Numpy có mặc định trong python không?

Thao tác dữ liệu trong Python gần như đồng nghĩa với thao tác mảng NumPy. ngay cả những công cụ mới hơn như Pandas (Chương 3) cũng được xây dựng xung quanh mảng NumPy. Phần này sẽ trình bày một số ví dụ về việc sử dụng thao tác mảng NumPy để truy cập dữ liệu và các mảng con, đồng thời để phân tách, định hình lại và nối các mảng. Mặc dù các loại hoạt động được trình bày ở đây có vẻ hơi khô khan và mô phạm, nhưng chúng bao gồm các khối xây dựng của nhiều ví dụ khác được sử dụng xuyên suốt cuốn sách. Tìm hiểu kỹ về họ

Chúng tôi sẽ đề cập đến một số loại thao tác mảng cơ bản tại đây

• Thuộc tính của mảng. Xác định kích thước, hình dạng, mức tiêu thụ bộ nhớ và kiểu dữ liệu của mảng
• Lập chỉ mục của mảng. Nhận và đặt giá trị của các phần tử mảng riêng lẻ
• Cắt mảng. Nhận và thiết lập các mảng con nhỏ hơn trong một mảng lớn hơn
• Định hình lại các mảng. Thay đổi hình dạng của một mảng nhất định
• Nối và tách mảng. Kết hợp nhiều mảng thành một và tách một mảng thành nhiều mảng

Thuộc tính mảng NumPy

Trước tiên hãy thảo luận về một số thuộc tính mảng hữu ích. Chúng ta sẽ bắt đầu bằng cách xác định ba mảng ngẫu nhiên, mảng một chiều, hai chiều và ba chiều. Chúng tôi sẽ sử dụng trình tạo số ngẫu nhiên của NumPy, chúng tôi sẽ tạo một giá trị đã đặt để đảm bảo rằng các mảng ngẫu nhiên giống nhau được tạo mỗi khi mã này được chạy

Trong 1]

import numpy as np
np.random.seed(0)  # seed for reproducibility

x1 = np.random.randint(10, size=6)  # One-dimensional array
x2 = np.random.randint(10, size=(3, 4))  # Two-dimensional array
x3 = np.random.randint(10, size=(3, 4, 5))  # Three-dimensional array

Mỗi mảng có các thuộc tính

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Trong 2]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

x3 ndim:  3
x3 shape: (3, 4, 5)
x3 size:  60

Một thuộc tính hữu ích khác là

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Trong 3]

print("dtype:", x3.dtype)

________số 8_______

Các thuộc tính khác bao gồm

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Trong [4]

print("itemsize:", x3.itemsize, "bytes")
print("nbytes:", x3.nbytes, "bytes")

itemsize: 8 bytes
nbytes: 480 bytes

Nói chung, chúng ta kỳ vọng rằng

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Lập chỉ mục mảng. Truy cập các phần tử đơn lẻ

Nếu bạn đã quen với cách lập chỉ mục danh sách tiêu chuẩn của Python, thì việc lập chỉ mục trong NumPy sẽ khá quen thuộc. Trong mảng một chiều, giá trị $i^{th}$ (đếm từ 0) có thể được truy cập bằng cách chỉ định chỉ mục mong muốn trong dấu ngoặc vuông, giống như với danh sách Python

Trong [5]

x1

Ra[5]

array([5, 0, 3, 3, 7, 9])

Trong [6]

x1[0]

Ra[6]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Trong [7]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Ra[7]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Để lập chỉ mục từ cuối mảng, bạn có thể sử dụng chỉ số âm

Trong [8]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Ra[8]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Trong [9]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Ra[9]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Trong một mảng nhiều chiều, các mục có thể được truy cập bằng cách sử dụng bộ chỉ số được phân tách bằng dấu phẩy

Trong [10]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Ra[10]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Trong [11]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Ra[11]

x3 ndim:  3
x3 shape: (3, 4, 5)
x3 size:  60

Trong [12]

x3 ndim:  3
x3 shape: (3, 4, 5)
x3 size:  60

Ra[12]

x3 ndim:  3
x3 shape: (3, 4, 5)
x3 size:  60

Trong [13]

x3 ndim:  3
x3 shape: (3, 4, 5)
x3 size:  60

Ra[13]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Các giá trị cũng có thể được sửa đổi bằng cách sử dụng bất kỳ ký hiệu chỉ mục nào ở trên

Trong [14]

x3 ndim:  3
x3 shape: (3, 4, 5)
x3 size:  60

Ra[14]

x3 ndim:  3
x3 shape: (3, 4, 5)
x3 size:  60

Hãy nhớ rằng, không giống như danh sách Python, mảng NumPy có kiểu cố định. Điều này có nghĩa là, ví dụ, nếu bạn cố gắng chèn một giá trị dấu phẩy động vào một mảng số nguyên, thì giá trị đó sẽ bị cắt bớt một cách âm thầm. Đừng để bị bắt bởi hành vi này

Trong [15]

x3 ndim:  3
x3 shape: (3, 4, 5)
x3 size:  60

Ra[15]

x3 ndim:  3
x3 shape: (3, 4, 5)
x3 size:  60

Cắt mảng. Truy cập các phân đoạn

Giống như chúng ta có thể sử dụng dấu ngoặc vuông để truy cập các phần tử mảng riêng lẻ, chúng ta cũng có thể sử dụng chúng để truy cập các mảng con bằng ký hiệu lát cắt, được đánh dấu bằng ký tự dấu hai chấm (

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

x3 ndim:  3
x3 shape: (3, 4, 5)
x3 size:  60

Nếu bất kỳ giá trị nào trong số này không được chỉ định, chúng sẽ mặc định là các giá trị

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Các mảng con một chiều

Trong [16]

print("dtype:", x3.dtype)

Ra[16]

print("dtype:", x3.dtype)

Trong [17]

print("dtype:", x3.dtype)

Ra[17]

print("dtype:", x3.dtype)

Trong [18]

print("dtype:", x3.dtype)

Hết[18]

print("dtype:", x3.dtype)

Trong 19]

print("dtype:", x3.dtype)

Hết[19]

print("dtype:", x3.dtype)

Trong 20]

print("dtype:", x3.dtype)

Hết[20]

print("dtype:", x3.dtype)

Trong [21]

dtype: int64

Hết[21]

dtype: int64

Một trường hợp có khả năng gây nhầm lẫn là khi giá trị

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Trong [22]

dtype: int64

Hết[22]

dtype: int64

Trong [23]

dtype: int64

Hết[23]

dtype: int64

Phân vùng đa chiều

Các lát cắt đa chiều hoạt động theo cách tương tự, với nhiều lát cắt được phân tách bằng dấu phẩy. Ví dụ

Trong [24]

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Ra[24]

x3 ndim:  3
x3 shape: (3, 4, 5)
x3 size:  60

Trong [25]

dtype: int64

Hết[25]

dtype: int64

Trong [26]

print("itemsize:", x3.itemsize, "bytes")
print("nbytes:", x3.nbytes, "bytes")

Hết[26]

print("itemsize:", x3.itemsize, "bytes")
print("nbytes:", x3.nbytes, "bytes")

Cuối cùng, kích thước mảng con thậm chí có thể được đảo ngược lại với nhau

Trong [27]

print("itemsize:", x3.itemsize, "bytes")
print("nbytes:", x3.nbytes, "bytes")

Hết[27]

print("itemsize:", x3.itemsize, "bytes")
print("nbytes:", x3.nbytes, "bytes")

Truy cập các hàng và cột của mảng

Một thói quen thường cần thiết là truy cập các hàng hoặc cột đơn lẻ của một mảng. Điều này có thể được thực hiện bằng cách kết hợp lập chỉ mục và cắt lát, sử dụng một lát cắt trống được đánh dấu bằng một dấu hai chấm (

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Trong [28]

print("itemsize:", x3.itemsize, "bytes")
print("nbytes:", x3.nbytes, "bytes")

print("itemsize:", x3.itemsize, "bytes")
print("nbytes:", x3.nbytes, "bytes")

Trong [29]

print("itemsize:", x3.itemsize, "bytes")
print("nbytes:", x3.nbytes, "bytes")

print("itemsize:", x3.itemsize, "bytes")
print("nbytes:", x3.nbytes, "bytes")

Trong trường hợp truy cập hàng, lát cắt trống có thể được bỏ qua để có cú pháp gọn hơn

Trong [30]

print("itemsize:", x3.itemsize, "bytes")
print("nbytes:", x3.nbytes, "bytes")

print("itemsize:", x3.itemsize, "bytes")
print("nbytes:", x3.nbytes, "bytes")

Các mảng con dưới dạng chế độ xem không sao chép

Một điều quan trọng và cực kỳ hữu ích cần biết về các lát mảng là chúng trả về dạng xem chứ không phải bản sao của dữ liệu mảng. Đây là một lĩnh vực trong đó việc cắt mảng NumPy khác với việc cắt danh sách Python. trong danh sách, các lát sẽ là bản sao. Hãy xem xét mảng hai chiều của chúng tôi từ trước

Trong [31]

itemsize: 8 bytes
nbytes: 480 bytes

itemsize: 8 bytes
nbytes: 480 bytes

Hãy trích xuất một mảng con $2 \times 2$ từ đây

Trong [32]

itemsize: 8 bytes
nbytes: 480 bytes

itemsize: 8 bytes
nbytes: 480 bytes

Bây giờ nếu chúng ta sửa đổi mảng con này, chúng ta sẽ thấy rằng mảng ban đầu đã bị thay đổi. Quan sát

Trong [33]

itemsize: 8 bytes
nbytes: 480 bytes

itemsize: 8 bytes
nbytes: 480 bytes

Trong [34]

itemsize: 8 bytes
nbytes: 480 bytes

itemsize: 8 bytes
nbytes: 480 bytes

Hành vi mặc định này thực sự khá hữu ích. điều đó có nghĩa là khi chúng tôi làm việc với các bộ dữ liệu lớn, chúng tôi có thể truy cập và xử lý các phần của các bộ dữ liệu này mà không cần sao chép bộ đệm dữ liệu cơ bản

Tạo bản sao của mảng

Mặc dù các tính năng hay của chế độ xem mảng, nhưng đôi khi sẽ hữu ích khi sao chép rõ ràng dữ liệu trong một mảng hoặc một mảng con. Điều này có thể được thực hiện dễ dàng nhất với phương pháp

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Trong [35]

itemsize: 8 bytes
nbytes: 480 bytes

itemsize: 8 bytes
nbytes: 480 bytes

Nếu bây giờ chúng ta sửa đổi mảng con này, mảng ban đầu sẽ không được chạm vào

Trong [36]

x1

x1

Trong [37]

itemsize: 8 bytes
nbytes: 480 bytes

itemsize: 8 bytes
nbytes: 480 bytes

Định hình lại mảng

Một loại hoạt động hữu ích khác là định hình lại mảng. Cách linh hoạt nhất để làm điều này là với phương pháp

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Trong [38]

x1

x1

Lưu ý rằng để điều này hoạt động, kích thước của mảng ban đầu phải khớp với kích thước của mảng được định hình lại. Nếu có thể, phương thức

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Một mẫu định hình lại phổ biến khác là chuyển đổi mảng một chiều thành ma trận hàng hoặc cột hai chiều. Điều này có thể được thực hiện bằng phương pháp

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Trong [39]

x1

Hết[39]

x1

Trong [40]

x1

Ra[40]

x1

Trong [41]

array([5, 0, 3, 3, 7, 9])

Ra[41]

array([5, 0, 3, 3, 7, 9])

Trong [42]

array([5, 0, 3, 3, 7, 9])

Ra[42]

array([5, 0, 3, 3, 7, 9])

Chúng ta sẽ thấy kiểu biến đổi này thường xuyên trong suốt phần còn lại của cuốn sách.

Nối và tách mảng

Tất cả các thủ tục trước đó đều hoạt động trên các mảng đơn lẻ. Cũng có thể kết hợp nhiều mảng thành một và ngược lại chia một mảng thành nhiều mảng. Chúng ta sẽ xem xét các hoạt động đó ở đây

nối các mảng

Việc nối hoặc nối hai mảng trong NumPy chủ yếu được thực hiện bằng cách sử dụng các thủ tục

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Trong [43]

array([5, 0, 3, 3, 7, 9])

Ra[43]

array([5, 0, 3, 3, 7, 9])

Bạn cũng có thể nối nhiều hơn hai mảng cùng một lúc

Trong [44]

array([5, 0, 3, 3, 7, 9])

array([5, 0, 3, 3, 7, 9])

Nó cũng có thể được sử dụng cho mảng hai chiều

Trong [45]

array([5, 0, 3, 3, 7, 9])

Trong [46]

array([5, 0, 3, 3, 7, 9])

Ra[46]

x1[0]

Trong [47]

x1[0]

Ra[47]

x1[0]

Để làm việc với các mảng có kích thước hỗn hợp, có thể rõ ràng hơn khi sử dụng các hàm

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Trong [48]

x1[0]

Ra[48]

x1[0]

Trong [49]

x1[0]

Ra[49]

x1[0]

Tương tự,

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Tách mảng

Ngược lại với nối là tách, được thực hiện bởi các hàm

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

Trong [50]

x1[0]

x1[0]

Lưu ý rằng N điểm phân tách dẫn đến N + 1 mảng con. Các chức năng liên quan

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)

NumPy có được cài đặt trong Python không?

Liệu Python 3. 9 bao gồm NumPy?

Python 3 có đi kèm với NumPy không?

NumPy có phải là thư viện trong Python không?