Короткий вступ до NumPy

Деякі базові знання про бібліотеку NumPy та ufuncs

NumPy означає Numerical Python і є a Python бібліотека для роботи з масивами. За допомогою цих масивів елементи лінійної алгебри, такі як вектори та матриці, можуть бути представлені в Python. Оскільки значна частина бібліотеки написана мовою C, вона може виконувати особливо ефективні та швидкі обчислення навіть із великими матрицями.

Python пропонує різноманітні структури даних, які можна використовувати для зберігання даних без додаткових бібліотек. Проте ці структури, як напр Списки Python, лише дуже погано підходять для математичних операцій. Додавання двох списки чисел елемент за елементом може швидко погіршити продуктивність під час роботи з великими обсягами даних.

З цієї причини було розроблено NumPy, оскільки він пропонує можливість швидко та ефективно виконувати числові операції. Особливо важливі обчислення з області лінійної алгебри, такі як множення матриць.

NumPy, як і багато інших бібліотек, можна встановити прямо з блокнота за допомогою pip. Для цього використовуйте команду «pip install» разом із назвою модуля. Перед цим рядком має стояти знак оклику, щоб блокнот розпізнав, що це команда терміналу:

Якщо встановлення пройшло успішно, модуль можна просто імпортувати та використовувати в блокноті. Тут часто використовується абревіатура «np», щоб трохи заощадити час під час програмування і не вводити кожен раз NumPy:

Масиви NumPy є дійсною альтернативою звичайним Списки Python. Вони пропонують можливість зберігати багатовимірні колекції даних. У більшості випадків числа зберігаються, а масиви використовуються як вектори або матриці. Наприклад, одновимірний вектор може виглядати так:

Окрім різних функцій масивів NumPy, які ми розглянемо в окремій публікації, можливі розміри все ще важливі для диференціації:

Розрізняють такі розмірності:

• 0D — масив: Це просто скаляр, тобто одне число або значення.
• 1D — масив: це вектор у вигляді рядка чисел або значень в одному вимірі.
• 2D — масив: Цей тип масиву є матрицею, тобто сукупністю кількох 1D — масивів.
• 3D — масив: Кілька матриць утворюють так званий тензор. Ми пояснили це більш детально в нашій статті TensorFlow.

Залежно від джерела існує кілька принципових відмінностей між масивами NumPy і Списки Python. Серед найбільш часто згадуваних:

1. Споживання пам'яті: масиви запрограмовані таким чином, щоб вони займали певну частину пам'яті. Тоді там розташовуються всі елементи масиву. Елементи a список, з іншого боку, можуть бути далеко одне від одного в пам’яті. В результаті а список споживає більше пам'яті, ніж ідентичний масив.
2. швидкість: масиви також можна обробляти набагато швидше, ніж списки завдяки меншому споживанню пам’яті. Це може істотно змінити об’єкти з кількома мільйонами елементів.
3. Функціональність: Масиви пропонують значно більше функцій, наприклад, вони дозволяють поелементні операції, тоді як списки цього не роблять.

Так звані «універсальні функції» (скорочено: ufuncs) використовуються, щоб не виконувати певні операції елемент за елементом, а безпосередньо для всього масиву. У комп'ютерному програмуванні говорять про так звану векторизацію, коли команди виконуються безпосередньо для всього вектора.

Це не тільки набагато швидше в програмуванні, але також призводить до швидших обчислень. У NumPy пропонується кілька таких універсальних функцій, які можна використовувати для різноманітних операцій. Серед найвідоміших:

• За допомогою «add()» ви можете підсумовувати кілька масивів поелементно.
• «subtract()» є повною протилежністю і віднімає масив поелементно.
• «multiply()» множить два масиви поелементно.
• “matmul()” формує матричний добуток двох масивів. Зауважте, що в більшості випадків це не дасть такого ж результату, як «множити()».

• NumPy розшифровується як Numerical Python і є бібліотекою Python для роботи з масивами.
• За допомогою цих масивів елементи лінійної алгебри, такі як вектори та матриці, можуть бути представлені в Python.
• Оскільки велика частина бібліотеки написана мовою C, вона може виконувати особливо ефективні та швидкі обчислення навіть із великими матрицями.
• Масиви NumPy можна порівняти зі списками Python, але значно перевершують їх у вимогах до пам’яті та швидкості обробки.

Короткий вступ до NumPy Перепубліковано з джерела https://towardsdatascience.com/3short-introduction-to-numpy-3a65ec23eaba?source=rss—-7f60cf5620c9—4 через https://towardsdatascience.com/feed

<!–

->