NumPy ist eine Bibliothek für die Programmiersprache Python, die Möglichkeiten zum Arbeiten mit mehrdimensionalen Arrays und Matrizen bietet. Das Erstellen von Arrays ist eine der Hauptfunktionen von NumPy, und in diesem Artikel werden wir uns ansehen, wie dies zu tun ist.
Der erste Schritt zum Erstellen eines NumPy-Arrays besteht darin, die Bibliothek selbst zu importieren. Sie können dies mit dem folgenden Befehl erreichen:
import numpy as np
Nachdem Sie die Bibliothek importiert haben, können Sie die verfügbaren NumPy-Funktionen verwenden. Um ein Array zu erstellen, können Sie Folgendes verwenden numpy.array(). Diese Funktion akzeptiert eine Liste von Werten und gibt ein eindimensionales Array zurück. Um beispielsweise ein Array mit den Zahlen 1 bis 5 zu erstellen, können Sie den folgenden Code verwenden:
array = np.array([1, 2, 3, 4, 5])
Jetzt können Sie dieses Array verwenden, um verschiedene Operationen wie Indizierung, Sortierung und mathematische Operationen durchzuführen.
Der Vorteil der Verwendung von NumPy in Python
- Hochleistung: NumPy ist in der Programmiersprache C implementiert, wodurch Operationen an Datenarrays schneller ausgeführt werden können als die standardmäßigen Python-Datenstrukturen.
- Benutzerfreundlichkeit: NumPy bietet eine einfache und intuitive Benutzeroberfläche für die Arbeit mit Datenarrays. Es bietet viele Funktionen und Methoden zum Ausführen verschiedener Operationen für Arrays wie mathematische Operationen, Indizierung, Slices und vieles mehr.
- Effiziente Speichernutzung: Mit NumPy können Sie die Speichernutzung optimieren, was besonders bei der Arbeit mit großen Datenmengen relevant ist. Es verwendet spezielle interne Datenstrukturen wie mehrdimensionale Arrays, die es ermöglichen, Daten effizient zu speichern und zu verarbeiten.
- Integration mit anderen Bibliotheken: NumPy lässt sich gut in andere populäre Bibliotheken für wissenschaftliches Computing in Python wie SciPy, Pandas und Matplotlib integrieren. Auf diese Weise können sie gemeinsam für komplexe Berechnungen und Datenvisualisierungen verwendet werden.
- Unterstützung verschiedener Datentypen: NumPy unterstützt die Arbeit mit verschiedenen Datentypen, einschließlich Ganzzahlen, Gleitkommazahlen, Booleschen Werten, Zeichenfolgenwerten und anderen. Dadurch können Sie verschiedene Datentypen verarbeiten und analysieren, ohne zusätzlichen Code schreiben zu müssen.
Insgesamt vereinfacht und beschleunigt die Verwendung von NumPy in Python die Arbeit mit Datenarrays erheblich und macht sie zu einem unverzichtbaren Werkzeug für wissenschaftliche Berechnungen, Datenverarbeitung und Datenanalyse.
Hauptmerkmale von NumPy
Hauptmerkmale von NumPy:
- Mehrdimensionale Arrays: NumPy bietet die Möglichkeit, mehrdimensionale Arrays zu erstellen und zu manipulieren, bei denen es sich um den Hauptdatentyp der Bibliothek handelt. NumPy-Arrays sind im Vergleich zu normalen Python-Listen effizienter, da sie einen Speicherblock darstellen, bei dem Elemente denselben Datentyp haben.
- Schnelle Operationen an Arrays: NumPy bietet viele Funktionen zum Ausführen von Operationen an Arrays wie Addition, Multiplikation, Zugriff auf Elemente nach Index und andere. Dank einer optimierten Implementierung in C werden Operationen an Arrays viel schneller ausgeführt als in reinem Python.
- Eine breite Palette von mathematischen Funktionen: NumPy bietet viele integrierte mathematische Funktionen wie Sinus, Kosinus, Exponenten und andere. Diese Funktionen können auf ganze Arrays und nicht nur auf einzelne Elemente angewendet werden.
- Vektorisierung von Operationen: Mit NumPy können Sie Operationen für ganze Arrays ausführen, nicht für einzelne Elemente. Dieser Ansatz, der als Vektorisierung bezeichnet wird, ermöglicht Berechnungen, die viel schneller und lesbarer sind als die Verwendung von Schleifen und regulären Listen.
- Integration mit anderen Bibliotheken: NumPy ist die Grundlage für eine Vielzahl anderer Bibliotheken und Tools für die Datenanalyse und das wissenschaftliche Computing in Python, wie Pandas, SciPy und Matplotlib. Aus diesem Grund kann NumPy zusammen mit anderen Bibliotheken verwendet werden, um eine Vielzahl von Aufgaben zu lösen.
| Beispiel für die Verwendung von NumPy: |
|---|
| import numpy as np a = np.array([1, 2, 3]) print(a) # Output: [1 2 3] |
Daher kann die Verwendung von NumPy die Ausführung von Operationen an Arrays und die Verarbeitung numerischer Daten in Python erheblich beschleunigen.
Erstellen eines Arrays in NumPy
1. Erstellen eines Arrays aus einer Liste
Eine der gängigsten Möglichkeiten, ein Array in NumPy zu erstellen, besteht darin, es aus einer regulären Python-Liste zu erstellen. Dazu können wir die Funktion numpy verwenden.array() :
import numpy as npmy_list = [1, 2, 3, 4, 5]my_array = np.array(my_list)print(my_array)Als Ergebnis erhalten wir ein Array:
[1 2 3 4 5]2. Erstellen eines Arrays einer bestimmten Form
NumPy bietet auch die Möglichkeit, Arrays einer bestimmten Form (Dimension) mithilfe von Numpy-Funktionen zu erstellen.zeros() und numpy.ones() . Die Funktion ist numpy.zeros() erstellt ein Array, das mit Nullen gefüllt ist, und die Funktion ist numpy.ones() erstellt ein Array, das mit Einheiten gefüllt ist.
Hier sind einige Beispiele:
import numpy as np# Создание массива 2x3 заполненного нулямиzeros_array = np.zeros((2, 3))print(zeros_array)# Создание массива 3x3 заполненного единицамиones_array = np.ones((3, 3))print(ones_array)Als Ergebnis erhalten wir:
[[0. 0. 0.][0. 0. 0.]][[1. 1. 1.][1. 1. 1.][1. 1. 1.]]Hier sind einige Möglichkeiten, Arrays in NumPy zu erstellen. Sie können den für Ihre Aufgabe am besten geeigneten auswählen und mit NumPy mit mehrdimensionalen Daten weiterarbeiten.
Eindimensionale Arrays
In Python ist ein NumPy eindimensionales Array eine Datenstruktur, die Elemente desselben Typs enthält. Eindimensionale Arrays können mit einer Funktion erstellt werden numpy.array.
Betrachten wir ein Beispiel für das Erstellen eines eindimensionalen Arrays in Python NumPy:
import numpy as np array = np.array([1, 2, 3, 4, 5]) print(array)
Das Ergebnis der Ausführung dieses Codes wäre:
Array array enthält Elemente [1, 2, 3, 4, 5].
Eindimensionale Arrays in Python NumPy können für verschiedene mathematische und statistische Operationen sowie für die Datenverarbeitung verwendet werden.
Mehrdimensionale Arrays
Verwenden Sie die Funktion numpy, um ein mehrdimensionales Array in NumPy zu erstellen.array() . Als Argument wird eine Liste verschachtelter Listen übergeben, wobei jede verschachtelte Liste eine Messachse darstellt. Um beispielsweise ein zweidimensionales Array zu erstellen, können Sie eine Liste mit zwei verschachtelten Listen übergeben:
import numpy as nparr = np.array([[1, 2, 3], [4, 5, 6]])print(arr)[[1 2 3][4 5 6]]Im obigen Beispiel wird ein zweidimensionales Array mit der Größe 2x3 erstellt. Die erste verschachtelte Liste [1, 2, 3] stellt die erste Zeile des Arrays und die zweite verschachtelte Liste dar [4, 5, 6] - die zweite Zeile.
Mehrdimensionale Arrays in NumPy ermöglichen verschiedene Operationen wie arithmetische Operationen, Indizierung und Slices. Sie ermöglichen auch die effiziente Speicherung und Verarbeitung großer Datenmengen.
In der Praxis werden mehrdimensionale Arrays häufig in wissenschaftlichen Berechnungen, Datenvisualisierungen, maschinellem Lernen und anderen Bereichen verwendet, in denen die Arbeit mit mehrdimensionalen Daten erforderlich ist.
Initialisieren eines Arrays in NumPy
Es gibt mehrere Möglichkeiten, ein Array in NumPy zu erstellen und zu initialisieren:
1. Erstellen eines Arrays aus einer Liste
import numpy as npmy_list = [1, 2, 3, 4, 5]my_array = np.array(my_list)
2. Erstellen eines Arrays von Nullen oder Einsen
import numpy as npzeros_array = np.zeros((3, 3))ones_array = np.ones((2, 4))
3. Erstellen eines Arrays mit gleichmäßiger Wertverteilung
import numpy as npuniform_array = np.linspace(0, 1, 10)
4. Erstellen eines Arrays mit zufälligen Werten
import numpy as nprandom_array = np.random.rand(3, 3)
Dies sind nur einige der möglichen Möglichkeiten, ein Array in NumPy zu initialisieren. Dank der umfangreichen Funktionalität der Bibliothek können Sie Arrays mit beliebigen Werten und Datenstrukturen erstellen und initialisieren.
Bei der Arbeit mit NumPy ist es hilfreich, diese Methoden zur Initialisierung von Arrays zu kennen, da sie die Grundlage für die meisten Operationen mit Arrays und Matrizen in einer Bibliothek sind.
