Python cơ sở không bao gồm các cấu trúc dữ liệu được vector hóa thực sự–vectơ, ma trận và khung dữ liệu. Đối với những điều nhỏ nhặt, người ta có thể sử dụng danh sách, danh sách danh sách và hiểu danh sách. Tuy nhiên code như vậy sẽ cồng kềnh và chậm Show Thiếu sót này được giải quyết bằng các thư viện bổ sung, đặc biệt là numpy và pandas. Numpy là cách chính để xử lý ma trận và vectơ trong python. Đây là cách để mô hình hóa một biến hoặc toàn bộ tập dữ liệu nên cách tiếp cận vectơ/ma trận là rất quan trọng khi làm việc với tập dữ liệu. Hơn nữa, các đối tượng này cũng mô hình hóa các vectơ/ma trận dưới dạng các đối tượng toán học. Tính toán ma trận cực kỳ quan trọng trong thống kê và do đó cũng trong học máy biểu trưng có nhiều cục. Isabela Presedo-Floyd, CC BY-SA 4. 0, thông qua Wikimedia Commons Numpy là thư viện python phổ biến nhất để tính toán ma trận/vector. Do sự phổ biến của python, nó cũng là một trong những thư viện hàng đầu để phân tích số và là mục tiêu thường xuyên để tính điểm chuẩn và tối ưu hóa Điều quan trọng cần lưu ý là numpy là một thư viện riêng biệt không phải là một phần của python cơ sở. Không giống như R, python cơ sở không được vector hóa và người ta phải tải numpy (hoặc một thư viện được vector hóa khác, chẳng hạn như gấu trúc) để sử dụng các thao tác được vector hóa. Điều này cũng gây ra sự khác biệt nhất định giữa cách tiếp cận python cơ sở và cách thực hiện các thao tác vector hóa Numpy thường được nhập dưới dạng Numpy về cơ bản dựa trên mảng, cấu trúc dữ liệu N-chiều. Ở đây chúng ta chủ yếu sử dụng cấu trúc một và hai chiều (vectơ và ma trận) nhưng mảng cũng có thể có số chiều cao hơn (được gọi là tensors). Ngoài mảng, numpy còn cung cấp rất nhiều hàm hoạt động trên mảng, bao gồm toán học vector hóa và các phép toán logic Mảng có thể được tạo bằng Lưu ý rằng nó được in trong ngoặc dưới dạng danh sách, nhưng không giống như danh sách, nó không có dấu phẩy ngăn cách các thành phần Nếu chúng ta muốn tạo một ma trận (mảng hai chiều), chúng ta có thể cung cấp cho Đầu ra không có định dạng tốt nhất nhưng đủ rõ ràng Một trong những thuộc tính cơ bản của mảng là kích thước của nó, được gọi là hình dạng trong numpy. Hình dạng là kích thước của mảng dọc theo tất cả các kích thước của nó. Điều này có thể được truy vấn bằng thuộc tính Ta có thể thấy rằng vectơ Người ta cũng có thể định hình lại mảng, tôi. e. thay đổi hình dạng của chúng thành một hình dạng tương thích khác. Điều này có thể đạt được bằng phương pháp và chúng ta có thể “nắn thẳng” ma trận Đôi khi, việc tạo các mảng theo cách thủ công như chúng ta đã làm ở trên là thực tế, nhưng thông thường, việc tạo các mảng đó bằng tính toán sẽ quan trọng hơn nhiều. Dưới đây chúng tôi liệt kê một số tùy chọn Mảng có thể được kết hợp theo nhiều cách khác nhau, e. g. Lưu ý rằng bài tập 3. 1 Sử dụng Thấy Có thể sử dụng các vòng lặp để thực hiện tính toán với các đối tượng numpy giống hệt như khi làm việc với các danh sách. Tuy nhiên, thay vào đó, người ta nên sử dụng các hoạt động được vector hóa bất cứ khi nào có thể. Các hoạt động được vector hóa dễ viết mã hơn, dễ đọc hơn và dẫn đến mã nhanh hơn Numpy cung cấp rất nhiều hàm và toán tử được vector hóa, được gọi là hàm phổ quát. Nhiều người trong số này làm việc như mong đợi. Chẳng hạn, các phép toán. Chúng tôi tạo một ma trận, sau đó thêm "100" vào nó, sau đó tăng "2" thành lũy thừa của các giá trị Cả hai phép toán này, bài tập 3. 2 Tạo mảng sau Thấy Các toán tử so sánh cũng được vector hóa Khi các toán tử so sánh được véc tơ hóa, người ta có thể mong đợi rằng các toán tử logic khác, và, hoặc không, cũng được véc tơ hóa. Nhưng đây không phải là trường hợp. Có các toán tử logic được vector hóa, nhưng chúng khác với phiên bản python cơ sở. Các toán tử này giống với các toán tử tương ứng trong R hoặc C hơn, cụ thể là Không có so sánh đa chiều được véc tơ hóa như Lập chỉ mục đề cập đến việc trích xuất các phần tử dựa trên vị trí của chúng hoặc các tiêu chí nhất định. Đây là một trong những thao tác cơ bản với mảng. Có hai cách để trích xuất các yếu tố. , và. Thật không may, điều này cũng làm cho việc lập chỉ mục hơi khó hiểu và cần một thời gian để làm quen với Một cách tiếp cận được sử dụng cực kỳ rộng rãi là trích xuất các phần tử của một mảng dựa trên một tiêu chí logic. Về cơ bản, nó chỉ sử dụng một vectơ logic để lập chỉ mục. Vectơ phải có cùng độ dài với mảng được đề cập và kết quả chỉ chứa các phần tử tương ứng với Điều quan trọng là bạn hiểu những gì đang xảy ra ở đây. mảng Ví dụ trước–việc tạo thủ công một vectơ chỉ mục logic của giá trị đúng và giá trị sai hầu như không hữu ích. Hầu như chúng ta luôn sử dụng các phép toán logic để thay thế. Chẳng hạn, chúng ta có thể trích xuất tất cả các phần tử của Điều này thường được viết theo cách nhỏ gọn hơn bằng cách bỏ qua vectơ logic rõ ràng Những người dùng mới của numpy (và các ngôn ngữ khác hỗ trợ lập chỉ mục logic) đôi khi quên rằng điều kiện logic không nhất thiết phải liên quan đến cùng một mảng mà chúng ta đang cố trích xuất. Chẳng hạn, chúng ta có thể trích xuất tất cả kết quả cho một người nhất định Ở đây vectơ chỉ số chỉ dựa trên biến Cuối cùng, chúng ta cũng có thể trích xuất các hàng (hoặc cột) từ một mảng 2 chiều theo cách khá giống nhau Kết quả là hàng thứ hai của mảng 2-D Lập chỉ mục logic cũng có thể được sử dụng ở phía bên trái của biểu thức, để thay thế các phần tử. Dưới đây là một ví dụ trong đó chúng tôi thay thế tất cả các phần tử âm của Khi thay thế các phần tử theo kiểu như vậy thì chúng ta cần cung cấp vectơ thay thế có độ dài bằng 1 (tất cả các phần tử được thay thế bằng “0” trong ví dụ trên) hoặc cách khác, chúng ta nên cung cấp một vectơ thay thế có độ dài chính xác. Chẳng hạn, chúng ta có thể thay thế các số dương còn lại trong bài tập 3. 4 xét hai vectơ Thực hiện các thao tác sau bằng cách sử dụng thao tác vector hóa một dòng
Thấy Numpy cung cấp một bộ lớn các trình tạo số ngẫu nhiên. Chúng có thể được gọi là Đối số là kích thước, không phải hình dạng, mặc dù nó xác định hình dạng đầu ra Dưới đây là một ví dụ để mô phỏng tung xúc xắc 5 lần Nhưng có lẽ chúng tôi không muốn dán nhãn kết quả là 0. 5 mà 1. 6. Vì vậy, chúng tôi chỉ có thể thêm một vào kết quả. Dưới đây là một ví dụ tạo mảng 2-D của các cuộn khuôn Numpy cung cấp một tập hợp lớn các giá trị ngẫu nhiên khác nhau. Ở đây chúng tôi liệt kê thêm một số Như ví dụ minh họa, bài tập 3. 5 Chúng ta có thể mô tả việc tung đồng xu là Nhị thức (1, 0. 5) trong đó 1 đề cập đến thực tế là chúng ta tung một đồng xu và 0. 5 có nghĩa là nó có xác suất 0. 5 sắp tới. Vì vậy, các biến ngẫu nhiên như vậy là chuỗi các số không và một. Nhưng làm thế nào chúng ta có thể nhận được một chuỗi -1 và 1 thay thế? Thấy Các số ngẫu nhiên thường được gọi là giả ngẫu nhiên vì chúng không thực sự ngẫu nhiên – chúng được tính toán dựa trên một thuật toán được xác định rõ ràng, vì vậy khi cung cấp các giá trị ban đầu giống nhau cho thuật toán, người ta luôn nhận được các số ngẫu nhiên giống nhau. Tuy nhiên, thông thường các giá trị ban đầu được lấy từ một số tham số khó kiểm soát nhất định bên ngoài điều khiển chương trình, chẳng hạn như thời gian tính bằng micro giây và số sê-ri của đĩa cứng, vì vậy trong thực tế không thể sao chép cùng một trình tự Tuy nhiên, nếu bạn cần sao chép chính xác kết quả của mình, bạn phải đặt các giá trị ban đầu một cách rõ ràng bằng cách sử dụng Numpy cung cấp một tập hợp các hàm thống kê cơ bản, bao gồm tổng, giá trị trung bình và độ lệch chuẩn std. Chúng có thể được áp dụng cho toàn bộ mảng hoặc riêng cho các hàng hoặc cột. Trong trường hợp sau, người ta phải chỉ định đối số Các chức năng có hai dạng. dưới dạng một phương thức DataFrame có phải là ma trận không?Khung dữ liệu và ma trận đại diện cho loại dữ liệu 'hình chữ nhật' , nghĩa là chúng được sử dụng để lưu trữ dữ liệu dạng bảng, có hàng và cột. Sự khác biệt chính là ma trận chỉ có thể chứa một lớp dữ liệu duy nhất, trong khi khung dữ liệu có thể bao gồm nhiều lớp dữ liệu khác nhau.
DataFrame có phải là một mảng không?Nếu Sê-ri là dạng tương tự của mảng một chiều có chỉ số linh hoạt, thì DataFrame là dạng tương tự của mảng hai chiều có cả chỉ số hàng linh hoạt và tên cột linh hoạt . .
DataFrame có phải là một mảng NumPy không?Bây giờ, bạn có thể thấy rằng các bản ghi DataFrame của bạn được ghi lại trong một cấu trúc mảng và có thể xác nhận rằng đó là một mảng NumPy . Hãy xem xét một số ví dụ phức tạp hơn về việc chuyển đổi DataFrames của gấu trúc thành mảng NumPy.
Khung dữ liệu có thể chuyển đổi thành ma trận không?Hàm matrix() trong Ngôn ngữ R được sử dụng để tạo ma trận bằng cách chuyển đổi tất cả các giá trị của Khung dữ liệu thành chế độ số và sau đó liên kết chúng dưới dạng ma trận . |
