Python массивы. Библиотека NumPy

Установка Python  Выбор текстового редактора  Запуск программ Python в командной строке  Числа и арифметические операторы Python  Строки и функция print в Python  Списки и кортежи в Python  Сегментация последовательностей в Python  Цикл for и функция range в Python  Команда if и функция input в Python  Словари в Python  Множества в Python  Цикл while в Python  Функции в Python  Классы в Python  Файлы и исключения в Python  Функции json. Сохранение данных Python  Тестирование функций и классов на Python Python массивы. Библиотека NumPy

Библиотека NumPy( Numerical Python ) считается основной реализацией массивов Python. Она представляет высокопроизводительный, полнофункциональный тип n-мерного массива, который называется ndarray ( array ). Операции с array выполняются на два порядка быстрее, чем операции со списками. Многие популярные библиотеки data science, такие как pandas, SciPy, Keras и другие, построены на базе NumPy или зависят от нее.

Содержание страницы:
1. Создание массива в Python
2. Атрибуты array
2.1. Определение типа элементов array
2.2. Определение размерности array
2.3. Определение количества и размера элементов
2.4. Перебор элементов array
3. Создание массивов в Python по диапазонам
3.1. Создание диапазонов функцией arange
3.2. Создание диапазонов чисел с плавающей точкой функцией linspace
3.3. Изменение размерности array методом reshape
3.4. Заполнение array конкретными значениями. Функции zeros, ones, full
3.5. Вывод больших коллекций array
4. Операторы array
4.1. Арифметические операции  c массивами в Python
4.2. Арифметические операции между коллекциями array
4.3. Сравнение коллекция array
5. Вычислительные методы NumPy
6. Индексирование и сегментация массивов в Python
7. Глубокое копирование. Метод copy
8. Изменение размеров и транспонирование массива в Python
8.1. Метод resize
8.2. Методы flatten и ravel
8.3. Транспонирование строк и столбцов
8.4. Горизонтальное и вертикальное дополнение. Функции hstack и vstack

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1. Создание массива в Python

Создадим массив на основе списка. NumPy рекомендует импортировать модуль numpy под именем np, чтобы к его компонентам можно было обращаться с префиксом "np".

Мы взяли обыкновенный список с различными значениями и преобразовали его в массив с помощью модуля numpy. Модуль numpy предоставляет различные функции для создания массивов. Мы воспользовались функцией array, которая в аргументе получила список а. Проверив с помощью функции type() тип объекта мы получили 'numpy.ndarray.   

Приведем пример создания массива на основе списка из трех строк и трех столбцов:

NumPy автоматически форматирует array на основание количества их измерений и выравнивает столбцы в каждой строке.

Список так же можно передавать напрямую переменной:

 

 

2. Атрибуты array

2.1. Определение типа элементов array

Для проверки типа элемента array можно воспользоваться атрибутом dtype:

В примере есть два массива numbers_1 и numbers_2, с помощью dtype определяем их тип. Так как библиотека NumPy написана на языке C и в ней используется тип данных С. В результате мы получили, что первый массив принадлежит к типу dtype('int32')- целые числа, а второй к типу dtype('float64')- вещественные или числа с плавающей точкой. 

 

2.2. Определение размерности array

Для определения размерности существует атрибут ndim, который содержит количество измерений array. Атрибут shape содержит кортеж, определяющий размерность array.

В примере numbers_1 состоит из двух строк и трех столбцов.

 

 

2.3. Определение количества и размера элементов

Количество элементов в массиве можно получить с помощью атрибута size.

Количество байтов, необходимое для хранения элементов можно получить из атрибута itemsize.

Для компиляторов C с 32-разрядным int, размер равен 4. Если у вас 64-разрядный, у вас будет равен 8.

 

2.4. Перебор элементов array

Для перебора многомерной коллекции array можно воспользоваться циклом for: 

Если вы хотите получить все результаты в одно строку, можно воспользоваться атрибутом flat: 

 

 

3. Создание массивов в Python по диапазонам

NumPy представляет множество функций для создания массивов в заданном диапазоне. Разберем самые распространённые.

3.1. Создание диапазонов функцией arange

В библиотеке NumPy существует функция arange для создания целочисленных диапазонов, аналогичной встроенной функции range в Python.

При создании коллекций array вы можете воспользоваться встроенной функции Python range, но рекомендуется использовать именно arange, так как она оптимизирована для array. Все свойства arange аналогичны функции range. 

 

3.2. Создание диапазонов чисел с плавающей точкой функцией linspace

Для создания диапазонов чисел с плавающей точкой можно воспользоваться функцикй limspace библиотеки NumPy. 

В функции linspace первые два аргумента определяют начальное и конечное значение диапазона. Важно: конечное значение включается в array. Ключевой аргумент num необязательный. Он задает количество равномерно распределенных генерируемых значений. По умолчанию num = 50. 

 

3.3. Изменение размерности array методом reshape

Методом reshape вы можете преобразовать одномерную коллекцию в многомерную. В примере создадим коллекцию array с помощью arange со значениями от 1 до 36 и с помощью метода reshape преобразуем ее в структуру из 6 строк и 6 столбцов. 

Во втором примере мы преобразовали в структуру 4 строк и 9 столбцов. 

Размерность можно изменять для любой коллекции array, но при условии, что количество новой версии не будет отличаться от оригинала. Например, коллекцию из шести элементов, можно преобразовать в коллекцию 3*2 или 2*3. В нашем примере мы преобразовали коллекцию из 36 элементов в коллекцию 6*6 и 4*9. В случае неправильного преобразования, вы получите ошибку ValueError. 

 

 

3.4. Заполнение array конкретными значениями. Функции zeros, ones, full

Функция zeros создает коллекцию содержащие 0. Первым аргументом должно быть целое число или кортеж целых чисел. 

Функция ones создает коллекцию содержащие 1. 

По умолчанию функции zeros и ones создают коллекции array, содержащие значения float. Для изменения типа значения можно задать аргумент dtype:

Функция full, возвращает элементы со значением и типом второго аргумента:

 

3.5. Вывод больших коллекций array

При выводе больших коллекций array, NumPy исключает из вывода все строки и столбцы кроме первых трех и последних. Вместо исключенных данных проставляется знак многоточие.

 

 

4. Операторы array

4.1. Арифметические операции c массивами в Python

Арифметические операции с array выполняются поэлементно, то есть применяются к каждому элементу массива. Пример, если мы умножаем массив на 3, то каждый элемент будет умножен на 3. Так же и с остальными арифметическими операциями.

Важно, что при арифметических операциях, возвращается новая коллекция array, исходный массив numbers_1 не изменяется.

А вот расширенное присваивание изменяет каждый элемент левого операнда:

 

4.2. Арифметические операции между коллекциями array

С коллекциями array можно выполнять арифметические операции, если они имеют одинаковые размеры. Результатом будет новая коллекция array:

 

4.3. Сравнение коллекция array

Коллекции array можно сравнивать как между собой, так и с отдельными значениями. Сравнение выполняется поэлементно. 

В результате сравнений создаются коллекции array с логическими значениями ( True или False), каждое из которых означает результат сравнения каждого элемента.

 

 

5. Вычислительные методы NumPy

При помощи различных методов мы можем проводить арифметические операции внутри коллекций, вычислить сумму всех элементов или найти наибольше значение. Приведем пример основных методов:

Метод min() и max() находит наименьшее и наибольшее значение. Метод sum() - вычисляет сумму всех элементов, mean() - математическое ожидание, std() - стандартное отклонение, var() - дисперсию. 

Эти методы могут применяться к конкретным осям array. К примеру, нам нужно вычислить средний бал по предмету. Для это в метод добавляется аргумент axis, который позволяет проводить вычисление по строкам или столбцам. 

Если axis=0, выполняется вычисления по всем значениям строк внутри каждого столбца.

Если axis=1, выполняется вычисления со всеми значениями столбца внутри каждой отдельной строки. 

 

 

6. Индексирование и сегментация массивов в Python

Для одномерных коллекций array применяются, операции сегментации и индексирования, описанные в разделе "Сегментация последовательностей в Python". Ниже разберем сегментацию с двумерными коллекциями array.

• Выбор элемента двумерной коллекции array

Для выбора элемента двумерной коллекции array укажите кортеж с индексами строки и столбца элемента в квадратных скобках.

• Выбор подмножества строк двумерной коллекции array

Для выбора одной строки укажите в квадратных скобках только один индекс:

Для выбора нескольких строк используйте синтаксис сегмента:

Для выбора нескольких несмежных строк используйте список индексов строк:

• Выбор подмножества столбцов двумерной коллекции array

Для выбора подмножества столбцов следует указать кортеж, в котором указаны выбираемые строки и столбцы: 

Двоеточие указывает какие строки в столбце должны выбираться. В нашем случает " : " является сегментом и выбираются все строки. После запятой мы указали 1, значит выбрали столбец номер два. 

Для выбора нескольких смежных столбцов используется синтаксис сегмента:

Для выбора конкретных столбцов используйте список индексов этих строк:

>>> grades[:, [0, 2, 3]]
array([[3, 5, 4],
       [2, 4, 5],
       [5, 4, 5],
       [5, 5, 3]])

 

 

7. Глубокое копирование. Метод copy

В случае если вам необходимо создать новую коллекцию с аналогичными данными, можно воспользоваться методом copy. Метод copy коллекций array возвращает новый объект array с глубокой копией данных объекта исходной коллекции. 

В итоге мы получили новый массив numbers_2, с которым далее мы можем работать, не изменяя основной массив. 

 

8. Изменение размеров и транспонирование массива в Python

В NumPy существует много возможностей для изменения размера массивов.

8.1. Метод resize

Метод resize изменяет размер исходной коллекции array:

 

 

8.2. Методы flatten и ravel

• Метод flatten выполняет глубокое копирование данных исходной коллекции

Чтобы проверить что numbers и numbers_fl  не используют общие данные изменим элемент numbers_fl и выведем оба массива:

Значение в numbers_fl  изменилось, значит массивы уже не связаны между собой. 

 

• метод ravel создает представление (поверхностную копию) исходной коллекции array, которое использует общие данные.

Чтобы проверить использование общих данных, изменим один элемент numbers_ra:

В результате значения поменялись в обоих массивах.

 

8.3. Транспонирование строк и столбцов

С помощью атрибута T вы можете быстро транспонировать строки и столбцы маcсива, то есть сделать так чтобы строки стали столбцами, а столбцы строками. 

Транспонирование не изменяет исходную коллекцию array.

 

 

 

8.4. Горизонтальное и вертикальное дополнение. Функции hstack и vstack

Добавление новых строк или столбцов, называется горизонтальным или вертикальным дополнением. Допустим у нас есть две коллекции array, и мы хотим объединить их в одну. Для этого можно воспользоваться функцией hstack() из библиотеки NumPy. Функцие hstack() передается кортеж с объединяемыми коллекциями:

В случае если нам требуется объединить массивы добавлением, можно воспользоваться функцией vstack():

 

Основы Python