Для чего нужна библиотека NumPy в Python

python машинное обучение курс, машинное обучение python курс, предобработка данных python, нейронные сети python, обработка естественного языка python, machine learning курсы, задача классификации python, machine learning курсы, python machine learning уроки, курсы по машинному обучению, предобработка данных python, курс машинное обучение на python, открытый курс машинного обучения, бесплатный курс по питон, nlp python, курс машинное обучение на python, курс по подготовке данных

NumPy — это библиотека языка Python, которая добавляет поддержку больших многомерных массивов и матриц, а также высокоуровневых (и очень быстро выполняющихся) математических функций для операций с этими массивами. У данной библиотеки есть несколько важных особенностей, которые сделали ее популярным инструментом. Во-первых, исходный ее код в свободном доступе хранится на GitHub, поэтому NumPy называют open-source модулем для Python. Во-вторых, NumPy написана на языках C и Fortran. Данные языки являются компилируемыми (языки программирования, текст которых преобразуется в машинный код — набор инструкций для конкретного типа процессора. Преобразование происходит с помощью специальной программы-компилятора, благодаря нему вычисления на компилируемых языках происходят быстрее), на которых вычисления производятся гораздо быстрее и эффективнее, чем на интерпретируемых языках (языки программирования, которые не ориентированы под конкретный тип процессора и могут быть запущены на разных платформах). К данной категории языков  также относится язык Python.

Особенности создания массивов NumPy: несколько практических примеров

В библиотеке NumPy существует множество способов создать массив. Один из наиболее простых (и самых популярных) — это создание массива из обычных списков или кортежей с помощью функции numpy.array():

import numpy as np
a = np.array([10, 15, 20])
a  #array([10, 15, 20])

Данная функция также трансформирует вложенные последовательности в многомерные массивы. Это зависит от того, сколько последовательностей было вложено:

b = np.array([[1.5, 2, 3], [4, 5, 6]])
b # array([[1.5, 2. , 3. ], [4. , 5. , 6. ]])

Можно также создавать массивы в NumPy другими способами. Например, можно создать массив состоящий из одних нулей (с помощью функции zeros()) или из одних единиц (с помощью функции ones()). В обоих случаях в качестве аргументов передается кортеж с размерами:

b = np.zeros((3, 5))
b # array([[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.]])
c = np.ones((2, 2))
c # array([[1., 1.], [1., 1.]])

Можно также создать единичную матрицу (двумерный массив) с помощью функции eye():

d = np.eye(5)
d # array([[1., 0., 0., 0., 0.],
[0., 1., 0., 0., 0.],
[0., 0., 1., 0., 0.],
[0., 0., 0., 1., 0.],
[0., 0., 0., 0., 1.]])

Функция empty() создает массив, не заполняя его конкретными значениями. Исходное содержимое случайно и зависит от состояния памяти на момент создания массива (то есть от того мусора, что в ней хранится):

d = np.empty((3, 3))
d # array([[0.000e+000, 0.000e+000, 0.000e+000],
[0.000e+000, 0.000e+000, 8.537e-321],
[0.000e+000, 0.000e+000, 0.000e+000]])

Функция linspace() также позволяет создать массив. В качестве аргументов она принимает диапазон чисел и их количество:

a = np.linspace(0, 3, 9)
a # array([0. , 0.375, 0.75 , 1.125, 1.5 , 1.875, 2.25 , 2.625, 3. ])

Таким образом, благодаря обширным возможностям библиотеки NumPy, в Python существует весьма удобная возможность работы с массивами. Это делает Python универсальным и надежным средством для работы с производительными приложениями, а также с Big Data обработкой.

Computer vision на Python

Код курса
VISI
Ближайшая дата курса
30 января, 2023
Длительность обучения
40 ак.часов
Стоимость обучения
82 500 руб.

Освоить Python на профессиональном уровне в разработчика различных приложений и прочих прикладных областях Data Science вы сможете на практических курсах по Python в нашем лицензированном учебном центре обучения и повышения квалификации ИТ-специалистов в Москве:

Записаться на курс

Смотреть раcписание

 

Источники

  1. https://pythonworld.ru/numpy/1.html

Добавить комментарий

Поиск по сайту