NumPy står for Numerisk Python. Det er et Python-bibliotek, der bruges til at arbejde med et array. I Python bruger vi listen til arrayet, men den er langsom at behandle. NumPy array er et kraftfuldt N-dimensionelt array objekt og bruges i lineær algebra, Fourier transformation og tilfældige tal. Det giver et array-objekt meget hurtigere end traditionelle Python-lister.

Typer af array:

1. One Dimensional Array
2. Multi-Dimensional Array

One Dimensional Array:

Et endimensionelt array er en type lineært array.

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)>

Produktion:

mylive cricket

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

Tjek datatype for liste og array:

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

Produktion:

>

Multidimensionelt array:

Data i multidimensionelle arrays gemmes i tabelform.

To dimensionelle 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)>

Produktion:

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

Bemærk: brug [ ] operatorer inde i numpy.array() for multi-dimensional

Anatomi af et array:

1. Akse: Et arrays akse beskriver rækkefølgen af ​​indekseringen i arrayet.

Akse 0 = endimensional

Akse 1 = Todimensional

Akse 2 = Tredimensional

2. Form: Antallet af elementer langs hver akse. Den er fra en tupel.

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)>

Produktion:

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)>

Produktion:

shape of the array : (5, 3)>

3. Rangering: Rangeringen af ​​et array er simpelthen antallet af akser (eller dimensioner), det har.

Det endimensionelle array har rang 1.

programmering i c-arrays

Rang 1

Det todimensionelle array har rang 2.

Rang 2

4. Datatypeobjekter (dtype): Datatypeobjekter (dtype) er en forekomst af numpy.dtype klasse. Den beskriver, hvordan bytes i hukommelsesblokken med fast størrelse, der svarer til et array-element, skal fortolkes.

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)>

Produktion:

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

Nogle forskellige måder at skabe Numpy Array på:

1. numpy.array() : Numpy-arrayobjektet i Numpy kaldes ndarray. Vi kan oprette ndarray vha numpy.array() fungere.

Syntaks: numpy.array(parameter)

Eksempel:

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

Produktion:

Array : [3 4 5 5]>

2. numpy.fromiter() : Fromiter()-funktionen opretter et nyt endimensionelt array 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)>

Produktion:

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)>

Produktion:

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

3. numpy.arange() : Dette er en indbygget NumPy-funktion, der returnerer jævnt fordelte værdier inden for et givet interval.

Syntaks: numpy.arange([start, ]stop, [trin, ]dtype=Ingen)

Eksempel:

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

Produktion:

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

4. numpy.linspace() : Denne funktion returnerer ligeligt fordelte tal over en specificeret mellem to grænser.

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

Eksempel 1:

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

Produktion:

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

Eksempel 2:

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

Produktion:

array([ 3, 6, 10])>

5. numpy.empty() : Denne funktion opretter en ny række af given form og type uden initialiseringsværdi.

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

hvordan man læser en json-fil

Eksempel:

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

Produktion:

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

6. numpy.ones(): Denne funktion bruges til at få et nyt array af given form og type, fyldt 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')>

Produktion:

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

7. numpy.zeros() : Denne funktion bruges til at få en ny matrix af given form og type, fyldt med nuller(0).

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

Eksempel:

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

Produktion:

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