NumPy sta per Python numerico. È una libreria Python utilizzata per lavorare con un array. In Python utilizziamo l'elenco per l'array ma è lento da elaborare. L'array NumPy è un potente oggetto array N-dimensionale e viene utilizzato nell'algebra lineare, nella trasformata di Fourier e nelle funzionalità di numeri casuali. Fornisce un oggetto array molto più velocemente dei tradizionali elenchi Python.

Tipi di array:

1. Serie unidimensionale
2. Array multidimensionale

Serie unidimensionale:

Un array unidimensionale è un tipo di array lineare.

Serie unidimensionale

Esempio:

# 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)>

Produzione:

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

Controlla il tipo di dati per elenco e array:

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

Produzione:

>

Array multidimensionale:

I dati negli array multidimensionali vengono archiviati in formato tabellare.

Matrice bidimensionale

Esempio:

# 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)>

Produzione:

sottostringa della stringa Java

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

Nota: utilizzo [] operatori all'interno di numpy.array() per multidimensionali

Anatomia di un array:

1. Asse: L'asse di un array descrive l'ordine di indicizzazione nell'array.

Asse 0 = unidimensionale

Asse 1 = Bidimensionale

Asse 2 = Tridimensionale

2. Forma: Il numero di elementi insieme a ciascun asse. Proviene da una tupla.

Esempio:

# 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)>

Produzione:

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

Esempio:

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)>

Produzione:

shape of the array : (5, 3)>

3. Classifica: Il rango di un array è semplicemente il numero di assi (o dimensioni) che ha.

L'array unidimensionale ha rango 1.

Classifica 1

L'array bidimensionale ha rango 2.

Classifica 2

4. Oggetti di tipo dati (dtype): Gli oggetti con tipo di dati (dtype) sono un'istanza di numpy.dtype classe. Descrive come devono essere interpretati i byte nel blocco di memoria a dimensione fissa corrispondente a un elemento dell'array.

Esempio:

javascript per il menu a discesa

# 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)>

Produzione:

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

Un modo diverso di creare Numpy Array:

1. numpy.array() : L'oggetto array Numpy in Numpy si chiama ndarray. Possiamo creare ndarray usando numpy.array() funzione.

Sintassi: numpy.array(parametro)

Esempio:

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

Produzione:

Array : [3 4 5 5]>

2. numpy.fromiter() : La funzione fromiter() crea un nuovo array unidimensionale da un oggetto iterabile.

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

Esempio 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)>

Produzione:

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

Esempio 2:

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

Produzione:

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

3. numpy.arange() : Questa è una funzione NumPy integrata che restituisce valori equidistanti entro un determinato intervallo.

Sintassi: numpy.arange([inizio, ]stop, [passaggio, ]dtype=None)

Esempio:

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

Produzione:

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

4. numpy.linspace() : Questa funzione restituisce numeri equidistanti su un valore specificato tra due limiti.

Sintassi: numpy.linspace(inizio, fine, num=50, punto finale=Vero, retstep=False, dtype=None, asse=0)

Esempio 1:

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

Produzione:

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

Esempio 2:

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

Produzione:

array([ 3, 6, 10])>

5. numpy.empty() : Questa funzione crea un nuovo array di forma e tipo specificati, senza inizializzare il valore.

Sintassi: numpy.empty(forma, dtype=float, ordine='C')

macchina virtuale Java

Esempio:

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

Produzione:

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

6. numpy.ones(): Questa funzione viene utilizzata per ottenere un nuovo array di forma e tipo specificati, riempito con quelli(1).

Sintassi: numpy.ones(forma, dtype=None, ordine='C')

Esempio:

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

Produzione:

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

7. numpy.zeros() : Questa funzione viene utilizzata per ottenere un nuovo array di forma e tipo specificati, riempito con zeri (0).

Sintassi: numpy.ones(forma, dtype=None)

Esempio:

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

Produzione:

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