Давайте подробно рассмотрим основы импорта и использования библиотеки NumPy. Это будет полезно для тех, кто только начинает работать с этой библиотекой, а также для тех, кто хочет освежить свои знания.
Установка библиотеки
Для использования библиотеки NumPy вам сначала нужно установить её, если она еще не установлена. Это можно сделать с помощью pip:
pipinstallnumpy
Импорт библиотеки
После установки библиотеки вы можете импортировать её в вашем Python-коде. Обычно NumPy импортируется под псевдонимом np, что упрощает вызов её функций:
import numpy as np
Основные операции и функции
Создание массивов
NumPy предоставляет различные способы создания массивов:
# Одномерный массивa = np.array([1, 2, 3, 4, 5])# Двумерный массив (матрица)b = np.array([[1, 2, 3], [4, 5, 6]])# Массивы с нулями, единицами и единичная матрицаc = np.zeros((2, 3))# Матрица 2x3 из нулейd = np.ones((3, 4))# Матрица 3x4 из единицe = np.eye(3)# Единичная матрица 3x3# Массивы от 0 до 9 и равномерное распределениеf = np.arange(10)# Массив от 0 до 9g = np.linspace(0, 1, 5)# Массив от 0 до 1 с 5 равномерно распределенными элементами
Арифметические операции
Арифметические операции применяются поэлементно к массивам:
a = np.array([1, 2, 3, 4])b = np.array([5, 6, 7, 8])# Сложениеc = a + b # array([ 6, 8, 10, 12])# Вычитаниеd = a - b # array([-4, -4, -4, -4])# Умножениеe = a * b # array([ 5, 12, 21, 32])# Делениеf = a / b # array([0.2 , 0.33333333, 0.42857143, 0.5 ])# Возведение в степеньg = a **2# array([ 1, 4, 9, 16])
Универсальные функции (ufunc)
Универсальные функции применяются поэлементно и поддерживают векторизацию:
NumPy также предоставляет возможности для генерации случайных чисел:
# Создание генератора случайных чиселrng = np.random.default_rng()# Случайные числа от 0 до 1random_numbers = rng.random(5)# array([0.12345678, 0.23456789, 0.3456789 , 0.45678901, 0.56789012])# Случайные целые числаrandom_integers = rng.integers(10, size=5)# array([1, 7, 3, 8, 2])
Заключение
NumPy предоставляет широкий набор инструментов для работы с массивами и матрицами, выполнения арифметических операций и статистических расчетов. Она является основой для многих научных вычислений в Python благодаря своей эффективности и гибкости. Ознакомившись с этими основами, вы сможете более эффективно использовать NumPy для ваших задач в анализе данных и вычислениях.