12 NumPy -operationer för nybörjare

NumPy, som står för Numerical Python, är ett Python -bibliotek som främst används för att arbeta med matriser och för att utföra en mängd olika matematiska operationer på dem. Det är kärnbiblioteket för vetenskaplig databehandling i Python. NumPy används ofta med andra Python -bibliotek relaterade till datavetenskap som SciPy, Pandas och Matplotlib.

I den här artikeln lär du dig hur du utför 12 grundläggande operationer med NumPy.

Använda dessa NumPy -exempel

Du kan köra exemplen i den här artikeln genom att ange koden direkt i pythontolkaren. Starta det i interaktivt läge, från kommandoraden, för att göra det.

Du kan också komma åt en Python Notebook -fil som innehåller hela källkoden från detta GitHub -arkiv.

1. Hur man importerar NumPy som np och skriver ut versionsnumret

Du måste använda importera nyckelord för att importera alla bibliotek i Python. NumPy importeras vanligtvis under np alias. Med detta tillvägagångssätt kan du hänvisa till NumPy -paketet som np istället för numpy.

importera numpy som np
print (np .__ version__)

Produktion:

1.20.1

2. Hur man skapar ett NumPy ndarray -objekt

Arrayobjektet i NumPy kallas ndarray. Du kan skapa NumPy ndarray objekt med hjälp av array () metod. De array () metod accepterar en lista, tupel eller ett arrayliknande objekt.

Använda en Tuple för att skapa en NumPy Array

arrObj = np.array ((23, 32, 65, 85))
arrObj

Produktion:

array ([23, 32, 65, 85])

Använda en lista för att skapa en NumPy -matris

arrObj = np.array ([43, 23, 75, 15])
arrObj

Produktion:

array ([43, 23, 75, 15])

3. Hur man skapar 0D-, 1D-, 2D-, 3D- och N-dimensionella NumPy-matriser

0D -matriser

Varje element i en array är en 0D -array.

arrObj = np.array (21)
arrObj

Produktion:

matris (21)

1D -matriser

Arrays som har 0D -arrays som element kallas 1D -arrays.

arrObj = np.array ([43, 23, 75, 15])
arrObj

Produktion:

array ([43, 23, 75, 15])

2D -matriser

Arrays som har 1D -arrays som element kallas 2D -arrays.

arrObj = np.array ([[12, 43, 21], [67, 32, 98]])
arrObj

Produktion:

array ([[12, 43, 21],
[67, 32, 98]])

3D -matriser

Matriser som har 2D -matriser (matriser) som element kallas 3D -matriser.

arrObj = np.array ([[[23, 45, 22], [45, 76, 23]], [[67, 23, 56], [12, 76, 63]]])
arrObj

Produktion:

array ([[[23, 45, 22],
[45, 76, 23]],
[[67, 23, 56],
[12, 76, 63]]])

n-dimensionella matriser

Du kan skapa en matris av valfri dimension med hjälp av ndmin argument.

arrObj = np.array ([23, 22, 65, 44], ndmin = 5)
arrObj

Produktion:

array ([[[[[23, 22, 65, 44]]]]))

4. Hur man kontrollerar måtten på en matris

Du kan hitta måtten på en matris med hjälp av ndim attribut.

arrObj1 = np.array (21)
arrObj2 = np.array ([43, 23, 75, 15])
arrObj3 = np.array ([[12, 43, 21], [67, 32, 98]])
arrObj4 = np.array ([[[23, 45, 22], [45, 76, 23]], [[67, 23, 56], [12, 76, 63]]])
print (arrObj1.ndim)
print (arrObj2.ndim)
print (arrObj3.ndim)
print (arrObj4.ndim)

Produktion:

0
1
2
3

5. Så här får du tillgång till elementen i 1D-, 2D- och 3D -arrays

Du kan komma åt ett arrayelement med dess indexnummer. För 2D- och 3D-matriser måste du använda kommaseparerade heltal som representerar indexet för varje dimension.

arrObj1 = np.array ([43, 23, 75, 15])
arrObj2 = np.array ([[12, 43, 21], [67, 32, 98]])
arrObj3 = np.array ([[[23, 45, 22], [45, 76, 23]], [[67, 23, 56], [12, 76, 63]]])
print (arrObj1 [2])
print (arrObj2 [0, 2])
print (arrObj3 [0, 1, 2])

Produktion:

75
21
23

Notera: NumPy -matriser stöder också negativ indexering.

Relaterad: Varför Python är framtidens programmeringsspråk

6. Så här kontrollerar du datatypen för NumPy Array -objektet

Du kan kontrollera datatypen för NumPy -arrayobjektet med dtype fast egendom.

arrObj1 = np.array ([1, 2, 3, 4])
arrObj2 = np.array ([1.3, 6.8, 3.5, 9.2])
arrObj3 = np.array (['Välkommen', 'till', 'MUO'])
print (arrObj1.dtype)
skriv ut (arrObj2.dtype)
skriv ut (arrObj3.dtype)

Produktion:

int32
float64

Notera:

NumPy använder följande tecken för att representera de inbyggda datatyperna:

• i - heltal (signerad)
• b - booleskt
• O - objekt
• S - sträng
• u - osignerat heltal
• f - flyta
• c - komplex flottör
• m - timedelta
• M - datetime
• U - unicode -sträng
• V - rådata (ogiltig)

7. Så här ändrar du datatypen för en NumPy -matris

Du kan ändra datatypen för en NumPy -array med astype (data_typ) metod. Denna metod accepterar datatypen som en parameter och skapar en ny kopia av matrisen. Du kan ange datatypen med tecken som 'b' för booleskt, 'i' för heltal, 'f' för float, etc.

Konvertera ett heltalsarray till ett floatarray

arrObj = np.array ([43, 23, 75, 15])
floatArr = arrObj.astype ('f')
floatArr

Produktion:

array ([43., 23., 75., 15.], dtype = float32)

Konvertera en Float Array till ett heltalsarray

arrObj = np.array ([1.3, 6.8, 3.5, 9.2])
intArr = arrObj.astype ('i')
intArr

Produktion:

array ([1, 6, 3, 9], dtype = int32)

Relaterad: Python -projektidéer lämpliga för nybörjare

8. Hur man kopierar ett NumPy -array till ett annat array

Du kan kopiera en NumPy -array till en annan array med hjälp av np.copy () fungera. Denna funktion returnerar en array -kopia av det angivna objektet.

oldArr = np.array ([43, 23, 75, 15])
newArr = np.copy (oldArr)
newArr

Produktion:

array ([43, 23, 75, 15])

9. Hur man hittar formen på en NumPy Array

Formen på en array refererar till antalet element i varje dimension. Du kan hitta formen på en array med form attribut. Det returnerar en tupel vars element ger längden på motsvarande matrisdimensioner.

arrObj = np.array ([[12, 43, 21], [67, 32, 98]])
arrObj.form

Produktion:

(2, 3)

Relaterad: Hur man bygger API: er i Python: Mest populära ramverk

10. Hur man formar om en NumPy Array

Att omforma en matris innebär att ändra dess form. Observera att du inte kan omforma en array till en godtycklig form. Antalet element som krävs för omformning måste vara samma i båda formerna.

arrObj = np.array ([43, 23, 75, 15, 34, 45])
reshapedArr = arrObj.reshape (2, 3)
omformadArr

Produktion:

array ([[43, 23, 75],
[15, 34, 45]])

I exemplet ovan omformas en 1D -array till en 2D -array.

11. Hur man plattar ut en NumPy -matris

Att platta ut en array innebär att man konverterar en flerdimensionell array till en 1D -array. Du kan platta ut en matris med omforma (-1).

arrObj = np.array ([[12, 43, 21], [67, 32, 98]])
flattenedArr = arrObj.reshape (-1)
plattadArr

Produktion:

array ([12, 43, 21, 67, 32, 98])

Notera: Du kan också platta ut en matris med andra metoder som numpy.ndarray.flatten () och numpy.ravel ().

12. Hur man sorterar en NumPy -matris

Du kan sortera en NumPy -array med numpy.sort () fungera.

Sortering av 1D -array med heltal

arrObj = np.array ([43, 23, 75, 15])
np.sort (arrObj)

Produktion:

array ([15, 23, 43, 75])

Sortera 1D Array of Strings

arrObj = np.array (["Python", "JavaScript", "Solidity", "Golang"])
np.sort (arrObj)

Produktion:

array (['Golang', 'JavaScript', 'Python', 'Solidity'], dtype = '

Sortering av 2D -array med heltal

arrObj = np.array ([[12, 43, 21], [67, 32, 98]])
np.sort (arrObj)

Produktion:

array ([[12, 21, 43], [32, 67, 98]])

Gör din kod robust med hjälp av inbyggda metoder och funktioner

Python är ett av de mest populära programmeringsspråken. Det används i olika domäner som webbutveckling, vetenskapliga och numeriska applikationer, mjukvaruutveckling och spelutveckling. Det är alltid bra att veta om inbyggda metoder och funktioner i Python. De kan förkorta din kod och öka dess effektivitet.

20 Python -funktioner du borde veta

Python Standard Library innehåller många funktioner som hjälper dig med dina programmeringsuppgifter. Lär dig mer om de mest användbara och skapa mer robust kod.

Läs Nästa

Om författaren