Работа с NumPy Python

Джим Хугунин разработал предка библиотеки NumPy — Numeric и дополнительный пакет функций — Numarray. Сама эта библиотека появилась только в 2005 году благодаря Трэвису Олифанту, который добавил несколько особенностей Numarray в Numeric.

Что такое NumPy и зачем она нужна

NumPy, или Numerical Python — это библиотека Python, которая предлагает:

• мощный N-мерный массив;
• высокоуровневые функции;
• инструменты для интеграции кода C/C++ и Fortran.

А еще — эффективный многомерный контейнер общих данных. С помощью библиотеки можно определять произвольные типы.

Библиотека NumPy представляет собой базу данных с исходным кодом в открытом виде. Автор — проект SciPy. Библиотека помогает в различных задачах. Например:

• linalg — реализация решений из линейной алгебры.
• random — реализация функций для бесперебойной работы со случайными величинами.
• fft — реализация прямого и обратного преобразования Фурье.

Научитесь создавать сервисы на языке Python и освойте профессию разработчика за 10 месяцев. Пройдите курс Skypro с гарантией трудоустройства — вас ждут новая работа, диплом установленного образца, портфолио с семью проектами на GitHub и полезные знакомства. Программа обучения соответствует требованиям к вакансиям начинающих Python-разработчиков на 100%.

Обзор NumPy

Есть несколько базовых понятий и функций NumPy, которые обязательно нужно изучить, чтобы свободно пользоваться библиотекой.

Как создавать массивы

Вариантов несколько:

1. 1. Переделать список в NumPy-массивы

      X = np.array([[7, 8, 9], [10, 11, 12]])
      X
      
      Out:
      array([[7, 8, 9],
      [10, 11, 12]]) 

   2. Сделать копию.

      Y = X.copy()
      Y
      
      Out:
      array([[7, 8, 9],
      [10, 11, 12]])

   3. Сделать нулевой или единичный вариант определенного размера.

      A = np.zeros((2, 3))
      A
      
      Out:
      array([[0., 0., 0.],
      [0., 0., 0.]])

      B = np.ones((3, 2))
      B
      
      Out:
      array([[1., 1.],
      [1., 1.],
      [1., 1.]])

   4. Использовать примеры из библиотеки.

      A = np.array([[1, 2, 3], [4, 5, 6]])
      B = np.zeros_like(A)
      B
      
      Out:
      array([[0, 0, 0],
      [0, 0, 0]])

      A = np.array([[1, 2, 3], [4, 5, 6]])
      B = np.ones_like(A)
      B
      
      Out:
      array([[1, 1, 1],
      [1, 1, 1]])

   Если нужен двумерный квадратный, то можно сделать его единичной матрицей диагонального типа:

   A = np.eye(3)
   A
   
   Out:
   array([[1., 0., 0.],
   [0., 1., 0.],
   [0., 0., 1.]])

   Сделать от From (вкл) до To (не вкл) с шагом Step:

   From = 3.5
   To = 6
   Step = 0.5
   A = np.arange(From, To, Step)
   A
   
   Out:
   array([3.5, 4. , 4.5, 5. , 5.5])

   Изначально from = 0, step = 1, из-за этого есть вариант с одним параметром, который интерпретируется как To:

   A = np.arange(3)
   A
   
   Out:
   array([0, 1, 2])

   Либо с двумя — как From и To:

   A = np.arange(20, 26)
   A
   
   Out:
   array([20, 21, 22, 23, 24, 25])

   В третьем методе размеры передавались одним параметром (кортеж размеров). Вторым (в способах № 3 и № 4) можно указать желаемый тип элементов.

   A = np.zeros((2, 3), 'int')
   A
   
   Out:
   array([[0, 0, 0],
          [0, 0, 0]])

   B = np.ones((3, 2), 'complex')
   B
   
   Out:
   array([[1.+0.j, 1.+0.j],
          [1.+0.j, 1.+0.j],
          [1.+0.j, 1.+0.j]])

   Благодаря методу astype массив приводят к другому типу:

   A = np.ones((3, 2))
   B = A.astype('str')
   B
   
   Out:
   array([['1.0', '1.0'],
          ['1.0', '1.0'],
          ['1.0', '1.0']], dtype='<U32')

   Каждый тип есть в словаре sctypes:

   np.sctypes
   
   Out:
   {'int': [NumPy.int8, NumPy.int16, NumPy.int32, NumPy.int64],
    'uint': [NumPy.uint8, NumPy.uint16, NumPy.uint32, NumPy.uint64],
    'float': [NumPy.float16, NumPy.float32, NumPy.float64, NumPy.float128],
    'complex': [NumPy.complex64, NumPy.complex128, NumPy.complex256],
    'others': [bool, object, bytes, str, NumPy.void]}

   Базовые функции

2. Есть такой объект:

   a = np.array([1,2,3], dtype='int32')
   
   print(a)
   [1 2 3]

   Для определения количества измерений есть функция ndim:

   print(a.ndim)
   1

   Здесь одномерный массив или вектор. Но для двумерного результат оказался бы другим:

   b = np.array([[1, 2, 3], [4, 5, 6]])
   
   print(b.ndim)
   2

   Для подсчета количества строк и столбцов есть функция shape:

   print(a.shape)
   (3, )

   Объяснение результата: вектор — это одномерный массив. У него в библиотеке NumPy есть только строки или элементы, поэтому функция shape выдала число 3.
   С двумерными массивами ситуация понятнее:

   print(b.shape)
   (2, 3)

   В b — две строки и три столбца.
   Для остальных массивов функция shape будет добавлять дополнительные цифры в кортеже через запятую:

   с = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
   
   print(c.shape)
   (2, 2, 3)

   Читается это так: в объекте два трехмерных массива с двумя строками и тремя столбцами.

   Кроме размерностей, указывают тип элементов через функцию dtype. Если не присваивать тип элементам вручную, по умолчанию будет задан int32. Количество элементов указывают через функцию size.

   Функции itemsize и nbytes показывают, что количество байт в памяти занимает один элемент, а еще — какой объем байт во всём массиве. Один элемент занимает три байта, а весь объект b из девяти элементов — 3 * 9 = 27 байт.

   Научиться применять эти и другие функции в разработке можно на курсе Skypro «Python-разработчик». За несколько месяцев изучите базовую теорию и отработаете новые навыки на практических заданиях. Во время всего обучения студентов поддерживают опытные наставники и кураторы. А специалисты центра карьеры помогают составить резюме и подготовиться к собеседованиям.

   Доступ к элементам

   NumPy-массивы позволяют смотреть элементы по отдельности или в сумме. Еще они дают возможность изменить значение внутри самого массива.

   ✔️ Помните, что замене подлежит как отдельный элемент, так и любые последовательности элементов.

   Для этих целей есть специальная конструкция с полноценной и упрощенной версиями.

   Создание специальных массивов

   NumPy может создавать массивы с уже забитыми ячейками — нулями или единицами.

   1. 1. Массив NumPy из нулей через функцию zeros:

   	a = np.zeros((2, 2))
   
   print(a)
   [[0. 0.]
    [0. 0.]]

   Размер задается кортежем (2, 2). Если указать без скобок — будет ошибка:

   	a = np.zeros(2, 2)
   Traceback (most recent call last):
     File "<stdin>", line 1, in <module>
   TypeError: Cannot interpret '2' as a data type]

   Без скобок NumPy расценивает второй элемент как тип данных, который указывается для параметра dtype.
   Если указать одно число, получится вектор размером в два элемента. Тогда дополнительные скобки не нужны:

   a = np.zeros(2)
   
   print(a)
   [0. 0.]

   Стандартно элементам присваивается тип float64. Это дробные числа, которые занимают в памяти 64 бита, или 8 байт. Для получения целых чисел укажите это в параметре dtype через запятую:

   a = np.zeros(2, dtype='int32')
   
   print(a)
   [0 0]

3. Массив NumPy из единиц через функцию ones:

   b = np.ones((4, 2, 2), dtype='int32')
   print(b)
   [[[1 1]
     [1 1]]
   
    [[1 1]
     [1 1]]
   
    [[1 1]
     [1 1]]
   
    [[1 1]
     [1 1]]]

   Здесь создан трехмерный массив из четырех двумерных, каждый из которых имеет две строки и два столбца. Элементы — с типом int32.

4. Массив NumPy из произвольных чисел, отличных от нуля и единицы, через функцию full:

   c = np.full((2, 2), 5)
   
   print(c)
   [[5 5]
    [5 5]]

   Сначала указали размер массива через кортеж — (2, 2), потом число, которым заполним элементы, — 5.

5. Массив NumPy случайных чисел через функции random.rand:

   d = np.random.rand(3, 2)
   
   print(d)
   [[0.76088962 0.14281283]
    [0.32124888 0.34894434]
    [0.66903093 0.72899792]]

   NumPy генерирует случайные числа в диапазоне от нуля до единицы с восемью знаками после запятой. Размер задается не через кортеж (3, 2), а через запятую — потому что в функции random.rand нет параметра dtype.
   Массив случайных чисел через функцию random.randint:

   e = np.random.randint(-5, 10, size=(4, 4))
   
   print(e)
   [[ 3  1 -4  3]
    [ 0 -2  5  3]
    [ 5 -1  9  2]
    [ 0 -4  9 -2]]

6. Единичная матрица используется для линейной алгебры. По диагонали такой матрицы элементы равны единице, а остальные — нулю. Ее создают через функцию identity или eye:

   i = np.identity(4)
   
   print(i)
   [[1. 0. 0. 0.]
    [0. 1. 0. 0.]
    [0. 0. 1. 0.]
    [0. 0. 0. 1.]]

Математические операции

Массивы из NumPy можно использовать по-разному. Главное их преимущество — в поддержании стандартных арифметических операций. Например, в NumPy Python доступны сложение, деление, вычитание. Эта библиотека вычисляет синусы и многое другое из линейной алгебры, математической статистики.

Копирование и организация

Если в NumPy вы присвоите массив другой переменной, то получится ссылка на этот самый массив. Если в какой-то момент работы с программой потребуется создание независимой копии, то для этого есть функция copy. А для изменения объема и размера массива — функция reshape.

Дополнительные возможности

Можно использовать функцию накладывания или наслоения одних массивов поверх других: vstack и hstack.

Библиотека способна прочесть файлы с жесткого диска или данные из файла. Булевы выражения позволяют пользователям библиотеки получать информацию о том, какие элементы отвечают определенным условиям.

Как установить NumPy

Можно использовать платформу Anaconda: там большой выбор разных библиотек, которые подойдут для работы Python.

1. Перейдите на официальный сайт и скачайте последнюю версию софтов.
2. Откройте установщик и установите программы по инструкции.
3. Когда Python установится, откройте консоль и введите команду python3 для запуска интерпретатора Python.

В Anaconda есть много полезностей — NumPy, SciPy, Pandas, потому дополнительных установок не требуется. Достаточно проверить, что нужная библиотека работает. Для этого введите команды: import NumPy as np, потом a = np.array ([1,2,3]). Выведите значение переменной a — чтобы убедиться, что всё работает: print (a).

Можно установить библиотеки без лишних файлов через интегрированного питоновского менеджера пакетов PIP. Для этого нужно:

• установить Python;
• открыть программу и перейти во вкладку Downloads;
• выбрать место установки и согласиться с пунктами;
• потом скачать библиотеку NumPy.

Главное о библиотеке NumPy

• NumPy нужна для решений из линейной алгебры, реализации функций для бесперебойной работы со случайными величинами и прямого и обратного преобразования Фурье.
• Есть NumPy-функции для определения количества измерений, подсчета строк и столбцов, создания специальных массивов, математических операций и многого другого.
• Установить NumPy можно двумя способами: через Anaconda и PIP.