NumPy, som står för Numerical Python, är ett Python-bibliotek som främst används för att arbeta med arrayer och för att utföra en mängd olika matematiska operationer på dem. Det är kärnbiblioteket för vetenskaplig beräkning i Python. NumPy används ofta med andra Python-bibliotek relaterade till datavetenskap som SciPy, Pandas och Matplotlib.
I den här artikeln kommer du att lära dig hur du utför 12 grundläggande operationer med NumPy.
Använda dessa NumPy-exempel
Du kan köra exemplen i den här artikeln genom att skriva in koden direkt i pythontolken. Starta den i interaktivt läge, från kommandoraden, för att göra det.
Du kan också komma åt en Python Notebook-fil som innehåller den fullständiga källkoden från detta GitHub-förråd.
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 referera till NumPy-paketet som np istället för numpy.
import numpy as np
print(np.__version__)
Produktion:
1.20.1
2. Hur man skapar ett NumPy ndarray-objekt
Arrayobjektet i NumPy anropas ndarray. Du kan skapa NumPy ndarray objekt med hjälp av array() metod. De array() metod accepterar en lista, tuppel 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-array
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:
array(21)
1D-matriser
Arrayer som har 0D-arrayer som element kallas 1D-arrayer.
arrObj = np.array([43, 23, 75, 15])
arrObj
Produktion:
array([43, 23, 75, 15])
2D-matriser
Arrayer som har 1D-arrayer som element kallas 2D-arrayer.
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 array av vilken dimension som helst 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 dimensionerna för en array
Du kan hitta måtten på en array 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:
1
2
3
5. Hur man kommer åt elementen i 1D-, 2D- och 3D-arrayer
Du kan komma åt ett matriselement med hjälp av 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.
6. Hur man kontrollerar datatypen för NumPy Array-objektet
Du kan kontrollera datatypen för NumPy-arrayobjektet med hjälp av dtype fast egendom.
arrObj1 = np.array([1, 2, 3, 4])
arrObj2 = np.array([1.3, 6.8, 3.5, 9.2])
arrObj3 = np.array(['Welcome', 'to', 'MUO'])
print(arrObj1.dtype)
print(arrObj2.dtype)
print(arrObj3.dtype)
Produktion:
int32
float64
<U7
Notera:
NumPy använder följande tecken för att representera de inbyggda datatyperna:
i — heltal (tecken) b — booleskt O — objekt S — sträng u — heltal utan tecken f — float c — komplext flytande m — tidsdelta M — datetime U — unicode-sträng V — rådata (tomt)
7. Hur man ändrar datatypen för en NumPy-array
Du kan ändra datatypen för en NumPy-matris med hjälp av astype(data_typ) metod. Denna metod accepterar datatypen som en parameter och skapar en ny kopia av arrayen. Du kan ange datatypen med tecken som ‘b’ för booleskt, ‘i’ för heltal, ‘f’ för flytande, etc.
Konvertera en heltalsarray till en flytande matris
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 en Integer Array
arrObj = np.array([1.3, 6.8, 3.5, 9.2])
intArr = arrObj.astype('i')
intArr
Produktion:
array([1, 6, 3, 9], dtype=int32)
8. Hur man kopierar en NumPy-array till en annan array
Du kan kopiera en NumPy-array till en annan array med hjälp av np.copy() fungera. Denna funktion returnerar en arraykopia av det givna 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 hänvisar till antalet element i varje dimension. Du kan hitta formen på en array med hjälp av form attribut. Den returnerar en tupel vars element ger längden på motsvarande arraydimensioner.
arrObj = np.array([[12, 43, 21], [67, 32, 98]])
arrObj.shape
Produktion:
(2, 3)
10. Hur man omformar en NumPy-array
Att omforma en array 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 detsamma i båda formerna.
arrObj = np.array([43, 23, 75, 15, 34, 45])
reshapedArr = arrObj.reshape(2, 3)
reshapedArr
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-array
Att platta till en array innebär att konvertera en flerdimensionell array till en 1D-array. Du kan platta till en array med omforma (-1).
arrObj = np.array([[12, 43, 21], [67, 32, 98]])
flattenedArr = arrObj.reshape(-1)
flattenedArr
Produktion:
array([12, 43, 21, 67, 32, 98])
Notera: Du kan också platta till en array med andra metoder som numpy.ndarray.flatten() och numpy.ravel().
12. Hur man sorterar en NumPy-array
Du kan sortera en NumPy-array med hjälp av numpy.sort() fungera.
Sortering av 1D-array av heltal
arrObj = np.array([43, 23, 75, 15])
np.sort(arrObj)
Produktion:
array([15, 23, 43, 75])
Sortera 1D-array av strängar
arrObj = np.array(["Python", "JavaScript", "Solidity", "Golang"])
np.sort(arrObj)
Produktion:
array(['Golang', 'JavaScript', 'Python', 'Solidity'], dtype="<U10")
Sortering av 2D-array av 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 inbyggda metoder och funktioner
Python är ett av de mest populära programmeringsspråken. Det används inom 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.
Om författaren
Yuvraj Chandra (80 artiklar publicerade)
Yuvraj är en datavetenskapsstudent vid University of Delhi, Indien. Han brinner för Full Stack Web Development. När han inte skriver undersöker han djupet i olika teknologier.
Mer från Yuvraj Chandra
Prenumerera på vårt nyhetsbrev
Gå med i vårt nyhetsbrev för tekniska tips, recensioner, free e-böcker och exklusiva erbjudanden!
Klicka här för att prenumerera
