Hur man använder Python NumPy Array

Många bibliotek finns i Python för att utföra olika typer av uppgifter. NumPy är en av dem. Den fullständiga formen av NumPy är Numerical Python, och den används huvudsakligen för vetenskaplig databehandling. Flerdimensionella arrayobjekt kan definieras med hjälp av detta bibliotek som kallas Python NumPy-arrayen. Olika typer av funktioner finns i NumPy-biblioteket för att skapa matrisen. NumPy-matrisen kan genereras från pythonlistan med numeriska data, dataomfång och slumpmässiga data. Hur NumPy-matrisen kan skapas och användas för att utföra olika operationstyper har visat i denna handledning.

Fördelen med att använda NumPy Array

NumPy-matrisen är bättre än Python-listan av olika skäl. Några betydande fördelar med att använda NumPy-matrisen ges nedan.

1. Det förbrukar mindre minne jämfört med pythonlistan.
2. Det fungerar snabbare än pythonlistan för samma mängd data.
3. Det är mer lämpligt att använda istället för pythonlistan för vissa specifika uppgifter.

Förutsättningar

NumPy-biblioteket är inte installerat i Python som standard. Så du måste installera det här biblioteket innan du övar på exemplen som visas i denna handledning. Python 3+ används i denna handledning. Kör följande kommando från terminalen för att installera NumPy i python 3.

$ sudo apt-get install python3-numpy

NumPy Array-attribut

NumPy-arrayen har många attribut för att hämta olika typer av information om arrayen. Några av de användbara attributen för denna matris beskrivs nedan.

1. ndarray.ndim - Detta attribut returnerar antalet dimensioner för namnet NumPy-array ndarray.
2. ndarray.form - Detta attribut returnerar storleken på varje dimension i namnet NumPy-array ndarray.
3. ndarray.storlek - Detta attribut returnerar det totala antalet element i namnet NumPy-array ndarray.
4. ndarray.föremål - Det här attributet returnerar storleken på varje element i namnet NumPy-array ndarray.
5. ndarray.dtype - Det här attributet returnerar datatypen för elementen i namnet NumPy-array ndarray.
6. ndarray.nbytes - Det här attributet returnerar det totala antalet byte som konsumeras av elementen i NumPy-matrisen ndarray.

Användning av NumPy Array

Sätten att deklarera endimensionell, tvådimensionell och tredimensionell NumPy-array visas i denna del av självstudien.

Exempel 1: Användning av endimensionell NumPy-matris

Följande exempel visar tre sätt att skapa en endimensionell NumPy-array. array () -funktion har använts för att skapa den första endimensionella matrisen med 10 heltal. arrangera () funktion har använts för att skapa den andra endimensionella matrisen med 10 sekventiella nummer. rand () -funktion har använts för att skapa den tredje endimensionella matrisen med 10 slumpmässiga flytnummer. Nästa, den skriv ut () -funktionen har använt för att skriva ut de olika attributen och tre matrisvärden.

# Importera NumPy
importera numpy som np
# Förklara NumPy-array i tre olika array
oneArray1 = np.array ([7, 3, 19, 6, 3, 1, 12, 8, 11, 5])
oneArray2 = np.arange (10)
oneArray3 = np.slumpmässig.rand (10)
# Skriv ut olika attribut för tre NumPy-matriser
print ("\ nDimensionen för den första NumPy-matrisen är:", oneArray1.ndim)
print ("Storleken på den andra NumPy-matrisen är:", oneArray2.storlek)
print ("Datatypen för den tredje NumPy-matrisen är:", oneArray3.dtype)
# Skriv ut värdena för de tre NumPy-matriserna
print ("\ nVärdena för den första matrisen är: \ n", oneArray1)
print ("Värdena för den andra matrisen är: \ n", oneArray2)
print ("Värdena för den tredje matrisen är: \ n", oneArray3)

Produktion:

Följande utdata visas efter att ovanstående skript har körts. Utgången visar att den första matrisen är 1, storleken på den andra matrisen är 10, och datatypen för den tredje matrisen är float64. Tre matriser har skrivits ut senare.

Exempel 2: Användning av tvådimensionell NumPy-matris

Följande exempel visar två sätt att skapa en tvådimensionell NumPy-array. array () -funktionen har använts för att skapa en tvådimensionell array med 2 rader och 3 kolumner med heltaldata. rand () -funktionen har använts för att skapa en tvådimensionell matris med 2 rader och 4 kolumner med flytdata. Därefter har funktionen print () använt att skriva ut storleksattributet och båda matrisen.

# Importera NumPy
importera numpy som np
# Förklara tvådimensionell matris med hjälp av listor
twoArray1 = np.array ([[12, 2, 27], [40, 15, 6]])
# Förklara tvådimensionell matris med slumpmässiga värden
twoArray2 = np.slumpmässig.rand (2, 4)
# Skriv ut storleken på båda matriserna
print ("Storleken på den första matrisen:", twoArray1.storlek)
print ("Storleken på den andra matrisen:", twoArray2.storlek)
# Skriv ut värdena för båda matriserna
print ("Värdena för den första matrisen är: \ n", twoArray1)
print ("Värdena för den andra matrisen är: \ n", twoArray2)

Produktion:

Följande utdata visas efter att ovanstående skript har körts. Utgången visar att den första gruppens storlek är 6 (2 × 3), och storleken på den andra matrisen är 8 (2 × 4). Båda matriserna har skrivits ut senare.

Exempel 3: Användning av tredimensionell NumPy-matris

Följande exempel visar två sätt att skapa en tredimensionell NumPy-array. array () -funktionen har använts för att skapa en tredimensionell array med heltaldata. rand () -funktionen har använts för att skapa en tredimensionell matris med flytdata. Därefter har funktionen print () använt för att skriva ut dimensionen och värdena för båda matriserna.

# Importera NumPy
importera numpy som np
# Skapa en tredimensionell matris med hjälp av listan
threeArray1 = np.array ([[[3, 6, 7], [7, 5, 9], [8, 5, 2]]])
# Skapa en tredimensionell matris med slumpmässiga värden
threeArray2 = np.slumpmässig.rand (2, 4, 3)
# Skriv ut dimensionen för båda matriserna
print ("Dimensionen för den första matrisen:", threeArray1.ndim)
print ("Dimensionen för den andra matrisen:", threeArray2.ndim)
# Skriv ut värdena för båda matriserna
print ("Värdena för den första matrisen är: \ n", threeArray1)
print ("Värdena för den andra matrisen är: \ n", threeArray2)

Produktion:

Följande utdata visas efter att ovanstående skript har körts. Utgången visar att dimensionen för båda matriserna är 3. Båda matriserna har skrivits ut senare.

Slutsats

Skapa olika typer av NumPy-matriser har förklarats i denna handledning med hjälp av flera exempel. Jag hoppas att läsarna kommer att kunna skapa NumPy-matriser efter att ha övat på exemplen i denna handledning.