Python NumPy Tutorial

Die Vorgängerin von NumPy, Numeric, wurde ursprünglich von Jim Hugunin und anderen Mitwirkenden gemeinsam entwickelt.2005 Im Jahr, kombinierte Travis Oliphant die Funktionen einer anderen ähnlichen Bibliothek Numarray in Numeric und entwickelte NumPy durch andere Erweiterungen. NumPy ist Open Source und wird von vielen Mitwirkenden gemeinsam entwickelt und unterhalten.

Das Herzstück des NumPy-Pakets ist das ndarray-Objekt. Es verpackt die n-dimensionale Array, die von Python originalen Datentypen, um sicherzustellen, dass seine Leistung hervorragend ist, viele Operationen werden lokal kompiliert und ausgeführt.

Es gibt einige wichtige Unterschiede zwischen NumPy-Arrays und den ursprünglichen Python-Arrays:

NumPy-Arrays haben eine festgelegte Größe, wenn sie erstellt werden, im Gegensatz zu den ursprünglichen Python-Array-Objekten. Ändert man die Größe eines ndarray, wird ein neuer Array erstellt und der alte Array wird gelöscht.Die Elemente eines NumPy-Arrays müssen denselben Datentyp haben, daher haben sie im Speicher die gleiche Größe.NumPy-Arrays helfen, mit großen Datenmengen fortgeschrittene Mathematik und andere Arten von Operationen durchzuführen. In der Regel sind diese Operationen effizienter und erfordern weniger Code als die Verwendung von Python-Originalarrays.Mehr und mehr wissenschaftliche und mathematische Softwarepakete auf Basis von Python verwenden NumPy-Arrays, aber sie konvertieren die Eingabearrays in NumPy-Arrays, bevor sie sie verarbeiten.

Bevor wir mit dem NumPy-Tutorial beginnen, müssen wir grundlegende Python-Kenntnisse haben, diese Website empfiehlt die Verwendung von Python3.x-Version, wenn Sie noch nicht mit Python vertraut sind, können Sie unserePython-Tutorial

Warum NumPy verwenden?

In Python haben wir Listen, die die Array-Funktionen erfüllen, aber sie sind beim Verarbeiten sehr langsam.NumPy zielt darauf ab, eine Geschwindigkeit zu bieten, die schneller als traditionelle Python-Listen ist 5Array-Objekt 0-fachArray-Objekte in NumPy werden als ndarray bezeichnet und bieten viele Unterstützungsfunktionen, die die Verwendung von ndarray sehr einfach machen.Arrays werden in der Datenwissenschaft sehr häufig verwendet, da Geschwindigkeit und Ressourcen sehr wichtig sind.Datenwissenschaft: Eine Abteilung der Informatik, die sich damit befasst, wie Daten gespeichert, verwendet und analysiert werden, um Informationen daraus zu gewinnen.

Warum ist NumPy schneller als Listen?

Im Gegensatz zu Listen werden NumPy-Arrays in einer kontinuierlichen Position im Speicher gespeichert, daher können Prozesse sie sehr effizient zugreifen und manipulieren.
Dieses Verhalten wird in der Informatik als Lokalität der Referenz bezeichnet.
Das ist der Hauptgrund, warum NumPy schneller als Listen ist. Es wurde auch optimiert, um mit den neuesten CPU-Architekturen zusammenzuarbeiten.

NumPy-Anwendungen

NumPy wird normalerweise zusammen mit SciPy verwendet, diese Kombination wird weit verbreitet verwendet, um Matlab zu ersetzen und hilft uns, Datenwissenschaft oder Maschinelles Lernen durch Python zu lernen.SciPy ist eine offene Python-Algorithmenbibliothek und Mathematik-Werkzeugkiste.SciPy enthält Module wie Optimierung, Lineare Algebra, Integration, Interpolation, spezielle Funktionen, schnelle Fourier-Transformation, Signalverarbeitung und Bildverarbeitung, Lösung von gewöhnlichen Differentialgleichungen und andere Berechnungen, die in der Wissenschaft und Engineering häufig verwendet werden.Matplotlib ist die visuelle Operationsoberfläche für die Programmiersprache Python und ihre numerische Mathematik-Erweiterung NumPy. Es nutzt allgemeine grafische Benutzeroberflächenpakete.

Zusammenhängende Informationen

NumPy-Webseite: http://www.numpy.orgNumPy-Quellcode: https://github.com/numpy/numpySciPy-Webseite: : https://www.scipy.orgSciPy-Quellcode: : https://github.com/scipy/scipyMatplotlib-Quellcode: : https://matplotlib.orgMatplotlib-Quellcode: : https://github.com/matplotlib/matplotlib

Einfaches Beispiel von Numpy

#　1、Paket installieren

$ pip install numpy

#　2、Python-Interaktionsmodus betreten

$ python
　-i
#　3、Numpy verwenden

>>> from numpy import
　*
>>> eye(
4
)
#　4、Ausgabeergebnis
array([[
1.,　0.,　0.,　0.],
　　　　　　　[0.,　1.,　0.,　0.],
　　　　　　　[0.,　0.,　1.,　0.],
　　　　　　　[0.,　0.,　0.,　1.]])