12 NumPy-Operationen für Anfänger

NumPy, was für Numerical Python steht, ist eine Python-Bibliothek, die hauptsächlich zum Arbeiten mit Arrays und zum Ausführen einer Vielzahl mathematischer Operationen mit ihnen verwendet wird. Es ist die Kernbibliothek für wissenschaftliches Rechnen in Python. NumPy wird oft mit anderen Python-Bibliotheken im Zusammenhang mit Data Science wie SciPy, Pandas und Matplotlib verwendet.

In diesem Artikel erfahren Sie, wie Sie mit NumPy 12 grundlegende Operationen ausführen.

Verwenden dieser NumPy-Beispiele

Sie können die Beispiele in diesem Artikel ausführen, indem Sie den Code direkt in den Python-Interpreter eingeben. Starten Sie es dazu im interaktiven Modus über die Befehlszeile.

Sie können auch auf eine Python-Notebook-Datei zugreifen, die den vollständigen Quellcode enthält von dieses GitHub-Repository.

1. So importieren Sie NumPy als np und drucken die Versionsnummer

Sie müssen die verwenden importieren Schlüsselwort zum Importieren einer beliebigen Bibliothek in Python. NumPy wird normalerweise unter dem. importiert

np alias. Bei diesem Ansatz können Sie das NumPy-Paket als np Anstatt von numpy.

numpy als np importieren
drucken (np.__version__)

Ausgabe:

1.20.1

2. So erstellen Sie ein NumPy-Ndarray-Objekt

Das Array-Objekt in NumPy heißt ndarray. Sie können die NumPy. erstellen ndarray Objekt mit dem Array() Methode. Die Array() -Methode akzeptiert eine Liste, ein Tupel oder ein Array-ähnliches Objekt.

Verwenden eines Tupels zum Erstellen eines NumPy-Arrays

arrObj = np.array((23, 32, 65, 85))
arrObj

Ausgabe:

Array([23, 32, 65, 85])

Verwenden einer Liste zum Erstellen eines NumPy-Arrays

arrObj = np.array([43, 23, 75, 15])
arrObj

Ausgabe:

Array([43, 23, 75, 15])

3. So erstellen Sie 0D-, 1D-, 2D-, 3D- und N-dimensionale NumPy-Arrays

0D-Arrays

Jedes Element eines Arrays ist ein 0D-Array.

arrObj = np.array (21)
arrObj

Ausgabe:

Reihe (21)

1D-Arrays

Arrays mit 0D-Arrays als Elemente werden 1D-Arrays genannt.

arrObj = np.array([43, 23, 75, 15])
arrObj

Ausgabe:

Array([43, 23, 75, 15])

2D-Arrays

Arrays mit 1D-Arrays als Elemente werden 2D-Arrays genannt.

arrObj = np.array([[12, 43, 21], [67, 32, 98]])
arrObj

Ausgabe:

Array([[12, 43, 21],
[67, 32, 98]])

3D-Arrays

Arrays, die 2D-Arrays (Matrizen) als ihre Elemente haben, werden 3D-Arrays genannt.

arrObj = np.array([[[23, 45, 22], [45, 76, 23]], [[67, 23, 56], [12, 76, 63]]])
arrObj

Ausgabe:

Array([[[23, 45, 22],
[45, 76, 23]],
[[67, 23, 56],
[12, 76, 63]]])

n-dimensionale Arrays

Sie können ein Array mit einer beliebigen Dimension erstellen, indem Sie die ndmin Streit.

arrObj = np.array([23, 22, 65, 44], ndmin=5)
arrObj

Ausgabe:

Array([[[[[23, 22, 65, 44]]]]])

4. So überprüfen Sie die Abmessungen eines Arrays

Die Dimensionen eines Arrays finden Sie mit dem ndim Attribut.

arrObj1 = np.array (21)
arrObj2 = np.array([43, 23, 75, 15])
arrObj3 = np.array([[12, 43, 21], [67, 32, 98]])
arrObj4 = np.array([[[23, 45, 22], [45, 76, 23]], [[67, 23, 56], [12, 76, 63]]])
drucken (arrObj1.ndim)
drucken (arrObj2.ndim)
drucken (arrObj3.ndim)
drucken (arrObj4.ndim)

Ausgabe:

0
1
2
3

5. So greifen Sie auf die Elemente von 1D-, 2D- und 3D-Arrays zu

Sie können auf ein Array-Element über seine Indexnummer zugreifen. Für 2D- und 3D-Arrays müssen Sie durch Kommas getrennte Ganzzahlen verwenden, die den Index jeder Dimension darstellen.

arrObj1 = np.array([43, 23, 75, 15])
arrObj2 = np.array([[12, 43, 21], [67, 32, 98]])
arrObj3 = np.array([[[23, 45, 22], [45, 76, 23]], [[67, 23, 56], [12, 76, 63]]])
drucken (arrObj1[2])
drucken (arrObj2[0, 2])
drucken (arrObj3[0, 1, 2])

Ausgabe:

75
21
23

Notiz: NumPy-Arrays unterstützen auch negative Indizierung.

Verwandt: Warum Python die Programmiersprache der Zukunft ist

6. So überprüfen Sie den Datentyp des NumPy-Array-Objekts

Sie können den Datentyp des NumPy-Array-Objekts mit dem dtyp Eigentum.

arrObj1 = np.array([1, 2, 3, 4])
arrObj2 = np.array([1.3, 6.8, 3.5, 9.2])
arrObj3 = np.array(['Willkommen', 'zu', 'MUO'])
drucken (arrObj1.dtype)
drucken (arrObj2.dtype)
drucken (arrObj3.dtype)

Ausgabe:

int32
float64

Notiz:

NumPy verwendet die folgenden Zeichen, um die integrierten Datentypen darzustellen:

• i — ganze Zahl (mit Vorzeichen)
• b — boolesch
• O — Objekt
• S — Saite
• u — Ganzzahl ohne Vorzeichen
• f — schweben
• c — komplexe Gleitkommazahl
• m — Zeitdelta
• M — Datum/Uhrzeit
• U — Unicode-String
• V — Rohdaten (ungültig)

7. So ändern Sie den Datentyp eines NumPy-Arrays

Sie können den Datentyp eines NumPy-Arrays ändern, indem Sie astype (data_type) Methode. Diese Methode akzeptiert den Datentyp als Parameter und erstellt eine neue Kopie des Arrays. Sie können den Datentyp mit Zeichen wie 'b' für Boolean, 'i' für Integer, 'f' für Float usw. angeben.

Konvertieren eines Integer-Arrays in ein Float-Array

arrObj = np.array([43, 23, 75, 15])
floatArr = arrObj.astype('f')
floatArr

Ausgabe:

array([43., 23., 75., 15.], dtype=float32)

Konvertieren eines Float-Arrays in ein Integer-Array

arrObj = np.array([1.3, 6.8, 3.5, 9.2])
intArr = arrObj.astype('i')
intArr

Ausgabe:

Array([1, 6, 3, 9], dtype=int32)

Verwandt: Python-Projektideen für Anfänger geeignet

8. So kopieren Sie ein NumPy-Array in ein anderes Array

Sie können ein NumPy-Array in ein anderes Array kopieren, indem Sie np.copy() Funktion. Diese Funktion gibt eine Array-Kopie des angegebenen Objekts zurück.

oldArr = np.array([43, 23, 75, 15])
newArr = np.copy (oldArr)
neuArr

Ausgabe:

Array([43, 23, 75, 15])

9. So finden Sie die Form eines NumPy-Arrays

Die Form eines Arrays bezieht sich auf die Anzahl der Elemente in jeder Dimension. Sie können die Form eines Arrays mithilfe der ermitteln Form Attribut. Es gibt ein Tupel zurück, dessen Elemente die Längen der entsprechenden Array-Dimensionen angeben.

arrObj = np.array([[12, 43, 21], [67, 32, 98]])
arrObj.shape

Ausgabe:

(2, 3)

Verwandt: So erstellen Sie APIs in Python: Die beliebtesten Frameworks

10. Wie man ein NumPy-Array umformt

Das Umformen eines Arrays bedeutet, seine Form zu ändern. Beachten Sie, dass Sie ein Array nicht in eine beliebige Form umformen können. Die Anzahl der für die Umformung erforderlichen Elemente muss in beiden Formen gleich sein.

arrObj = np.array([43, 23, 75, 15, 34, 45])
reshapedArr = arrObj.reshape (2, 3)
umgestaltetArr

Ausgabe:

Array([[43, 23, 75],
[15, 34, 45]])

Im obigen Beispiel wird ein 1D-Array in ein 2D-Array umgeformt.

11. So reduzieren Sie ein NumPy-Array

Das Abflachen eines Arrays bedeutet das Konvertieren eines mehrdimensionalen Arrays in ein 1D-Array. Sie können ein Array mit abflachen umformen(-1).

arrObj = np.array([[12, 43, 21], [67, 32, 98]])
flattenedArr = arrObj.reshape(-1)
abgeflachtArr

Ausgabe:

Array([12, 43, 21, 67, 32, 98])

Notiz: Sie können ein Array auch mit anderen Methoden wie glätten numpy.ndarray.flatten() und numpy.ravel().

12. So sortieren Sie ein NumPy-Array

Sie können ein NumPy-Array mit dem sortieren numpy.sort() Funktion.

Sortieren von 1D-Arrays von ganzen Zahlen

arrObj = np.array([43, 23, 75, 15])
np.sort (arrObj)

Ausgabe:

Array([15, 23, 43, 75])

Sortieren von 1D-String-Arrays

arrObj = np.array(["Python", "JavaScript", "Solidity", "Golang"])
np.sort (arrObj)

Ausgabe:

array(['Golang', 'JavaScript', 'Python', 'Solidity'], dtype='

Sortieren von 2D-Arrays von Integers

arrObj = np.array([[12, 43, 21], [67, 32, 98]])
np.sort (arrObj)

Ausgabe:

Array([[12, 21, 43], [32, 67, 98]])

Machen Sie Ihren Code mit integrierten Methoden und Funktionen robust

Python ist eine der beliebtesten Programmiersprachen. Es wird in verschiedenen Bereichen wie Webentwicklung, wissenschaftliche und numerische Anwendungen, Softwareentwicklung und Spieleentwicklung verwendet. Es ist immer gut, über integrierte Methoden und Funktionen in Python Bescheid zu wissen. Sie können Ihren Code verkürzen und seine Effizienz steigern.

20 Python-Funktionen, die Sie kennen sollten

Die Python-Standardbibliothek enthält viele Funktionen, die Sie bei Ihren Programmieraufgaben unterstützen. Erfahren Sie mehr über die nützlichsten und erstellen Sie robusteren Code.

Weiter lesen

Über den Autor