Nội dung chính
Nội dung chính
- Python Numpy là gì?
- NumPy Array
- Numpy cài đặt như thế nào?
- Multi-dimensional numPy array là gì?
- Python NumPy Array v/s List
- Python NumPy Operations
- Tham khảo
- Python Numpy là gì?
- NumPy Array
- Numpy cài đặt như thế nào?
- Multi-dimensional numPy array là gì?
- Python NumPy Array v/s List
- Python NumPy Operations
- Tham khảo
Python Numpy là gì?
NumPy Array
NumPy Array
Numpy cài đặt như thế nào?
Numpy cài đặt như thế nào?
Multi-dimensional numPy array là gì?
Multi-dimensional numPy array là gì?
Python NumPy Array v/s List
Python NumPy Operations
Tham khảo
NumPy là một gói Python là viết tắt của Numerical Python. Đây là thư viện cốt lõi cho scientific computing, nó chứa một đối tượng mảng n chiều mạnh mẽ, cung cấp các công cụ để tích hợp C, C ++, v.v. Nó cũng hữu ích trong đại số tuyến tính, random number capability, ... . NumPy Array cũng có thể được sử dụng như multi-dimensional container hiệu quả cho dữ liệu chung. Bây giờ, hãy xem chính xác một numpy array là gì nha.
Output:
Numpy array là một đối tượng mảng N chiều mạnh mẽ ở dạng hàng và cột. Chúng ta có thể khởi tạo các numpy arrays từ nested Python lists và truy cập các phần tử của nó. Để thực hiện thao tác này, câu hỏi tiếp theo xuất hiện trong đầu bạn là:
Để cài đặt Python NumPy, đi tới command của bạn và nhập vào pip install numpy. Sau khi cài đặt hoàn tất, hãy truy cập IDE của bạn [Ví dụ: PyCharm] và chỉ cần import nó bằng cách nhập: import numpy as np.
Ở đây, tôi có các yếu tố khác nhau được lưu trữ trong các vị trí bộ nhớ tương ứng của chúng. Nó được gọi là hai chiều vì nó có hàng cũng như cột. Trong hình trên, chúng tôi có 3 cột và 4 hàng có sẵn.
Output:
Hãy xem nó được triển khai trong Pycharm như thế nào:
Python NumPy Array v/s List
Python NumPy Operations
- Tham khảo
- NumPy là một gói Python là viết tắt của Numerical Python. Đây là thư viện cốt lõi cho scientific computing, nó chứa một đối tượng mảng n chiều mạnh mẽ, cung cấp các công cụ để tích hợp C, C ++, v.v. Nó cũng hữu ích trong đại số tuyến tính, random number capability, ... . NumPy Array cũng có thể được sử dụng như multi-dimensional container hiệu quả cho dữ liệu chung. Bây giờ, hãy xem chính xác một numpy array là gì nha.
- Numpy array là một đối tượng mảng N chiều mạnh mẽ ở dạng hàng và cột. Chúng ta có thể khởi tạo các numpy arrays từ nested Python lists và truy cập các phần tử của nó. Để thực hiện thao tác này, câu hỏi tiếp theo xuất hiện trong đầu bạn là:
Để cài đặt Python NumPy, đi tới command của bạn và nhập vào pip install numpy. Sau khi cài đặt hoàn tất, hãy truy cập IDE của bạn [Ví dụ: PyCharm] và chỉ cần import nó bằng cách nhập: import numpy as np.
Ở đây, tôi có các yếu tố khác nhau được lưu trữ trong các vị trí bộ nhớ tương ứng của chúng. Nó được gọi là hai chiều vì nó có hàng cũng như cột. Trong hình trên, chúng tôi có 3 cột và 4 hàng có sẵn.
Output:
Hãy xem nó được triển khai trong Pycharm như thế nào:
Single-dimensional Numpy Array:
import numpy as np a=np.array[[1,2,3]] print[a]
[1 2 3]
Output:
Multi-dimensional Array:
a=np.array[[[1,2,3],[4,5,6]]] print[a]
[[1 2 3] [4 5 6]]
Python NumPy Operations
Tham khảo Số chiều của mảng.
NumPy là một gói Python là viết tắt của Numerical Python. Đây là thư viện cốt lõi cho scientific computing, nó chứa một đối tượng mảng n chiều mạnh mẽ, cung cấp các công cụ để tích hợp C, C ++, v.v. Nó cũng hữu ích trong đại số tuyến tính, random number capability, ... . NumPy Array cũng có thể được sử dụng như multi-dimensional container hiệu quả cho dữ liệu chung. Bây giờ, hãy xem chính xác một numpy array là gì nha.
Output:
2
Numpy array là một đối tượng mảng N chiều mạnh mẽ ở dạng hàng và cột. Chúng ta có thể khởi tạo các numpy arrays từ nested Python lists và truy cập các phần tử của nó. Để thực hiện thao tác này, câu hỏi tiếp theo xuất hiện trong đầu bạn là:
Để cài đặt Python NumPy, đi tới command của bạn và nhập vào pip install numpy. Sau khi cài đặt hoàn tất, hãy truy cập IDE của bạn [Ví dụ: PyCharm] và chỉ cần import nó bằng cách nhập: import numpy as np. Độ dài của một phần tử mảng tính bằng byte.
Ở đây, tôi có các yếu tố khác nhau được lưu trữ trong các vị trí bộ nhớ tương ứng của chúng. Nó được gọi là hai chiều vì nó có hàng cũng như cột. Trong hình trên, chúng tôi có 3 cột và 4 hàng có sẵn.
Output:
8
Hãy xem nó được triển khai trong Pycharm như thế nào: data type của phần tử
Single-dimensional Numpy Array:
Output:
import numpy as np a=np.array[[1,2,3]] print[a]
[1 2 3] Tương tự, bạn có thể tìm thấy kích thước và hình dạng của mảng bằng cách sử dụng hàm size và shape tương ứng.
Multi-dimensional Array:
Output:
a=np.array[[[1,2,3],[4,5,6]]] print[a]
[[1 2 3] [4 5 6]] Cung cấp một hình dạng mới cho một mảng mà không thay đổi dữ liệu của nó.
Chúng tôi sử dụng numpy array thay vì một list vì ba lý do dưới đây:
Output:
Bộ nhớ ít hơn
Nhanh trích xuất tập hợp các phần tử cụ thể từ một mảng.
Tiện lợi
import numpy as np a=np.array[[[1,2,3,4],[3,4,5,6]]] print[a[0,2]]
Output:
3
Ở đây, mảng [1,2,3,4] là chỉ số 0 của bạn và [3,4,5,6] là chỉ số 1 của numpy array. Do đó, chúng tôi đã in phần tử thứ hai từ chỉ mục 0. Tiến lên một bước, hãy để nói rằng chúng ta cần phần tử thứ 2 từ chỉ số 0 và chỉ mục đầu tiên của mảng. Hãy để xem cách bạn có thể thực hiện thao tác này:
import numpy as np a=np.array[[[1,2,3,4],[3,4,5,6]]] print[a[0:,2]]
Output:
[3 5]
Ở đây dấu hai chấm đại diện cho tất cả các hàng, bao gồm 0. Bây giờ để có được phần tử thứ 2, chúng tôi sẽ gọi chỉ số 2 từ cả hai hàng cung cấp cho chúng tôi giá trị 3 và 5 tương ứng.
Tiếp theo, chỉ để loại bỏ sự nhầm lẫn, chúng tôi có thêm một hàng và chúng tôi không muốn nhận phần tử thứ 2 của nó như hình ảnh trên. Chúng ta có thể làm gì trong trường hợp như vậy? Hãy xem xét mã dưới đây:
import numpy as np a=np.array[[[8,9],[10,11],[12,13]]] print[a[0:2,1]]
Output:
[9 11]
Như bạn có thể thấy trong đoạn mã trên, chỉ có 9 và 11 được in. Bây giờ khi tôi đã viết 0: 2, điều này không bao gồm chỉ mục thứ hai của hàng thứ ba của một mảng. Do đó, chỉ 9 và 11 được in ra.
7. linspace: Trả về các số cách đều nhau trong một khoảng thời gian xác định. Trả về các số cách đều nhau trong một khoảng thời gian xác định.
import numpy as np a=np.linspace[1,3,10] print[a]
Output:
[1. 1.22222222 1.44444444 1.66666667 1.88888889 2.11111111 2.33333333 2.55555556 2.77777778 3. ]
Như bạn có thể thấy trong kết quả, nó đã in 10 giá trị từ 1 đến 3 cách đều nhau.
8. max/ min: tìm mức tối thiểu, tối đa cũng như tổng của numpy array. tìm mức tối thiểu, tối đa cũng như tổng của numpy array.
import numpy as np a= np.array[[1,2,3]] print[a.min[]] print[a.max[]] print[a.sum[]]
Output:
1 3 6
Bạn phải tìm hiểu những thứ này khá cơ bản này, với sự giúp đỡ của kiến thức này, bạn cũng có thể thực hiện nhiều nhiệm vụ lớn hơn. Bây giờ, hãy hiểu khái niệm trục [axis] trong python numpy.
Như bạn có thể thấy trong hình, chúng ta có một mảng 2 * 3 gọn gàng. Ở đây các hàng được gọi là trục 1 và các cột được gọi là trục 0. Bây giờ bạn phải tự hỏi việc sử dụng các trục này là gì?
Giả sử bạn muốn tính tổng của tất cả các cột, thì bạn có thể sử dụng trục. Hãy để tôi chỉ cho bạn thực tế, cách bạn có thể triển khai trục trong PyCharm của mình:
import numpy as np a= np.array[[[1,2,3],[3,4,5]]] print[a.sum[axis=0]]
Output:
[4 6 8]
Do đó, tổng của tất cả các cột được thêm vào trong đó 1 + 3 = 4, 2 + 4 = 6 và 3 + 5 = 8. Tương tự, nếu bạn thay thế trục bằng 1, thì nó sẽ in [6 12] trong đó tất cả các hàng được thêm vào.
9. Square Root & Standard Deviation: Có nhiều hàm toán học khác nhau có thể được thực hiện bằng cách sử dụng python numpy. Bạn có thể tìm thấy căn bậc hai, độ lệch chuẩn của mảng.
Có nhiều hàm toán học khác nhau có thể được thực hiện bằng cách sử dụng python numpy. Bạn có thể tìm thấy căn bậc hai, độ lệch chuẩn của mảng.
import numpy as np a=np.array[[[1,2,3],[3,4,5,]]] print[np.sqrt[a]] print[np.std[a]]
Output:
[[1. 1.41421356 1.73205081] [1.73205081 2. 2.23606798]] 1.2909944487358056
Như bạn có thể thấy đầu ra ở trên, căn bậc hai của tất cả các yếu tố được in. Ngoài ra, độ lệch chuẩn được in cho mảng trên, tức là mỗi phần tử thay đổi bao nhiêu so với giá trị trung bình của numpy array.
10.Addition Operation:
Bạn có thể thực hiện nhiều thao tác hơn trên numpy array, tức là phép trừ, phép nhân và phép chia của hai ma trận. Hãy để tôi đi trước trong hướng dẫn numpy python, và hiển thị nó :
import numpy as np x= np.array[[[1,2,3],[3,4,5]]] y= np.array[[[1,2,3],[3,4,5]]] print[x+y]
Output:
[[ 2 4 6] [ 6 8 10]]
Điều này cực kỳ đơn giản! Đúng? Tương tự, chúng ta có thể thực hiện các hoạt động khác như trừ, nhân và chia. Hãy xem xét ví dụ dưới đây:
import numpy as np x= np.array[[[1,2,3],[3,4,5]]] y= np.array[[[1,2,3],[3,4,5]]] print[x-y] print[x*y] print[x/y]
Output:
[[0 0 0] [0 0 0]] [[ 1 4 9] [ 9 16 25]] [[1 1 1] [1 1 1]]
11. Vertical & Horizontal Stacking:
Tiếp theo, nếu bạn muốn nối hai mảng và không chỉ thêm chúng, bạn có thể thực hiện nó bằng hai cách - xếp chồng dọc và xếp chồng ngang.
import numpy as np x= np.array[[[1,2,3],[3,4,5]]] y= np.array[[[1,2,3],[3,4,5]]] print[np.vstack[[x,y]]] print[np.hstack[[x,y]]]
Output:
[[1 2 3] [3 4 5] [1 2 3] [3 4 5]] [[1 2 3 1 2 3] [3 4 5 3 4 5]]
12. ravel:
Có một hoạt động nữa trong đó bạn có thể chuyển đổi một numpy array thành một cột duy nhất.
import numpy as np x= np.array[[[1,2,3],[3,4,5]]] print[x.ravel[]]
Output:
[1 2 3 3 4 5]
Hi vọng với những chia sẻ trên có thể giúp ích cho bạn. Cảm ơn các bạn đã đọc bài viết
Tham khảo
//www.edureka.co/blog/python-numpy-tutorial/