skalerdir, yani tek bir sayı veya değerdir.
• 1D — Dizi: Bu, tek boyutlu bir sayı veya değer dizisi olarak bir vektördür.
• 2D — Dizi: Bu dizi türü bir matristir, yani birkaç 1D diziden oluşan bir koleksiyondur.
• 3D — Dizi: Birkaç matris tensör adı verilen bir yapı oluşturur. Bunları yazımızda daha detaylı anlattık. TensorFlow.

Kaynağa bağlı olarak NumPy dizileri ile NumPy dizileri arasında birkaç temel fark vardır. Python listeleri. En sık bahsedilenler arasında şunlar yer alır:

1. Hafıza Tüketimi: Diziler hafızanın belirli bir kısmını işgal edecek şekilde programlanır. Dizinin tüm elemanları daha sonra orada bulunur. Bir'in unsurları listeÖte yandan hafızada birbirinden çok uzak olabilir. Sonuç olarak, bir liste aynı diziden daha fazla bellek tüketir.
2. hız: Diziler aynı zamanda çok daha hızlı işlenebilmektedir. listeler Daha düşük bellek tüketimi nedeniyle. Bu, birkaç milyon öğeye sahip nesneler için önemli bir fark yaratabilir.
3. İşlevsellik: Diziler önemli ölçüde daha fazla işlevsellik sunar; örneğin, öğe bazında işlemlere izin verirken listeler bunu yapmaz.

"Evrensel Fonksiyonlar" (kısacası: ufuncs) olarak adlandırılan işlevler, belirli işlemleri tek tek değil, doğrudan dizinin tamamı için yürütmek için kullanılır. Bilgisayar programlamada, komutlar doğrudan vektörün tamamı için yürütüldüğünde, vektörleştirme adı verilen bir şeyden söz edilir.

Bu sadece programlamada çok daha hızlı olmakla kalmaz, aynı zamanda daha hızlı hesaplamalara da yol açar. NumPy'de çeşitli işlemler için kullanılabilen bu Evrensel İşlevlerin birçoğu sunulmaktadır. En çok bilinenler arasında şunlar yer alır:

• “Add()” ile birden fazla diziyi öğe öğe özetleyebilirsiniz.
• “çıkarma()” tam tersidir ve diziyi öğe öğe çıkarır.
• “multiply()” iki diziyi öğe öğe çarpar.
• “matmul()” iki dizinin matris çarpımını oluşturur. Çoğu durumda bunun "çarpma()" ile aynı sonucu vermeyeceğini unutmayın.

• NumPy, Sayısal Python anlamına gelir ve dizilerle çalışmaya yönelik bir Python kütüphanesidir.
• Bu dizilerin yardımıyla vektörler ve matrisler gibi doğrusal cebirin elemanları Python'da temsil edilebilir.
• Kütüphanenin büyük bir kısmı C dilinde yazıldığından, büyük matrislerle bile özellikle verimli ve hızlı hesaplamalar gerçekleştirebilir.
• NumPy dizileri Python listeleriyle karşılaştırılabilir ancak bellek gereksinimleri ve işlem hızı açısından onlardan önemli ölçüde üstündür.

NumPy'ye Kısa Giriş, Kaynaktan Yayınlanmıştır https://towardsdatascience.com/3short-introduction-to-numpy-3a65ec23eaba?source=rss—-7f60cf5620c9—4 https://towardsdatascience.com/feed aracılığıyla

<!–

->