Introduktion till NumPy
NumPy är ett open source-paket med python. Det kan användas för vetenskaplig och numerisk beräkning. Det används oftast för mer effektiv beräkning av matriser. Det är baserat och skrivet i C och Python. Det är ett pythonpaket och ordet Numpy betyder numerisk Python. Det används främst för bearbetning av homogen multidimensionell matris. Det är ett kärnbibliotek för vetenskapliga beräkningar. Därför har den kraftfulla flerdimensionella arrayobjekt och integreringsverktyg som är användbara när du arbetar med dessa matriser. Det är viktigt i nästan varje vetenskaplig programmering i python, som inkluderar maskininlärning, statistik, bioinformatik, etc. Det ger en riktigt bra funktionalitet som är mycket välskrivet och fungerar effektivt. Det är mest fokuserat på att utföra matematiska operationer på sammanhängande matriser ungefär som de matriser som du har på lägre språk som C. Med andra ord används det i manipulering av numeriska data. På grund av det kan python användas som ett alternativ till MATLAB.
Förstå Numpy
Ett av de mest använda biblioteken i Python är Numpy. Datavetenskapstekniker behöver arbetet med stora matriser och matriser och tung numerisk beräkning måste göras för att extrahera användbar information från det, vilket görs enkelt genom att samla olika matematiska funktioner under NumPy.Det är det grundläggande men ändå viktigt bibliotek för de flesta av de vetenskapliga beräkningarna i Python, även vissa andra bibliotek är beroende av NumPy-matriser som deras grundläggande in- och utgångar. Den tillhandahåller också funktioner som gör det möjligt för utvecklare att utföra såväl grundläggande som avancerade matematiska och statistiska funktioner på flerdimensionella matriser och matriser med mycket mindre antal kodrader. "ndarray" eller n-dimensionell matrisdatastruktur är huvudfunktionen för Numpy. Dessa matriser är homogena och alla element i matrisen måste vara av samma typ.
NumPy-matriser är snabbare jämfört med Python-listor. Men pythonlistor är mer flexibla än upptäckta matriser eftersom du bara kan lagra samma datatyp i varje kolumn.
Funktioner -
- Det är en kombination av C och python
- Multidimensionella homogena matriser. Ndarray som är en ndimensionell matris
- Olika funktioner för matriser.
- Omformning av matriser Python kan användas som ett alternativ till MATLAB.
Hur gör numpy att arbeta så enkelt?
Du kan enkelt skapa homogena matriser och utföra olika operationer på det som,
- Importera det med följande kommando, importera numpy som numpy.
NumPy n-dimensionell matris
En av de viktigaste funktionerna i Numpy är en n-dimensionell matris som är nd-array. Antalet dimensioner på en matris är inget annat än array rank. Här är några exempel. ARRA = numpy.array ((10, 20, 30))
Skapa en numpy matris-
Följande rad skapar en matris,
ARRA = numpy.arange (3)
Detta är precis som i python. Detta skapar en matris med storlek 3.
Några grundläggande funktioner som kan användas med numpy array
Låt oss ta en titt på vilka funktioner vi kan använda med array och deras syfte
Importera numpy som numpy
ARRC = numpy.array (((10, 20, 30), (40, 50, 60)))
arrC.reshape (3, 2)
Utgång: matrisC (((10, 20),
(30, 40), (50, 60)))Omformningsfunktion ändrar antalet kolumner och rader så efter omformning kommer arrayen att få en ny vy med olika antal kolumner och rader.
Vissa matematiska funktioner i Numpy
Det finns matematiska funktioner som kan användas med numpiga matriser. Nedan är några exempel,
Importera numpy som numpy
ARRA = numpy.array (((1, 2, 3), (4, 5, 6)))
arrB = numpy.array (((7, 8, 9), (10, 11, 12)))
numpy.add (Arra, arrB)
Denna funktion lägger till array arrA och arrB
Produktion:
matrisC (((8, 10, 12), (14, 16, 18)))
Varför ska vi använda?
Vi använder python numpy array i stället för en lista på grund av nedanstående tre skäl:
- Mindre minnesanvändning
- Snabb prestanda
- Bekvämt att arbeta
Den allra första anledningen att föredra python numpy-matriser är att det tar mindre minne jämfört med pythonlistan. Sedan är det snabbt när det gäller exekvering och samtidigt är det bekvämt och enkelt att arbeta med det.
Vad kan vi göra med Numpy?
Inbyggt stöd för Arrays är inte tillgängligt i python, men vi kan använda pythonlistor som matriser.
arrayA = ('Hej', 'värld')
ut (Arraya)
Men det är fortfarande en pythonlista, inte en matris.
Så här kommer Numpy som vi kan använda för att skapa 2D, 3D som är flerdimensionella matriser. Vi kan också göra beräkningar på matriser.
importera numpy som num
arr = num.array ((1, 2, 3, 4, 5, 6))
trycket (arr)
Skapar array arr.
Sedan för 2D- och 3D-matriser,
importera numpy som num
arr = numrray (((1, 2, 3, 4, 5), (6, 7, 8, 9, 10, 11)))
trycket (arr)
–Om du vill veta dimensionerna på din matris kan du helt enkelt använda följande funktion.
ut (arr.ndim)
–Om du vill ta reda på storleken på en matris kan du helt enkelt använda följande funktion,
trycket (arr.size)
–För att ta reda på formen på en matris kan du använda formfunktion.
trycket (arr.shape)
Det kommer att berätta antalet (kol, rader)
Du kan också använda skivning, omformning och många fler metoder med numpy matriser.
Varför behöver vi?
För att göra en logisk och matematisk beräkning av matris och matriser behövs numpy. Den utför dessa operationer alldeles för effektiva och snabbare än pythonlistor.
fördelar
1. Numpy matriser tar mindre plats.
NumPys matriser är mindre i storlek än Python-listor. En pythonlista kan ta upp till 20 MB storlek medan en matris kan ta 4 MB. Matriser är också lättillgängliga för läsning och skrivning.
2. Hastighetsprestandan är också bra. Den utför snabbare beräkningar än pythonlistor.
Eftersom det är öppen källkod kostar det ingenting och det använder ett mycket populärt programmeringsspråk Python som har högkvalitativa bibliotek för nästan alla uppgifter. Det är också enkelt att ansluta den befintliga C-koden till Python-tolkaren.
Karriärtillväxt
Bland programmeringsspråk är Python en trendteknologi inom IT. Karriärmöjligheterna i Python ökar snabbt i antal över hela världen. Eftersom python är ett programmeringsspråk på hög nivå, ser Python efter snabbare kodläsbarhet och tydlighet, med mindre kodrader. Python är ett av de bästa verktygen för att skapa dynamiska skript i stora och små omfattningar.
Python används allmänt inom webbutveckling, skrivning av skript, testning, utveckling av appar och deras uppdateringar. Så om någon vill vara expert på Python har de många karriäralternativ, som man kan vara python-utvecklare, python-testare eller till och med en datavetare.
Slutsats:
Som vi kan se är det verkligen starkt när det gäller de högkvalitativa biblioteksfunktionerna som det har. Vem som helst kan utföra stora beräkningar eller beräkningar med bara några koderader. Det är detta som gör det till ett bra verktyg för olika numeriska beräkningar. Om någon vill bli datavetare kan de försöka behärska i Numpy. Men först måste du lära dig och känna python innan du blir expert på Numpy.
Rekommenderade artiklar
Detta har varit en guide för What is NumPy. Här diskuterar vi funktioner, fördelar och karriärtillväxt hos NumPy. Du kan också titta på följande artiklar för att lära dig mer -
- Vad är C?
- Vad är QlikView?
- Vad är Apache Flink?
- Vad är Houdini?
- Förståelse för Pythonlista
- Olika NumPy-datatyper med exempel