Numerisches Python wird oft als Numpy bezeichnet, eine Python-Bibliothek, die die Manipulation mehrdimensionaler Daten unterstützt. Hier ist die Einführung für den Einstieg in Numpy
Ich weiß, was Sie denken. Hier und da kursieren auf Numpy jede Menge Tutorials und Artikel. Was macht es anders?
Nun, sagen wir, ich werde versuchen, Numpy so vorzustellen, wie Sie einem Kindergartenkind das Rechnen beibringen.
F. Was ist Numpy?
NumPy ist das grundlegende Paket für wissenschaftliches Rechnen mit Python. Der Hauptvorteil von Numpy ist das leistungsstarke N-dimensionale Array-Objekt, das es bereitstellt.
Es enthält viele lineare Algebra-Instruments zum Durchführen einer Matrixmultiplikation, zum Ermitteln von Mittelwert und Varianz im angegebenen Datensatz und anderen.
Es ist superschnell, da es über Bindungen zu C-Bibliotheken verfügt. Numpy basiert auf Ndarray-Objekten. Im Grunde ist ein Ndarry-Objekt ein Container mit mehrdimensionalen Elementen gleicher Größe und gleichen Typs, ähnlich einer Matrix.
F. Warum wird NumPy gegenüber Matlab, Octave, Idl oder Yorick bevorzugt?
Das struggle eine der Fragen im Vorstellungsgespräch, auf die ich gestoßen bin und die ich faszinierend fand, weil ich von all diesen Fragen außer Matlab und Numpy noch nie gehört habe.
IDL, Matlab und Octave sind additionally schicke programmierbare Desktop-Rechner.
Der Grund, warum wir uns für Numpy entschieden haben, liegt in seiner Rechenleistung.
Die Vorgänge auf ndarrays von NumPy sind im Vergleich zu Vorgängen auf nativen Pay attention mit Schleifen etwa bis zu 50 % schneller. Diese Effizienz ist sehr nützlich, wenn die Arrays Millionen von Elementen enthalten.
Numpy ermöglicht einen schnelleren Zugriff auf Elemente in einer Liste mithilfe von Indizes und wir können unsere Ergebnisse in nur wenigen Codezeilen erzielen, sodass es im Vergleich zu anderen übersichtlicher ist.
F. Wie können Sie zwei Arrays spalten- und zeilenweise verketten?
Hier bedeutet axis=0 zeilenweise, und wenn Sie es auf 1 ändern, wird das Ergebnis spaltenweise angezeigt
F. Unterschied zwischen Reshape und Resize in Numpy?
Nun, in ihrer Arbeitsweise sind sie ziemlich gleich, aber es kann sein, dass man sie miteinander verwechselt.
.reshape()
Es manipuliert grundsätzlich die Datenstruktur gemäß vorgegebener Parameter, nimmt jedoch keine dauerhaften Änderungen an den Daten vor
Wie Sie sehen können, struggle ursprünglich „mn“ angeordnet, wir erhalten dasselbe Format, auch nachdem wir die Funktion .reshape() verwendet haben.
Um diese neue Anordnung tatsächlich nutzen zu können, müssen wir sie in einer Variablen speichern.
.resize() ist nur ein wenig anders – die vorgenommenen Änderungen sind dauerhaft.
F. Wie zählt man die Häufigkeit eines bestimmten positiven Werts, der im NumPy-Array erscheint?
Wir können die Funktion bincount() verwenden, um zu berechnen, wie oft ein bestimmter Wert im Array vorhanden ist. Diese Funktion akzeptiert nur constructive Ganzzahlen und boolesche Ausdrücke als Argumente.
import numpy as np
arr = np.array([1, 2, 1, 3, 5, 0, 0, 0, 2, 3])
outcome = np.bincount(arr)
print(outcome)
Das Ergebnis ist:
[3 2 2 2 0 1]
Beachten Sie, dass jeder Wert im Ergebnis sein entsprechendes Vorkommen angibt
Zum Beispiel: 0->3-mal, 1->2-mal und so oo
Abschluss:
Kurz gesagt, Numpy ist der Batman der Datenwissenschaft 🙂
