Учебник по NumPy на Python

Предшественник NumPy, Numeric, был最早由 Jim Hugunin и другими współpracownikami wspólnie rozwijany. W 2005 roku Travis Oliphant połączył cechy innej programowej biblioteki o podobnym charakterze, Numarray, z innymi rozszerzeniami i rozwijał NumPy. NumPy jest open-source i jest wspólnie utrzymywany i rozwijany przez wielu współpracowników.

Ядро пакета NumPy - это объект ndarray. Он обертывает n-мерные массивы с одинаковыми типами данных, для обеспечения их высокой производительности многие операции выполняются кодом, который компилируется локально.

之间存在几个重要的区别 между NumPy массивами и исходными массивами Python:

Массивы NumPy имеют фиксированный размер при создании, в отличие от исходных объектов массивов Python, изменение размера ndarray создает новый массив и удаляет старый.Элементы массивов NumPy должны иметь одинаковый тип данных, поэтому они занимают одинаковое количество места в памяти.Массивы NumPy помогают выполнять продвинутые математические и другие типы операций с большим количеством данных. Обычно, эти операции выполняются с высокой эффективностью и требуют меньше кода, чем использование исходных массивов Python.Все больше научных и математических пакетов на Python, основанных на NumPy, но перед обработкой они будут преобразовывать входные массивы в массивы NumPy.

Прежде чем начать изучать учебник по NumPy, нам нужно обладать базовыми знаниями Python, этот сайт рекомендует использовать версию Python 3.x. Если вы还不 знакомы с Python, вы можете прочитать нашиУчебник по Python

Почему использовать NumPy?

В Python у нас есть списки, которые выполняют функции массивов, но они медленны в обработке.NumPy направлен на предоставление массивов, которые быстрее традиционных списков Python в 50 раз.Массивы в NumPy называются ndarray и предоставляют множество функций поддержки, что делает использование ndarray очень простым.Массивы очень часто используются в данных науки, так как скорость и ресурсы очень важны.Данные науки - это ветвь компьютерной науки, которая исследует, как хранить, использовать и анализировать данные для извлечения информации из них.

Почему NumPy быстрее списков?

В отличие от списков, массивы NumPy хранятся в памяти в последовательных позициях, поэтому процесс может очень эффективно обращаться к ним и манипулировать ими.
Это поведение в компьютерной науке называется локальностью ссылок.
Это主要原因, почему NumPy быстрее, чем списки. Он также оптимизирован для использования с самыми новыми архитектурами CPU。

Приложения NumPy

NumPy обычно используется вместе с SciPy, и это сочетание широко используется для замены MatLab, что помогает нам изучать данные науку или машинное обучение с помощью Python。SciPy - это开源 библиотека алгоритмов и математических инструментов на Python。SciPy включает в себя модули для оптимизации, линейной алгебры, интеграции, интерполяции, специальных функций, быстрого傅里евского преобразования, обработки сигналов и изображений, решения дифференциальных уравнений и других вычислений,常用的科学和工程计算。Matplotlib — это интерфейс для визуализации операций с использованием Python и расширения для численных методов NumPy. Он предоставляет общие графические интерфейсы для пользователей.

Связанные материалы

Официальный сайт NumPy:http://www.numpy.orgИсходный код NumPy:https://github.com/numpy/numpyОфициальный сайт SciPy:: https://www.scipy.orgИсходный код SciPy:: https://github.com/scipy/scipyИсходный код Matplotlib:: https://matplotlib.orgИсходный код Matplotlib:: https://github.com/matplotlib/matplotlib

Простые примеры NumPy

#　1、Установить пакет
$　pip　install　numpy
#　2、Войти в интерактивный интерфейс Python
$　python　-i
#　3、Использование Numpy
>>>　from　numpy　import　*
>>>　eye(4)
#　4、Вывод результатов
array([[1.,　0.,　0.,　0.],
　　　　　　　[0.,　1.,　0.,　0.],
　　　　　　　[0.,　0.,　1.,　0.],
　　　　　　　[0.,　0.,　0.,　1.]])