NumPy znamená Numerical Python. Je to knihovna Pythonu používaná pro práci s polem. V Pythonu používáme seznam pro pole, ale jeho zpracování je pomalé. NumPy pole je výkonný objekt N-dimenzionálního pole a používá se v lineární algebře, Fourierově transformaci a možnostech náhodných čísel. Poskytuje objekt pole mnohem rychleji než tradiční seznamy Pythonu.

Typy pole:

1. Jednorozměrné pole
2. Vícerozměrné pole

Jednorozměrné pole:

Jednorozměrné pole je typ lineárního pole.

Jednorozměrné pole

Příklad:

# importing numpy module import numpy as np # creating list list = [1, 2, 3, 4] # creating numpy array sample_array = np.array(list) print('List in python : ', list) print('Numpy Array in python :', sample_array)>

Výstup:

List in python : [1, 2, 3, 4] Numpy Array in python : [1 2 3 4]>

Zkontrolujte datový typ pro seznam a pole:

print(type(list_1)) print(type(sample_array))>

Výstup:

>

Vícerozměrné pole:

Data ve vícerozměrných polích jsou uložena v tabulkové formě.

Dvourozměrné pole

Příklad:

# importing numpy module import numpy as np # creating list  list_1 = [1, 2, 3, 4] list_2 = [5, 6, 7, 8] list_3 = [9, 10, 11, 12] # creating numpy array sample_array = np.array([list_1, list_2, list_3]) print('Numpy multi dimensional array in python
', sample_array)>

Výstup:

Numpy multi dimensional array in python [[ 1 2 3 4]  [ 5 6 7 8]  [ 9 10 11 12]]>

Poznámka: použití [ ] operátory uvnitř numpy.array() pro vícerozměrné

nekonečná smyčka

Anatomie pole:

1. Osa: Osa pole popisuje pořadí indexování do pole.

Osa 0 = jednorozměrná

Osa 1 = dvourozměrná

Osa 2 = Trojrozměrná

2. Tvar: Počet prvků spolu s každou osou. Je z n-tice.

Příklad:

# importing numpy module import numpy as np # creating list  list_1 = [1, 2, 3, 4] list_2 = [5, 6, 7, 8] list_3 = [9, 10, 11, 12] # creating numpy array sample_array = np.array([list_1, list_2, list_3]) print('Numpy array :') print(sample_array) # print shape of the array print('Shape of the array :', sample_array.shape)>

Výstup:

Numpy array :  [[ 1 2 3 4]  [ 5 6 7 8]  [ 9 10 11 12]] Shape of the array : (3, 4)>

Příklad:

import numpy as np sample_array = np.array([[0, 4, 2], [3, 4, 5], [23, 4, 5], [2, 34, 5], [5, 6, 7]]) print('shape of the array :', sample_array.shape)>

Výstup:

restartujte mysql ubuntu

shape of the array : (5, 3)>

3. Pořadí: Hodnost pole je jednoduše počet os (nebo rozměrů), které má.

Jednorozměrné pole má hodnost 1.

Pořadí 1

Dvourozměrné pole má hodnost 2.

Pořadí 2

4. Objekty datového typu (dtype): Objekty datového typu (dtype) jsou instancí numpy.dtype třída. Popisuje, jak by měly být interpretovány bajty v bloku paměti s pevnou velikostí odpovídající položce pole.

Příklad:

# Import module import numpy as np # Creating the array  sample_array_1 = np.array([[0, 4, 2]]) sample_array_2 = np.array([0.2, 0.4, 2.4]) # display data type print('Data type of the array 1 :', sample_array_1.dtype) print('Data type of array 2 :', sample_array_2.dtype)>

Výstup:

znak java na int

Data type of the array 1 : int32 Data type of array 2 : float64>

Nějaký jiný způsob vytváření Numpy Array:

1. numpy.array() : Objekt pole Numpy v Numpy se nazývá ndarray. Můžeme vytvořit ndarray pomocí numpy.array() funkce.

Syntax: numpy.array(parametr)

Příklad:

# import module import numpy as np #creating a array arr = np.array([3,4,5,5]) print('Array :',arr)>

Výstup:

Array : [3 4 5 5]>

2. numpy.fromiter() : Funkce fromiter() vytvoří nové jednorozměrné pole z iterovatelného objektu.

Syntax: numpy.fromiter(iterovatelné, dtype, count=-1)

Příklad 1:

#Import numpy module import numpy as np # iterable iterable = (a*a for a in range(8)) arr = np.fromiter(iterable, float) print('fromiter() array :',arr)>

Výstup:

fromiter() pole: [ 0. 1. 4. 9. 16. 25. 36. 49.]

Příklad 2:

import numpy as np var = 'Geekforgeeks' arr = np.fromiter(var, dtype = 'U2') print('fromiter() array :', arr)>

Výstup:

pole fromiter() : [‚G‘ ‚e‘ ‚e‘ ‚k‘ ‚f‘ ‚o‘ ‚r‘ ‚g‘ ‚e‘ ‚e‘ ‚k‘ ‚s‘]

3. numpy.arange() : Toto je vestavěná funkce NumPy, která vrací rovnoměrně rozložené hodnoty v daném intervalu.

Syntax: numpy.arange([start, ]stop, [step, ]dtype=None)

android proces acore se stále zastavuje

Příklad:

import numpy as np np.arange(1, 20 , 2, dtype = np.float32)>

Výstup:

pole([ 1., 3., 5., 7., 9., 11., 13., 15., 17., 19.], dtype=float32)

4. numpy.linspace() : Tato funkce vrací rovnoměrně rozložená čísla přes zadanou mezi dvěma limity.

Syntax: numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)

Příklad 1:

import numpy as np np.linspace(3.5, 10, 3)>

Výstup:

array([ 3.5 , 6.75, 10. ])>

Příklad 2:

import numpy as np np.linspace(3.5, 10, 3, dtype = np.int32)>

Výstup:

array([ 3, 6, 10])>

5. numpy.empty() : Tato funkce vytvoří nové pole daného tvaru a typu bez inicializace hodnoty.

Syntax: numpy.empty(shape, dtype=float, order=’C’)

Příklad:

import numpy as np np.empty([4, 3], dtype = np.int32, order = 'f')>

Výstup:

array([[ 1, 5, 9],  [ 2, 6, 10],  [ 3, 7, 11],  [ 4, 8, 12]])>

6. numpy.ones(): Tato funkce se používá k získání nového pole daného tvaru a typu, vyplněného jedničkami (1).

Syntax: numpy.ones(shape, dtype=None, order=’C’)

Neena Gupta

Příklad:

import numpy as np np.ones([4, 3], dtype = np.int32, order = 'f')>

Výstup:

array([[1, 1, 1],  [1, 1, 1],  [1, 1, 1],  [1, 1, 1]])>

7. numpy.zeros() : Tato funkce se používá k získání nového pole daného tvaru a typu, vyplněného nulami (0).

Syntax: numpy.ones(shape, dtype=None)

Příklad:

import numpy as np np.zeros([4, 3], dtype = np.int32, order = 'f')>

Výstup:

array([[0, 0, 0],  [0, 0, 0],  [0, 0, 0],  [0, 0, 0]])>