NumPy står for Numerical Python. Det er et Python-bibliotek som brukes til å jobbe med en matrise. I Python bruker vi listen for matrisen, men den er treg å behandle. NumPy array er et kraftig N-dimensjonalt array objekt og brukes i lineær algebra, Fourier transformasjon og tilfeldige tall. Det gir et array-objekt mye raskere enn tradisjonelle Python-lister.

Typer array:

1. One Dimensional Array
2. Multi-Dimensjonal Array

One Dimensional Array:

En endimensjonal matrise er en type lineær matrise.

One Dimensional Array

Eksempel:

# 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)>

Produksjon:

arraylist sortert java

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

Sjekk datatype for liste og array:

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

Produksjon:

>

Multi-Dimensjonal Array:

Data i flerdimensjonale arrays lagres i tabellform.

Todimensjonal array

Eksempel:

# 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)>

Produksjon:

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

Merk: bruk [ ] operatorer inne i numpy.array() for flerdimensjonale

Anatomi av en matrise:

1. Akse: Aksen til en matrise beskriver rekkefølgen av indekseringen inn i matrisen.

Akse 0 = endimensjonal

Akse 1 = Todimensjonal

Akse 2 = Tredimensjonal

2. Form: Antall elementer langs hver akse. Den er fra en tuppel.

Eksempel:

# 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)>

Produksjon:

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

Eksempel:

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)>

Produksjon:

shape of the array : (5, 3)>

3. Rangering: Rangeringen til en matrise er ganske enkelt antall akser (eller dimensjoner) den har.

Den endimensjonale matrisen har rang 1.

java arraylist metoder

Rangering 1

Den todimensjonale matrisen har rangering 2.

Rangering 2

4. Datatypeobjekter (dtype): Datatypeobjekter (dtype) er en forekomst av numpy.dtype klasse. Den beskriver hvordan bytene i minneblokken med fast størrelse som tilsvarer et matriseelement skal tolkes.

Eksempel:

# 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)>

Produksjon:

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

En annen måte å lage Numpy Array på:

1. numpy.array() : Numpy array-objektet i Numpy kalles ndarray. Vi kan lage ndarray ved å bruke numpy.array() funksjon.

Syntaks: numpy.array(parameter)

Eksempel:

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

Produksjon:

Array : [3 4 5 5]>

2. numpy.fromiter() : Fromiter()-funksjonen oppretter en ny endimensjonal matrise fra et iterbart objekt.

Syntaks: numpy.fromiter(iterable, dtype, count=-1)

Eksempel 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)>

Produksjon:

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

Eksempel 2:

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

Produksjon:

fromiter() array: ['G' 'e' 'e' 'k' 'f' 'o' 'r' 'g' 'e' 'e' 'k' 's']

3. numpy.arange() : Dette er en innebygd NumPy-funksjon som returnerer jevnt fordelte verdier innenfor et gitt intervall.

Syntaks: numpy.arange([start, ]stopp, [steg, ]dtype=Ingen)

Eksempel:

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

Produksjon:

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

4. numpy.linspace() : Denne funksjonen returnerer jevnt fordelte tall over en spesifisert mellom to grenser.

Syntaks: numpy.linspace(start, stopp, num=50, endepunkt=True, retstep=False, dtype=Ingen, akse=0)

Eksempel 1:

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

Produksjon:

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

Eksempel 2:

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

Produksjon:

array([ 3, 6, 10])>

5. numpy.empty() : Denne funksjonen oppretter en ny rekke med gitt form og type, uten initialiseringsverdi.

Syntaks: numpy.empty(shape, dtype=float, order='C')

hvordan lese en json-fil

Eksempel:

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

Produksjon:

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

6. numpy.ones(): Denne funksjonen brukes til å få en ny matrise med gitt form og type, fylt med enere(1).

Syntaks: numpy.ones(shape, dtype=Ingen, order='C')

Eksempel:

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

Produksjon:

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

7. numpy.zeros() : Denne funksjonen brukes til å få en ny matrise med gitt form og type, fylt med nuller(0).

Syntaks: numpy.ones(shape, dtype=Ingen)

Eksempel:

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

Produksjon:

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