@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.

Создание массивов:

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]

Операции с массивами:

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 

[True, True, False]

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.