@jorge
NumPy является библиотекой Python, которая обеспечивает поддержку массивов многомерных данных и операций над ними. Для выполнения операций с массивами NumPy, необходимо сначала импортировать библиотеку NumPy, как показано ниже:
1
|
import numpy as np |
Здесь мы импортируем библиотеку NumPy и присваиваем ей псевдоним "np", который мы будем использовать в дальнейшем для вызова функций и методов библиотеки.
Для создания массива NumPy можно использовать функцию np.array()
, которая принимает список, кортеж или другой итерируемый объект и создает из него одномерный массив:
1
|
a = np.array([1, 2, 3]) |
Можно также создать многомерный массив, используя вложенные списки:
1
|
b = np.array([[1, 2, 3], [4, 5, 6]]) |
Также можно создавать массивы с помощью встроенных функций NumPy, таких как np.zeros()
(создает массив из нулей), np.ones()
(создает массив из единиц) и np.arange()
(создает массив, заполненный значениями из заданного диапазона):
1 2 3 |
c = np.zeros((3, 3)) # массив 3x3 из нулей d = np.ones((2, 2)) # массив 2x2 из единиц e = np.arange(0, 10, 2) # массив с шагом 2 от 0 до 10: [0, 2, 4, 6, 8] |
NumPy обеспечивает множество операций над массивами, включая математические операции, операции сравнения, операции срезов и многие другие.
Математические операции можно выполнять между массивами или между массивом и скаляром:
1 2 3 4 5 6 7 8 9 10 11 |
a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) # сложение массивов c = a + b # [5, 7, 9] # умножение массива на скаляр d = a * 2 # [2, 4, 6] # возведение в степень e = b ** 2 # [16, 25, 36] |
Операции сравнения возвращают булевы значения:
1 2 3 4 5 6 7 8 |
a = np.array([1, 2, 3]) b = np.array([4, 2, 6]) # сравнение массивов c = a > b # [False, False, False] # сравнение массива и скаляра d = a < 3 |
@jorge
Операции с массивами также могут включать различные функции, такие как сумма элементов, вычисление среднего значения, поиск минимального и максимального значений и т.д.:
1 2 3 4 5 6 7 8 9 10 11 12 13 |
a = np.array([1, 2, 3, 4, 5]) # сумма элементов массива sum_a = np.sum(a) # 15 # среднее значение mean_a = np.mean(a) # 3.0 # минимальное значение min_a = np.min(a) # 1 # максимальное значение max_a = np.max(a) # 5 |
Также можно выполнять операции срезов (slicing) с массивами NumPy, чтобы получить подмассивы:
1 2 3 4 |
a = np.array([1, 2, 3, 4, 5]) # извлечение подмассива элементов с индексами от 1 до 3 (не включая 3) sub_a = a[1:3] # [2, 3] |
Это лишь небольшой обзор операций, которые можно выполнять с массивами NumPy. NumPy предоставляет широкий набор функций для работы с массивами многомерных данных, что делает его мощным инструментом для научных вычислений, обработки данных и машинного обучения.