GeeksforGeeks – thư viện numpy trong python

Cổng thông tin Khoa học Máy tính dành cho những người yêu thích máy tính. Nó bao gồm các bài báo về khoa học máy tính và lập trình được viết tốt, được tư duy tốt và được giải thích tốt, các câu đố và thực hành / lập trình cạnh tranh / các câu hỏi phỏng vấn công ty.

Bạn đang xem : thư viện numpy trong python

Python Numpy

Numpy là một gói xử lý mảng có mục đích chung. Nó cung cấp một đối tượng mảng đa chiều hiệu suất cao và các công cụ để làm việc với các mảng này. Đây là gói cơ bản cho tính toán khoa học với Python.
Bên cạnh những công dụng khoa học rõ ràng, Numpy cũng có thể được sử dụng như một nơi chứa dữ liệu chung đa chiều hiệu quả.

Mảng trong Numpy

Mảng trong Numpy là một bảng gồm các phần tử (thường là số), tất cả đều thuộc cùng một kiểu, được lập chỉ mục bởi một loạt các số nguyên dương. Trong Numpy, số kích thước của mảng được gọi là thứ hạng của mảng. Nhiều số nguyên cho kích thước của mảng dọc theo mỗi chiều được gọi là hình dạng của mảng. Một lớp mảng trong Numpy được gọi là ndarray . Các phần tử trong mảng Numpy được truy cập bằng cách sử dụng dấu ngoặc vuông và có thể được khởi tạo bằng cách sử dụng Danh sách Python lồng nhau.

Tạo mảng Numpy
Mảng trong Numpy có thể được tạo bởi nhiều với nhiều Thứ hạng khác nhau, xác định kích thước của Mảng. Mảng cũng có thể được tạo bằng cách sử dụng nhiều kiểu dữ liệu khác nhau như danh sách, bộ giá trị, v.v. Kiểu của mảng kết quả được suy ra từ kiểu của các phần tử trong chuỗi.
Lưu ý: Loại mảng có thể được xác định rõ ràng trong khi tạo mảng.


# Chương trình Python cho
# Tạo Mảng
nhập numpy dưới dạng np

# Tạo Mảng xếp hạng 1
arr = np.array ([1, 2, 3])
print ("Mảng có Xếp hạng 1: \ n", arr)

# Tạo Mảng hạng 2
arr = np.array ([[1, 2, 3],
                [4, 5, 6]])
print ("Mảng có Xếp hạng 2: \ n", arr)

# Tạo mảng từ tuple
arr = np.array ((1, 3, 2))
print ("\ nMray được tạo bằng cách sử dụng"
      "đã qua tuple: \ n", arr)

Đầu ra:

Mảng có Xếp hạng 1:
 [1 2 3]
Mảng có Xếp hạng 2:
 [[1 2 3]
 [4 5 6]]

Mảng được tạo bằng cách sử dụng tuple đã truyền:
 [1 3 2]

Truy cập Chỉ mục mảng
Trong một mảng nhiều, việc lập chỉ mục hoặc truy cập chỉ mục mảng có thể được thực hiện theo nhiều cách. Để in một phạm vi của một mảng, việc cắt lát được thực hiện. Cắt mảng là xác định một phạm vi trong một mảng mới được sử dụng để in một phạm vi các phần tử từ mảng ban đầu. Vì mảng cắt lát chứa một loạt các phần tử của mảng gốc, việc sửa đổi nội dung với sự trợ giúp của mảng cắt lát sẽ sửa đổi nội dung mảng ban đầu.

# Chương trình Python để chứng minh
# lập chỉ mục trong mảng numpy
nhập numpy dưới dạng np

# Mảng ban đầu
arr = np.array ([[- 1, 2, 0, 4],
                [4, -0,5, 6, 0],
                [2,6, 0, 7, 8],
                [3, -7, 4, 2.0]])
print ("Mảng ban đầu:")
in (arr)

# In một loạt các Mảng
# với việc sử dụng phương pháp cắt
Slice_arr = arr [: 2, :: 2]
print ("Mảng có 2 hàng đầu tiên và"
    "cột thay thế (0 và 2): \ n", Slice_arr)

# Phần tử in tại
# chỉ số cụ thể
Index_arr = arr [[1, 1, 0, 3],
                [3, 2, 1, 0]]
print ("\ n Triển khai tại các chỉ số (1, 3),"
    "(1, 2), (0, 1), (3, 0): \ n", Index_arr)

Đầu ra:

Mảng ban đầu:
[[-1. 2. 0. 4.]
 [4. -0.5 6. 0.]
 [2.6 0. 7. 8.]
 [3. -7. 4. 2.]]
Mảng có 2 hàng đầu tiên và các cột thay thế (0 và 2):
 [[-1. 0.]
 [4. 6.]]

Các phần tử tại các chỉ số (1, 3), (1, 2), (0, 1), (3, 0):
 [0. 54. 2. 3.]

Các phép toán mảng cơ bản
Trong trường hợp ẩn, mảng cho phép nhiều hoạt động có thể được thực hiện trên một mảng cụ thể hoặc kết hợp các mảng. Các phép toán này bao gồm một số phép toán Toán học cơ bản cũng như các phép toán Một ngôi và Nhị phân.


# Chương trình Python để chứng minh
# phép toán cơ bản trên một mảng
nhập numpy dưới dạng np

# Định nghĩa Mảng 1
a = np.array ([[1, 2],
              [3, 4]])

# Định nghĩa Mảng 2
b = np.array ([[4, 3],
              [2, 1]])
              
# Thêm 1 vào mọi phần tử
print ("Thêm 1 vào mọi phần tử:", a + 1)

# Trừ 2 từ mỗi phần tử
print ("\ nTrừ 2 từ mỗi phần tử:", b - 2)

# tổng các phần tử mảng
# Thực hiện các phép toán đơn nguyên
print ("\ nTổng của tất cả các mảng"
       "phần tử:", a.sum ())

# Thêm hai mảng
# Thực hiện các phép toán nhị phân
print ("\ nMảng tổng hợp: \ n", a + b)

Đầu ra:

Thêm 1 vào mọi phần tử:
 [[2 3]
 [4 5]]

Trừ 2 cho mỗi phần tử:
 [[2 1]
 [0 -1]]

Tổng của tất cả các phần tử mảng: 10

Tổng mảng:
 [[5 5]
 [5 5]]

Tìm hiểu thêm về Mảng Numpy

Các kiểu dữ liệu trong Numpy

Mỗi mảng Numpy là một bảng các phần tử (thường là số), tất cả cùng loại, được lập chỉ mục bởi một bộ số nguyên dương. Mọi ndarray đều có một đối tượng kiểu dữ liệu (dtype) được liên kết. Đối tượng kiểu dữ liệu (dtype) này cung cấp thông tin về cách bố trí của mảng. Các giá trị của một ndarray được lưu trữ trong một bộ đệm có thể được coi như một khối byte bộ nhớ liền kề có thể được giải thích bởi đối tượng dtype. Numpy cung cấp một tập hợp lớn các kiểu dữ liệu số có thể được sử dụng để tạo mảng. Tại thời điểm tạo Mảng, Numpy cố gắng đoán kiểu dữ liệu, nhưng các hàm tạo mảng thường cũng bao gồm một đối số tùy chọn để chỉ định rõ ràng kiểu dữ liệu.

Tạo đối tượng kiểu dữ liệu < br /> Trong Numpy, không cần xác định kiểu dữ liệu của Mảng trừ khi cần có kiểu dữ liệu cụ thể. Numpy cố gắng đoán kiểu dữ liệu cho Mảng không được xác định trước trong hàm khởi tạo.

# Chương trình Python để tạo
# một đối tượng kiểu dữ liệu
nhập numpy dưới dạng np

# Kiểu dữ liệu số nguyên
# do Numpy đoán
x = np.array ([1, 2])
print ("Kiểu dữ liệu số nguyên:")
print (x.dtype)

# Float datatype
# do Numpy đoán
x = np.array ([1.0, 2.0])
print ("\ nFloat Datatype:")
print (x.dtype)

# Kiểu dữ liệu bắt buộc
x = np.array ([1, 2], dtype = np.int64)
print ("\ nForcing a Datatype:")
print (x.dtype)

Đầu ra:

Kiểu dữ liệu số nguyên:
int64

Loại dữ liệu nổi:
float64

Buộc một kiểu dữ liệu:
int64

Các phép toán trên mảng DataType
Trong mảng Numpy, các phép toán cơ bản được thực hiện theo từng phần tử trên mảng. Các hoạt động này được áp dụng cả dưới dạng nạp chồng toán tử và dưới dạng các hàm. Nhiều hàm hữu ích được cung cấp trong Numpy để thực hiện các phép tính trên Mảng chẳng hạn như sum : để thêm các phần tử của Mảng, T : để Chuyển đổi các phần tử, v.v.

< pre class = "brush: python3; title:; notranslate" title = "">
# Chương trình Python để tạo
# một đối tượng kiểu dữ liệu
nhập numpy dưới dạng np

# Mảng đầu tiên
arr1 = np.array ([[4, 7], [2, 6]],
dtype = np.float64)

# Mảng thứ hai
arr2 = np.array ([[3, 6], [2, 8]],
dtype = np.float64)

# Phép cộng của hai Mảng
Sum = np.add (arr1, arr2)
print (“Phép cộng Hai Mảng:”)
in (Tổng)

# Bổ sung tất cả các phần tử của Mảng
# sử dụng phương pháp tính tổng được xác định trước
Sum1 = np.sum (arr1)
print (“\ nBổ sung các phần tử của Mảng:”)
in (Sum1)

# Căn bậc hai của Mảng
Sqrt = np.sqrt (arr1)
print (“\ nSquare gốc của các phần tử Array1:”)
in (Sqrt)

# Transpose of Array
# sử dụng hàm tích hợp ‘T’
Trans_arr = arr1.T
print (“\ nMục đích của Mảng:”)
in (Trans_arr)

Đầu ra:

Bổ sung hai mảng:
[[7. 13.]
 [4. 14.]]

Bổ sung các phần tử của Mảng:
19.0

Căn bậc hai của các phần tử Array1:
[[2. 2,64575131]
 [1.41421356 2.44948974]]

Chuyển vị của mảng:
[[4. 2.]
 [7. 6.]]

Tìm hiểu thêm về Loại dữ liệu Numpy

Các phương thức trong Numpy

Các bài viết gần đây về Numpy

Các chương trình về Numpy

Hữu ích Bài báo ngớ ngẩn

Ghi chú cá nhân của tôi


Xem thêm những thông tin liên quan đến chủ đề thư viện numpy trong python

Series Tự học Data Analytics – Bài 3. Thư viện Numpy – Phần 1. Mảng trong Numpy (Numpy Array)

  • Tác giả: Python nâng cao
  • Ngày đăng: 2022-01-05
  • Đánh giá: 4 ⭐ ( 8116 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Đây là video vừa học, vừa chia sẻ nên không tránh những sai sót, mong các bạn thông cảm
    Các bạn truy cập tài liệu tại website: https://pythonnangcao.com
    Hoặc tham gia các khóa học lập trình khác tại: https://shorten.asia/khu4EbmV
    Nếu thấy bổ ích, các bạn có thể đăng ký kênh ủng hộ mình và theo dõi những video mới nhất mình chia sẻ.
    Một like + Sub của các bạn là động lực cho mình. Xin cảm ơn

Lập Trình Từ Đầu

  • Tác giả: laptrinhtudau.com
  • Đánh giá: 5 ⭐ ( 6789 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Lập Trình Từ Đầu

Tổng quan thư viện NumPy trong Python – Blog

  • Tác giả: vn.got-it.ai
  • Đánh giá: 4 ⭐ ( 2737 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: NumPy được biết đến là thư viện xử lý mảng được sử dụng rộng rãi trong Python. ài viết này sẽ giúp bạn có cái nhìn khái quát nhất về thư viện này nhé

Hiểu NumPy

  • Tác giả: helpex.vn
  • Đánh giá: 5 ⭐ ( 8639 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: NumPy là gì? NumPy là một thư viện Python mạnh mẽ, chủ yếu được sử dụng để thực hiện các tính toán trên các mảng đa chiều. Từ NumPy đã được bắt nguồn từ hai từ – Python số. NumPy cung cấp…

Tìm hiểu thư viện Numpy trong Python

  • Tác giả: blog.japan-itworks.vn
  • Đánh giá: 3 ⭐ ( 8291 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Numpy (Numeric Python): là một thư viện toán học phổ biến và mạnh mẽ của Python.

Tổng quan thư viện NumPy trong Python

  • Tác giả: sandev.vn
  • Đánh giá: 3 ⭐ ( 2748 lượt đánh giá )
  • Khớp với kết quả tìm kiếm:

Tìm hiểu về thư viện Numpy trong Python(Phần 2)

  • Tác giả: viblo.asia
  • Đánh giá: 5 ⭐ ( 2384 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Trong bài viết trước tôi đã giới thiệu cho bạn về NumPy, lợi ích của nó, cách cài đặt nó để sử dụng, tìm hiểu về Mảng trong NumPy, kiểu dữ liệu trong NumPy. Trong bài viết này chúng ta sẽ tiếp tục tìm…

Xem thêm các bài viết khác thuộc chuyên mục: Kiến thức lập trình

Xem Thêm  JavaScript chọn phần tử - javascript chọn một tùy chọn