Python numpy library functions

Руководство по использованию Python-библиотеки NUMPY

Предок NumPy, Numeric, был разработан Джимом Хугунином. Также был создан пакет Numarray с дополнительной функциональностью. В 2005 году Трэвис Олифант выпустил пакет NumPy, добавив особенности Numarray в Numeric. Это проект с исходным кодом, и в его развитии поучаствовало уже много человек.

NumPy или Numerical Python — это библиотека Python, которая предлагает следующее:

• Мощный N-мерный массив
• Высокоуровневые функции
• Инструменты для интеграции кода C/C++ и Fortran
• Использование линейной алгебры, Преобразований Фурье и возможностей случайных чисел

Она также предлагает эффективный многомерный контейнер общих данных. С ее помощью можно определять произвольные типы данных. Официальный сайт библиотеки — www.numpy.org

Установка NumPy в Python

sudo apt update -y sudo apt upgrade -y sudo apt install python3-tk python3-pip -y sudo pip install numpy -y 

conda install -c anaconda numpy 

Массив NumPy

Это мощный многомерный массив в форме строк и колонок. С помощью библиотеки можно создавать массивы NumPy из вложенного списка Python и получать доступ к его элементам.

Массив NumPy — это не то же самое, что и класс array.array из Стандартной библиотеки Python, который работает только с одномерными массивами.

import numpy as np a = np.array([1,2,3]) print(a) 

import numpy as np a = np.array([[1,2,3],[4,5,6]]) print(a) 

Атрибуты массива NumPy

import numpy as np a = np.array([[1,2,3],[4,5,6]]) print(a.ndim) 

import numpy as np a = np.array([[1,2,3],[4,5,6]]) print(a.shape) 

import numpy as np a = np.array([[1,2,3],[4,5,6]]) print(a.size) 

import numpy as np a = np.array([[1,2,3],[4,5,6]]) print(a.dtype) 

import numpy as np a = np.array([[1,2,3],[4,5,6]], dtype = float) print(a.dtype) 

import numpy as np a = np.array([[1,2,3],[4,5,6]]) print(a.itemsize) 

import numpy as np a = np.array([[1,2,3],[4,5,6]]) print(a.data) 

import numpy as np a = np.random.random((2,3)) print(a) print(a.sum()) 

import numpy as np a = np.random.random((2,3)) print(a.min()) 

import numpy as np a = np.random.random((2,3)) print(a.min()) 

Сгенерированная в этом примере матрица — [[0.46541517 0.66668157 0.36277909] [0.7115755 0.57306008 0.64267163]] , следовательно код вернет 0.7115755 . Поскольку используется генератор случайных чисел, ваш результат будет отличаться

Функции NumPy

1. type(numpy.ndarray)
   Это функция Python, используемая, чтобы вернуть тип переданного параметра. В случае с массивом numpy, она вернет numpy.ndarray .

import numpy as np a = np.array([[1,2,3],[4,5,6]]) print(type(a)) 

import numpy as np np.zeros((3,3)) print(a) 

import numpy as np np.ones((3,3)) print(a) 

import numpy as np np.empty((3,3)) print(a) 

import numpy as np a=np.arange(5,25,4) print(a) 

import numpy as np a=np.linspace(5,25,5) print(a) 

import numpy as np a = np.logspace(5,25,5) print(a) 

import numpy as np a = np.logspace(5,25,2) print(np.sin(a)) 

import numpy as np a = np.arange(9).reshape(3,3) print(a) 

Базовые операции NumPy

a = np.array([5, 10, 15, 20, 25]) b = np.array([0, 1, 2, 3]) 

1. Этот код вернет разницу двух массивов c = a — b .
2. Этот код вернет массив, где каждое значение возведено в квадрат b**2 .
3. Этот код вернет значение в соответствии с заданным выражением 10 * np.sin(a) .
4. Этот код вернет True для каждого элемента, чье значение удовлетворяет условие a .

Базовые операции с массивом NumPy

a = np.array([[1,1], [0,1]]) b = np.array([[2,0],[3,4]]) 

1. Этот код вернет произведение элементов обоих массивов a * b .
2. Этот код вернет матричное произведение обоих массивов a @ b
   или a.dot(b) .

Выводы

Из этого материала вы узнали, что такое numpy и как его устанавливать, познакомились с массивов numpy, атрибутами и операциями массива numpy, а также базовыми операциями numpy.

Источник

NumPy reference#

This reference manual details functions, modules, and objects included in NumPy, describing what they are and what they do. For learning how to use NumPy, see the complete documentation .

• Array objects
  • The N-dimensional array ( ndarray )
  • Scalars
  • Data type objects ( dtype )
  • Indexing routines
  • Iterating over arrays
  • Standard array subclasses
  • Masked arrays
  • The array interface protocol
  • Datetimes and Timedeltas
  • Table of Differences between numpy.array_api and numpy
  • Inf
  • Infinity
  • NAN
  • NINF
  • NZERO
  • NaN
  • PINF
  • PZERO
  • e
  • euler_gamma
  • inf
  • infty
  • nan
  • newaxis
  • pi
  • ufunc
  • Available ufuncs
  • Array creation routines
  • Array manipulation routines
  • Binary operations
  • String operations
  • C-Types foreign function interface ( numpy.ctypeslib )
  • Datetime support functions
  • Data type routines
  • Mathematical functions with automatic domain
  • Floating point error handling
  • Discrete Fourier Transform ( numpy.fft )
  • Functional programming
  • NumPy-specific help functions
  • Input and output
  • Linear algebra ( numpy.linalg )
  • Logic functions
  • Masked array operations
  • Mathematical functions
  • Matrix library ( numpy.matlib )
  • Miscellaneous routines
  • Padding Arrays
  • Polynomials
  • Random sampling ( numpy.random )
  • Set routines
  • Sorting, searching, and counting
  • Statistics
  • Test Support ( numpy.testing )
  • Support for testing overrides ( numpy.testing.overrides )
  • Window functions
  • Mypy plugin
  • Differences from the runtime NumPy API
  • API
  • Performance-related options
  • Debugging-related options
  • Testing planned future behavior
  • Modules in numpy.distutils
  • Configuration class
  • Building Installable C libraries
  • Conversion of .src files
  • SciPy structure
  • Requirements for SciPy packages
  • The setup.py file
  • The __init__.py file
  • Extra features in NumPy Distutils
  • Migration advice
  • Interaction of numpy.distutils with setuptools
  • Python Types and C-Structures
  • System configuration
  • Data Type API
  • Array API
  • Array Iterator API
  • UFunc API
  • Generalized Universal Function API
  • NumPy core libraries
  • C API Deprecations
  • Memory management in NumPy
  • CPU build options
  • How does the CPU dispatcher work?
  • Advice for using NumPy on untrusted data
  • numpy.i: a SWIG Interface File for NumPy
  • Testing the numpy.i Typemaps

  Acknowledgements#

  Large parts of this manual originate from Travis E. Oliphant’s book Guide to NumPy (which generously entered Public Domain in August 2008). The reference documentation for many of the functions are written by numerous contributors and developers of NumPy.

  Источник