Что делает numpy array? 🧐 | Понимание функций и возможностей

Библиотека numpy в Python предоставляет мощные функции для работы с массивами. Вот некоторые из действий, которые можно выполнить с numpy массивами:

• Создание массива:

import numpy as np

# Создание одномерного массива
arr1 = np.array([1, 2, 3, 4, 5])

# Создание двумерного массива
arr2 = np.array([[1, 2, 3], [4, 5, 6]])

• Манипуляции с массивом:

# Получение размера массива
size = arr1.size

# Получение формы массива
shape = arr2.shape

# Получение элемента по индексу
element = arr1[2]

# Изменение элемента по индексу
arr1[3] = 10

• Выполнение операций с массивом:

# Выполнение математических операций с массивом
result = arr1 + 2
result = np.sin(arr2)

# Выполнение операций сравнения
result = arr1 > 3
result = np.logical_and(arr1 > 1, arr2 < 6)

Это только небольшая часть возможностей библиотеки numpy. Она также предоставляет функции для статистических вычислений, управления формой массива и многое другое.

Что делает массив numpy?

Массивы numpy - это мощный инструмент для работы с данными в языке программирования Python. Они предоставляют эффективные структуры данных для хранения и манипулирования многомерными массивами.

Давайте рассмотрим некоторые основные функции и возможности массива numpy.

Создание массива numpy

Для создания массива numpy мы можем воспользоваться функцией numpy.array(). Например:

import numpy as np

# Создание одномерного массива
arr1 = np.array([1, 2, 3, 4, 5])

# Создание двумерного массива
arr2 = np.array([[1, 2, 3], [4, 5, 6]])
    

Мы создали одномерный массив arr1 со значениями [1, 2, 3, 4, 5] и двумерный массив arr2 с двумя строками и тремя столбцами.

Операции с массивами numpy

Массивы numpy поддерживают различные операции, такие как сложение, вычитание, умножение и деление. При выполнении этих операций каждый элемент массива соответственно комбинируется с элементами другого массива.

import numpy as np

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])

# Сложение массивов
result = arr1 + arr2
print(result)  # [5 7 9]

# Умножение массивов
result = arr1 * arr2
print(result)  # [4 10 18]
    

В приведенном примере мы складываем массивы arr1 и arr2, а затем умножаем элементы этих массивов. Результат выводится на экран.

Индексирование и срезы массива

Мы можем получить доступ к отдельным элементам массива numpy с помощью индексирования. Индексация начинается с нуля. Также возможно использование срезов для получения подмассивов.

import numpy as np

arr = np.array([1, 2, 3, 4, 5])

# Получение отдельных элементов
print(arr[0])  # 1
print(arr[2])  # 3

# Получение подмассива
print(arr[1:4])  # [2 3 4]
    

В приведенном примере мы получаем доступ к элементам массива arr с помощью индексов и получаем подмассив, используя срезы.

Функции numpy для работы с массивами

Библиотека numpy также предлагает множество функций для работы с массивами, таких как np.sum(), np.mean(), np.max() и другие.

import numpy as np

arr = np.array([1, 2, 3, 4, 5])

# Вычисление суммы элементов массива
print(np.sum(arr))  # 15

# Вычисление среднего значения
print(np.mean(arr))  # 3.0

# Нахождение максимального значения
print(np.max(arr))  # 5
    

В приведенном примере мы используем функции np.sum(), np.mean() и np.max() для вычисления суммы, среднего значения и максимального значения массива arr.

Многомерные массивы и матричные операции

Массивы numpy могут иметь более высокие размерности, что делает их полезными для матричных операций, таких как умножение матриц и нахождение обратной матрицы.

import numpy as np

matrix1 = np.array([[1, 2], [3, 4]])
matrix2 = np.array([[5, 6], [7, 8]])

# Умножение матриц
result = np.dot(matrix1, matrix2)
print(result)
# [[19 22]
#  [43 50]]

# Нахождение обратной матрицы
inv_matrix = np.linalg.inv(matrix1)
print(inv_matrix)
# [[-2.   1. ]
#  [ 1.5 -0.5]]
    

В данном примере мы умножаем две матрицы matrix1 и matrix2 с помощью функции np.dot(). Полученный результат выводится на экран. Затем мы находим обратную матрицу для matrix1 с помощью функции np.linalg.inv().

Математические функции numpy

Библиотека numpy также предоставляет различные математические функции, такие как np.sin(), np.cos(), np.exp() и другие. Они позволяют выполнять различные математические операции над массивами.

import numpy as np

arr = np.array([0, np.pi/2, np.pi])

# Вычисление синуса каждого элемента
print(np.sin(arr))
# [0. 1. 0.]

# Вычисление косинуса каждого элемента
print(np.cos(arr))
# [1.  6.123234e-17 -1.]
    

В приведенном примере мы вычисляем синус и косинус для каждого элемента массива arr с помощью функций np.sin() и np.cos().

Преобразование размерности массива

Мы можем изменять размерность массива numpy с помощью функции np.reshape(). Это может быть полезно при работе с данными различных форматов или при подготовке данных для обучения моделей машинного обучения.

import numpy as np

arr = np.array([1, 2, 3, 4, 5, 6])

# Изменение размерности массива
reshaped_arr = np.reshape(arr, (2, 3))
print(reshaped_arr)
# [[1 2 3]
#  [4 5 6]]
    

В данном примере мы изменяем размерность массива arr с помощью функции np.reshape(). Мы указываем новую форму (2 строки и 3 столбца), и результат выводится на экран.

Заключение

Массивы numpy - важный инструмент для работы с данными в языке программирования Python. Они обладают множеством функций и возможностей, которые делают их очень полезными при обработке и анализе данных.

В данной статье мы рассмотрели основные функции и возможности массива numpy, такие как создание массива, операции с массивами, индексирование и срезы, функции numpy для работы с массивами, матричные операции, математические функции numpy и преобразование размерности массива.

Мы надеемся, что данная статья помогла вам понять, что делает массив numpy и как использовать его в своих проектах.