NumPy står för Numerical Python. Det är ett Python-bibliotek som används för att arbeta med en array. I Python använder vi listan för arrayen men den är långsam att bearbeta. NumPy array är ett kraftfullt N-dimensionellt arrayobjekt och används i linjär algebra, Fouriertransform och slumptalsfunktioner. Det ger ett arrayobjekt mycket snabbare än traditionella Python-listor.

Typer av array:

1. Endimensionell array
2. Multidimensionell array

Endimensionell array:

En endimensionell array är en typ av linjär array.

Endimensionell array

Exempel:

# 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:

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

Kontrollera datatyp för lista och array:

lista i java

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

Produktion:

>

Multidimensionell array:

Data i flerdimensionella arrayer lagras i tabellform.

Tvådimensionell array

Exempel:

# 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]]>

Notera: använda sig av [ ] operatorer inuti numpy.array() för flerdimensionell

Anatomi av en array:

1. Axel: En arrays axel beskriver ordningen för indexeringen i arrayen.

Axel 0 = endimensionell

Axel 1 = Tvådimensionell

slumpvis ordning i sql

Axel 2 = Tredimensionell

2. Form: Antalet element längs med varje axel. Den är från en tupel.

Exempel:

# 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)>

Exempel:

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. Rang: Rangen för en array är helt enkelt antalet axlar (eller dimensioner) den har.

Den endimensionella arrayen har rang 1.

Rank 1

Den tvådimensionella arrayen har rang 2.

Rank 2

4. Datatypobjekt (dtype): Datatypobjekt (dtype) är en instans av numpy.dtype klass. Den beskriver hur byten i minnesblocket med fast storlek som motsvarar ett arrayobjekt ska tolkas.

Exempel:

# 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:

hur man kontrollerar blockerade nummer på Android

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

Några olika sätt att skapa Numpy Array:

1. numpy.array() : Numpy-arrayobjektet i Numpy kallas ndarray. Vi kan skapa ndarray med hjälp av numpy.array() fungera.

Syntax: numpy.array(parameter)

Exempel:

# 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 skapar en ny endimensionell array från ett iterbart objekt.

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

Exempel 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.]

Exempel 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() : Detta är en inbyggd NumPy-funktion som returnerar jämnt fördelade värden inom ett givet intervall.

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

Exempel:

min live cricket

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() : Denna funktion returnerar jämnt fördelade tal över en angiven mellan två gränser.

Syntax: numpy.linspace(start, stopp, num=50, endpoint=True, retstep=False, dtype=Ingen, axis=0)

Exempel 1:

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

Produktion:

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

Exempel 2:

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

Produktion:

array slicing java

array([ 3, 6, 10])>

5. numpy.empty() : Den här funktionen skapar en ny array av given form och typ, utan initialiseringsvärde.

Syntax: numpy.empty(shape, dtype=float, order=’C’)

Exempel:

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(): Denna funktion används för att få en ny array av given form och typ, fylld med ettor(1).

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

Exempel:

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() : Denna funktion används för att få en ny array med given form och typ, fylld med nollor(0).

Syntax: numpy.ones(shape, dtype=None)

Exempel:

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]])>