Khái niệm cơ bản về Mảng NumPy – mảng np làm gì

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 : mảng np làm gì

NumPy là viết tắt của Numerical Python. Nó là một thư viện Python được sử dụng để làm việc với một mảng. Trong Python, chúng tôi sử dụng danh sách cho mục đích của mảng nhưng nó xử lý chậm. Mảng NumPy là một đối tượng mảng N chiều mạnh mẽ và việc sử dụng nó trong các khả năng đại số tuyến tính, biến đổi Fourier và số ngẫu nhiên. Nó cung cấp một đối tượng mảng nhanh hơn nhiều so với danh sách Python truyền thống.

Các loại mảng:

  1. Một mảng một chiều
  2. Mảng đa chiều

Mảng một chiều:

Mảng một chiều là một loại mảng tuyến tính.

<…Ví dụ:

Python3

< / p>

nhập numpy dưới dạng np

danh sách = [ 1 , 2 , 3 , 4 ]

< p class = "line number8 index7 alt1"> sample_array = np.array (list1)

print ( "Danh sách trong python:" , danh sách )

print ( "Numpy Array trong python:" ,

sample_array)

 
 

Đầu ra:

 Danh sách trong python: [1, 2, 3, 4]
Mảng Numpy trong python: [1 2 3 4] 

Kiểm tra kiểu dữ liệu cho danh sách và mảng:

Python3

print ( type (list_1))

in ( type (sample_array))

 
 

< strong> Đầu ra:

 & lt; class 'list' & gt;
& lt; class 'numpy.ndarray' & gt; 

Mảng đa chiều:

Dữ liệu trong mảng đa chiều được lưu trữ dưới dạng bảng.

<…Ví dụ:

Python3 < / h2>

< br />

nhập numpy as np

list_1 = [ 1 , 2 , 3 , 4 ]

list_2 = [ 5 , 6 , 7 list_3 = [ 9 , 10 , 11 < / code> , 12 ]

sample_array = np.array ([list_1,

list_2,

list_3])

print ( < code class = "string"> "Mảng đa chiều khó hiểu trong python \ n" ,

< code class = "undefined space"> sample_array)

 
 

Đầu ra:

 Mảng đa chiều lộn xộn trong python
[[1 2 3 4]
 [5 6 7 8]
 [9 10 11 12]] 

Lưu ý: sử dụng các toán tử [] bên trong numpy.array () cho đa chiều

Giải phẫu mảng:

1. Trục: Trục của một mảng mô tả thứ tự lập chỉ mục vào mảng.

Trục 0 = một chiều

Trục 1 = Hai chiều

Trục 2 = Ba chiều

2. Hình dạng: Số phần tử cùng với mỗi trục. Nó đến từ một bộ tuple.

Ví dụ:

Python3

nhập numpy dưới dạng np

list_1 = [ 1 , 2 , 3 , 4 ]

list_2 = [ 5 , 6 , 7 , 8 ]

list_3 = [ 9 , 10 , 11 , 12 ]

sample_array = np.array ([list_1,

list_2,

list_3])

< p class = "line number14 index13 alt1"> print ( "Numpy array:" < / code> )

print (sample_array)

print ( "Hình dạng của mảng:" ,

sample_array.shape)

 
 

Đầu ra:

 Mảng khó hiểu:
[[1 2 3 4]
 [5 6 7 8]
 [9 10 11 12]]
Hình dạng của mảng: (3, 4) 

Ví dụ:

Python3

nhập numpy dưới dạng np

sample_array = np.array ([[ 0 , 4 < mã class = "trơn">, 2 ],

[ 3 , 4 , 5 ],

< / code> [ 23 , 4 , 5 ],

< p class = "line number6 index5 alt1"> [ 2 < mã class = "trơn">, 34 , 5 ],

[ 5 , 6 , 7 ]])

print ( "hình dạng của mảng : " ,

sample_array.shape)

 
 

Đầu ra:

 hình dạng của mảng: (5, 3) 

3. Xếp hạng: Thứ hạng của một mảng chỉ đơn giản là số trục (hoặc kích thước) mà nó có.

Mảng một chiều có xếp hạng 1.

Mảng hai chiều có thứ hạng 2.

4 . Đối tượng kiểu dữ liệu (dtype): Đối tượng kiểu dữ liệu (dtype) là một thể hiện của lớp numpy.dtype . Nó mô tả cách diễn giải các byte trong khối bộ nhớ có kích thước cố định tương ứng với một mục mảng.

Ví dụ:

Python3


nhập numpy as np

sample_array_1 = np.array ([[ 0 , 4 , 2 ]])

sample_array_2 = np.array ([ 0,2 , 0,4 ​​ , 2.4 ])

print ( "Kiểu dữ liệu của mảng 1:" ,

sample_array_1.dtype)

print ( "Kiểu dữ liệu của mảng 2:" ,

sample_array_2.dtype)

 
 

Đầu ra:

 Kiểu dữ liệu của mảng 1: int32
Kiểu dữ liệu của mảng 2: float64 

Một số cách khác nhau để tạo Mảng Numpy:

1. numpy.array () : Đối tượng mảng Numpy trong Numpy được gọi là ndarray. Chúng ta có thể tạo ndarray bằng cách sử dụng hàm numpy.array () .

Cú pháp: numpy.array (tham số)

Ví dụ:

Python3

nhập numpy dưới dạng np

< code class = "trơn"> arr = np.array ([ 3 , 4 , 5 , 5 < / code> ])

print ( "Array:" , arr)

 
  

Đầu ra:

 Mảng: [3 4 5 5] 

2. numpy.fromiter () : Hàm fromiter () tạo mảng một chiều mới từ một đối tượng có thể lặp lại.

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

Ví dụ 1:

Python3

nhập numpy dưới dạng np

có thể lặp lại = (a * a cho a trong range ( 8 ))

arr = np.fromiter (có thể lặp lại, float )

print ( " fromiter () array: " , arr )

 
 < / pre> 

Đầu ra:

mảng fromiter (): [0. 1. 4. 9. 16. 25. 36. 49.]

Ví dụ 2:

Python3




nhập numpy dưới dạng np

var = < code class = "string"> "Geekforgeeks"

arr = np.fromiter (var, dtype = 'U2' )

print ( "fromiter () array:" ,

< code class = "undefined space"> arr)

 
 

Đầu ra:

mảng fromiter () : ['G' 'e' 'e' 'k' 'f' 'o' 'r' 'g' 'e' 'e' 'k' 's']

3. numpy.arange () : Đây là một hàm NumPy có sẵn trả về các giá trị cách đều nhau trong một khoảng thời gian nhất định.

Cú pháp: numpy.arange ([start,] stop, [step,] dtype = None)

Ví dụ:

Python3

< br />

nhập < code class = "same"> numpy as np

np.arange ( 1 , 20 < mã class = "trơn">, 2 ,

dtype = np.float32)

 
 

Đầu ra:

array ([1., 3., 5., 7., 9., 11., 13., 15., 17., 19.], dtype = float32)

4. numpy.linspace () : Hàm này trả về các số cách đều nhau trên một chỉ định giữa hai giới hạn.

Cú pháp: numpy.linspace (start, stop, num = 50, endpoint = True, retstep = False, dtype = None, axis = 0)

Ví dụ 1:

Python3

nhập numpy dưới dạng np

np.linspace ( 3.5 , 10 , 3 )

 
 

Đầu ra:

 array ([3.5, 6.75, 10.]) 

Ví dụ 2:

Python3

nhập np

np.linspace ( 3.5 , 10 , 3 ,

dtype = np.int32)

 
 

< strong> Đầu ra:

 array ([3, 6, 10]) 

5. numpy.empty () : Hàm này tạo một mảng mới có hình dạng và kiểu đã cho mà không cần khởi tạo giá trị.

Cú pháp: numpy.empty (shape, dtype = float, order = 'C')

Ví dụ:

Python3


nhập np.empty ([ 4 , 3 ],

dtype = np.int32,

đặt hàng = 'f' ) ​​

 
 

Đầu ra:

 array ([[1 , 5, 9],
       [2, 6, 10],
       [3, 7, 11],
       [4, 8, 12]]) 

6. numpy.ones (): Hàm này được sử dụng để lấy một mảng mới có hình dạng và kiểu đã cho, chứa đầy các kiểu và hình dạng (1).

Cú pháp: numpy.ones (shape, dtype = None, order = 'C')

Ví dụ: >

Python3

nhập numpy as np

np .ones ([ 4 , 3 ],

dtype = np .int32,

đặt hàng = 'f' )

 
 

Đầu ra: < / p>

 array ([[1, 1, 1],
      [1, 1, 1],
      [1, 1, 1],
      [1, 1, 1]]) 

7. numpy.zeros () : Hàm này được sử dụng để nhận một mảng mới có hình dạng và kiểu đã cho, chứa đầy các số không ( 0).

Cú pháp: numpy.ones (shape, dtype = None)

Ví dụ: < / p>

Python3

nhập numpy as np

np.zeros ([ 4 , 3 ],

dtype = np.int32,

đặt hàng = 'f' )

  
 

Đầu ra:

 array ([[0, 0, 0],
       [0, 0, 0],
       [0, 0, 0],
       [0, 0, 0]]) 

Ghi chú cá nhân của tôi


Xem thêm những thông tin liên quan đến chủ đề mảng np làm gì

Cách làm MĂNG ỚT SIÊU NGON_ MĂNG ỚT ĐỂ ĐƯỢC LÂU TRẮNG GIÒN MÀ KHÔNG BỊ MÀNG

alt

  • Tác giả: Góc bếp nhỏ Food
  • Ngày đăng: 2020-09-25
  • Đánh giá: 4 ⭐ ( 5454 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Video trên mình chia sẻ với tất cả các bạn cách mình làm măng ớt, cách làm của mình vô cùng đơn giản . bạn nào cũng có thể làm được tại nhà . Măng ớt sau khi làm 5 đến 7 ngày có thể ăn được . Măng không bị hăng. Măng ớt trắng giòn. Thơm mùi tỏi mùi măng ớt mùi giấm tạo nên một hương thơm vô cùng hấp dẫn. Với cách làm này măng ớt để được rất là lâu mà không bị màng. Các bạn có thể bảo quản ở ngoài .hoặc để trong tủ lạnh bảo quản được rất là lâu. Măng ớt chúng ta có thể sử dụng trực tiếp hoặc chúng ta ăn với bún phở hoặc pha với nước chấm rất ngon.
    mình chúc tất cả các bạn làm món này thành công nhé
    👉khi xem video các bạn hãy nhớ bấm nút đăng ký kênh like để nhận được những video tiếp theo của mình 😘😘😘♥️ ♥️

Python: Vectơ, Ma trận và Mảng với NumPy

  • Tác giả: vi.softoban.com
  • Đánh giá: 3 ⭐ ( 1356 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Trong bài học này, chúng ta sẽ xem xét một số mẹo và thủ thuật nhỏ gọn để chơi với vectơ, ma trận và mảng bằng cách sử dụng thư viện NumPy trong Python. Bài học này là một điểm khởi đầu rất tốt nếu bạn đang bắt đầu vào Khoa học dữ liệu và cần một số tổng quan toán học giới thiệu về các thành phần này và cách chúng ta có thể chơi với chúng bằng cách sử dụng NumPy trong mã.

Tìm Hiểu Về Thư Viện Numpy Là Gì, Tìm Hiểu Về Thư Viện Numpy Trong Python(Phần 1)

  • Tác giả: exposedjunction.com
  • Đánh giá: 4 ⭐ ( 4523 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Trong Python, kiểu dữ liệu “list” được biết đến như là một danh sách các phần tử được phân cách với nhau bằng dấu phẩy, được lưu trữ theo thứ tự, Nếu bạn chưa học Python, có thể tham khảo và học tại trang web này

Tính toán trên mảng

  • Tác giả: hiepsiit.net
  • Đánh giá: 3 ⭐ ( 8927 lượt đánh giá )
  • Khớp với kết quả tìm kiếm:

Chi tiết bài học 23. Mảng numpy

  • Tác giả: vimentor.com
  • Đánh giá: 5 ⭐ ( 4899 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Vimentor chi tiết bài học

Làm việc với NumPy trong Python

  • Tác giả: stanford.com.vn
  • Đánh giá: 4 ⭐ ( 8522 lượt đánh giá )
  • Khớp với kết quả tìm kiếm:

Tìm Hiểu Thư Viện NumPy Trong Python

  • Tác giả: codelearn.io
  • Đánh giá: 4 ⭐ ( 3067 lượt đánh giá )
  • Khớp với kết quả tìm kiếm: Numpy là một thư viện toán học cho phép làm việc hiệu quả với ma trận và mảng với tốc độ xử lý nhanh hơn nhiều lần khi chỉ sử dụng “core Python”

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

Xem Thêm  Tệp XML là gì (Và làm cách nào để mở một tệp này)? - Các tệp xml được sử dụng để làm gì