Python NumPy-vejledning for begyndere

Hvad er NumPy i Python?

nusset er en open source Python bibliotek til matematisk, videnskabelig, ingeniørmæssig og datavidenskabelig programmering. Det er et meget nyttigt bibliotek til matematiske og statistiske operationer i PythonDet fungerer perfekt med flerdimensionelle arrays og matrixmultiplikation og integreres nemt med C/C++ og Fortran.

NumPy er det rette værktøj til ethvert videnskabeligt projekt. Det er bygget til N-dimensionelle arrays, lineær algebra, generering af tilfældige tal, Fourier-transformationer og mere.

NumPy giver Python Førsteklasses understøttelse af flerdimensionelle arrays og matricer, plus et stort sæt matematiske operationer, der påvirker dem. I denne vejledning gennemgår vi de vigtigste funktioner, du har brug for at kende, før du går videre til vejledningen om 'TensorFlow. '

Hvorfor bruge NumPy?

NumPy er hukommelseseffektiv, så den kan håndtere store mængder numeriske data lettere end rene Python lister. Det er også meget praktisk til matrixmultiplikation og omdelingping, og det er hurtigt, fordi det tunge arbejde delegeres til kompilerede C-rutiner. Faktisk er biblioteker som TensorFlow, PyTorch og Scikit-learn bruger NumPy-arrays til matrixmatematik i deres backend, hvilket gør NumPy til den stille arbejdshest under de fleste moderne datavidenskabelige og AI-arbejdsgange.

Sådan installeres NumPy

For at installere NumPy-biblioteket, se vores vejledning Sådan installeres TensorFlow. NumPy er som standard installeret med Anaconda.

I det sjældne tilfælde, at NumPy ikke er installeret, kan du bruge en af ​​nedenstående muligheder.

Du kan installere NumPy ved hjælp af Anaconda:

conda install -c anaconda numpy

• In Jupyter Notesbog:

import sys
!conda install --yes --prefix {sys.prefix} numpy

Pip-brugere kan installere eller opgradere med en enkelt kommando:

pip install --upgrade numpy

Importer NumPy og tjek version

Kommandoen til at importere numpy er:

import numpy as np

Linjen ovenfor omdøber NumPy-navnerummet til npDenne genvej giver dig mulighed for at præfiksere NumPy-funktioner, metoder og attributter med np. i stedet for takping numpy., og det er standardkonventionen, du finder på tværs af NumPy-økosystemet.

For at tjekke din installerede version af NumPy, brug kommandoen nedenfor:

print(np.__version__)

Output:

2.1.3

NumPy 2.0 blev udgivet i juni 2024 og er den nuværende stabile hovedserie. Hvis dit projekt stadig afhænger af 1.x API'en, så fastgør til numpy<2 i din kravfil, fordi nogle ældre aliasser som f.eks. np.float blev fjernet i 2.0.

Hvad er en Python NumPy Array?

NumPy-arrays ligner lidt Python lister ved første øjekast, men de opfører sig meget forskelligt. For læsere, der er nye inden for emnet, lad os præcisere, hvad en ndarray er, og hvorfor den er vigtig.

Som navnet antyder, er et NumPy-array den centrale datastruktur i NumPy-biblioteket. Selve navnet er en forkortelse for "Numerisk Python" eller "Numerisk Python", og ndarray'en er en homogen hukommelsesblok med fast størrelse med en kendt form og datatype.

Oprettelse af et NumPy-array

Den enkleste måde at oprette et array i NumPy er at starte fra et Python Liste.

myPythonList = [1,9,8,3]

Konverter Python liste til et NumPy-array ved hjælp af np.array.

numpy_array_from_list = np.array(myPythonList)

Vis indholdet af arrayet.

numpy_array_from_list

Output:

array([1, 9, 8, 3])

I praksis er det ikke nødvendigt at erklære en Python liste først. De to trin kan kombineres.

a = np.array([1,9,8,3])

BEMÆRK VENLIGST: NumPy-dokumentationen nævner også np.ndarray, men np.array er den anbefalede fabriksfunktion til daglig brug.

Du kan også oprette et NumPy-array fra en tuple på samme måde.

Matematisk Operationer på et array

Du kan udføre matematiske operationer såsom addition, subtraktiontraction, division og multiplikation på et array. Syntaksen er arraynavnet efterfulgt af operatoren (+, -, *, /), efterfulgt af operanden. Disse operationer er vektoriserede, hvilket betyder, at NumPy anvender dem på hvert element uden en eksplicit Python loop.

Eksempel:

numpy_array_from_list + 10

Output:

array([11, 19, 18, 13])

Denne operation lægger 10 til hvert element i NumPy-arrayet.

Form af Array

Du kan kontrollere formen på et array med shape attribut, som tilgås ved at tilføje den til arraynavnet. På samme måde kan du kontrollere typen med dtype.

import numpy as np
a = np.array([1,2,3])
print(a.shape)
print(a.dtype)

(3,)
int64

Et heltal er en værdi uden decimaltegn. Hvis du opretter et array med decimaler, ændres dtypen til flydende.

#### Different type
b = np.array([1.1,2.0,3.2])
print(b.dtype)

float64

2 Dimension Array

Du kan tilføje en dimension med et komma i parentesen.

Bemærk at de indre tupler skal sidde inden for de ydre parenteser [].

### 2 dimension
c = np.array([(1,2,3),
              (4,5,6)])
print(c.shape)
(2, 3)

3 Dimension Array

Højere dimensioner kan konstrueres på samme måde.

### 3 dimension
d = np.array([
    [[1, 2,3],
        [4, 5, 6]],
    [[7, 8,9],
        [10, 11, 12]]
])
print(d.shape)
(2, 2, 3)

Objektiv	Code
Opret array	array([1,2,3])
udskrive formen	array([.]).form

Hvad er numpy.zeros()?

numpy.zeros() or np.zeros er en Python Funktion brugt til at oprette en matrix fyldt med nuller. numpy.zeros() er nyttigt, når du har brug for at initialisere vægte under den første iteration i TensorFlow eller oprette pladsholderbuffere til andre statistiske opgaver.

numpy.zeros() funktion Syntaks

numpy.zeros(shape, dtype=float, order='C')

Python numpy.zeros() Parametre

Her,

• Shape: formen af ​​NumPy-nul-arrayet.
• Dtype: datatypen for elementerne. Det er valgfrit, og standardværdien er float64.
• Bestil: standard er C, som er det række-hovedlayout, der bruges af numpy.zeros() in Python.

Python numpy.zeros() Eksempel

import numpy as np
np.zeros((2,2))

Output:

array([[0., 0.],
          [0., 0.]])

Eksempel på numpy zero med Datatype

import numpy as np
np.zeros((2,2), dtype=np.int16)

Output:

array([[0, 0],
         [0, 0]], dtype=int16)

Hvad er numpy.ones()?

np.ones() funktion opretter en matrix fyldt med enere. numpy.ones() in Python er nyttigt, når du initialiserer vægte under den første iteration i TensorFlow og til andre statistiske opgaver.

Python numpy.ones() Syntaks

numpy.ones(shape, dtype=float, order='C')

Python numpy.ones() Parametre

Her,

• Shape: formen af ​​np-enhederne Python Array.
• Dtype: datatypen for elementerne. Det er valgfrit, og standardværdien er float64.
• Bestil: standard er C, som er layoutet for den overordnede række.

Python numpy.ones() 2D Array med Datatype Eksempel

import numpy as np
np.ones((1,2,3), dtype=np.int16)

Output:

array([[[1, 1, 1],
       [1, 1, 1]]], dtype=int16)

numpy.reshape() funktion i Python

Python NumPy omforme ændrer formen på et array uden at ændre dets data. Du skal muligvis omforme data fra bredt til langt format eller flytte fra en 1D-vektor til en 2D-matrix, før du indfører dem i en model. np.reshape Funktionen håndterer dette i ét kald.

Syntaks for np.reshape()

numpy.reshape(a, newShape, order='C')

Her,

a: array, som du vil omforme.

newShape: den nye ønskede form.

Bestil: standard er C, række-hovedlayoutet.

Eksempel på NumPy Reshape

import numpy as np
e = np.array([(1,2,3), (4,5,6)])
print(e)
e.reshape(3,2)

Output:

 // Before reshape
[[1 2 3]
 [4 5 6]]

//After Reshape
array([[1, 2],
	[3, 4],
	[5, 6]])

numpy.flatten() i Python

Python NumPy Flatten returnerer en kopi af arrayet kollapset til én dimension. Når du arbejder med neurale netværk såsom convnets, skal du ofte flade en billedtensor ud, før du sender den til et tæt lag. np.flatten() Funktionen håndterer dette i et enkelt kald.

Syntaks for np.flatten()

numpy.flatten(order='C')

Her,
Bestil: standard er C, række-hovedlayoutet.

Eksempel på NumPy Flatten

e.flatten()

Output:

array([1, 2, 3, 4, 5, 6])

Hvad er numpy.hstack() i Python?

numpy.hstack er en Python funktion brugt til vandret at stable sekvenser af inputarrays i et enkelt array. Med hstack(), tilføjer du data langs kolonneaksen. Det er en meget praktisk hjælper i NumPy, når du har brug for at flette funktionsvektorer side om side.

Lad os studere hstack in Python med et eksempel.

Eksempel:

## Horizontal Stack
import numpy as np
f = np.array([1,2,3])
g = np.array([4,5,6])
print('Horizontal Append:', np.hstack((f, g)))

Output:

Horizontal Append: [1 2 3 4 5 6]

Hvad er numpy.vstack() i Python?

numpy.vstack er en Python funktion brugt til lodret at stable sekvenser af inputarrays i et enkelt array. Med vstack(), tilføjer du data langs rækkeaksen, hvilket er praktisk, når du vil kombinere batches af prøver.

Lad os studere det med et eksempel.

Eksempel:

## Vertical Stack
import numpy as np
f = np.array([1,2,3])
g = np.array([4,5,6])
print('Vertical Append:', np.vstack((f, g)))

Output:

Vertical Append: [[1 2 3]
 [4 5 6]]

Efter at have studeret NumPy vstack og hstack, lad os se på et eksempel, der genererer tilfældige tal i NumPy.

Generer tilfældig Numbers ved hjælp af NumPy

For at generere tilfældige tal fra en Gaussisk fordeling, brug:

numpy.random.normal(loc, scale, size)

Her,

• Loc: middelværdien. Fordelingens centrum.
• Scale: standardafvigelsen.
• Størrelseantal returnerede prøver.

Eksempel:

## Generate random numbers from a normal distribution
normal_array = np.random.normal(5, 0.5, 10)
print(normal_array)
[5.56171852 4.84233558 4.65392767 4.946659   4.85165567 5.61211317 4.46704244 5.22675736 4.49888936 4.68731125]

Hvis den er plottet, ligner fordelingen den følgende plot.

Bemærk at nyere kode i stigende grad bruger den moderne generator-API, np.random.default_rng(), som er den anbefalede erstatning for den ældre version np.random.normal kald i NumPy 2.x.

NumPy Asarray-funktion

asarray() Funktionen konverterer input til et array. Inputtet kan være en liste, tuple, ndarray eller lignende sekvens.

Syntaks:

numpy.asarray(data, dtype=None, order=None)

Her,

data: data, som du vil konvertere til et array.

dtypeValgfri. Hvis ikke angivet, udledes datatypen fra inputdataene.

Bestil: standard er C, række-hovedlayoutet. Den anden mulighed er F (Fortran-stil kolonne-større).

Eksempel:

Betragt følgende 2D-matrix med fire rækker og fire kolonner, udfyldt med 1.

import numpy as np
A = np.matrix(np.ones((4,4)))

Hvis du forsøger at ændre en værdi i matricen via np.array, originalen er ikke ændret. Årsagen er, at np.array opretter en kopi af matricen.

np.array(A)[2]=2
print(A)
[[1. 1. 1. 1.]
 [1. 1. 1. 1.]
 [1. 1. 1. 1.]
 [1. 1. 1. 1.]]

Matricen er uændret. Brug asarray når du vil ændre det oprindelige array. Lad os se, hvad der sker, når du sætter den tredje række til værdien 2.

np.asarray(A)[2]=2
print(A)

Code Forklaring:

np.asarray(A) konverterer matricen A til en array-visning.

[2] vælger den tredje række.

Output:

[[1. 1. 1. 1.]
      [1. 1. 1. 1.]
      [2. 2. 2. 2.] # new value
      [1. 1. 1. 1.]]

Hvad er numpy.arange()?

numpy.arange() er en indbygget NumPy-funktion, der returnerer et ndarray, der indeholder jævnt fordelte værdier inden for et defineret interval. For eksempel, for at oprette værdier fra 1 til 10, kan du kalde np.arange() in Python.

Syntaks:

numpy.arange(start, stop, step, dtype)

Python NumPy række parametre:

• Starten: starten af ​​intervallet for np.arange in Python.
• Stands: slutningen af ​​intervallet.
• Trin: afstand mellem værdier. Standardtrin er 1.
• Dtype: typen af ​​outputmatrixen for NumPy arange.

Eksempel:

import numpy as np
np.arange(1, 11)

Output:

array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10])

Eksempel:

For at ændre trinnet i denne NumPy arange f.eks. tilføje et tredje tal til parenteserne. Det ændrer trinstørrelsen.

import numpy as np
np.arange(1, 14, 4)

Output:

array([ 1,  5,  9, 13])

NumPy Linspace-funktion

linspace returnerer jævnt fordelte prøver mellem to slutpunkter.

Syntaks:

numpy.linspace(start, stop, num, endpoint)

Her,

• Starten: startværdien af ​​sekvensen.
• Stands: slutværdien af ​​sekvensen.
• IAntal prøver, der skal genereres. Standardværdien er 50.
• Endpoint: hvis True (Standard) stop er den sidste værdi. Hvis False, stop er ikke inkluderet.

Eksempel:

For eksempel kan den bruges til at oprette 10 jævnt fordelte værdier fra 1 til 5.

import numpy as np
np.linspace(1.0, 5.0, num=10)

Output:

array([1.        , 1.44444444, 1.88888889, 2.33333333, 2.77777778,       3.22222222, 3.66666667, 4.11111111, 4.55555556, 5.        ])

Hvis du ikke vil inkludere det sidste ciffer i intervallet, skal du indstille endpoint til False.

np.linspace(1.0, 5.0, num=5, endpoint=False)

Output:

array([1. , 1.8, 2.6, 3.4, 4.2])

LogSpace NumPy-funktion i Python

logspace returnerer jævnt fordelte tal på en logaritmisk skala. logspace deler de samme parametre som np.linspace.

Syntaks:

numpy.logspace(start, stop, num, endpoint)

Eksempel:

np.logspace(3.0, 4.0, num=4)

Output:

array([ 1000. ,  2154.43469003,  4641.58883361, 10000.        ])

Endelig, hvis du vil kontrollere hukommelsesstørrelsen for et enkelt element i et array, kan du bruge itemsize.

x = np.array([1,2,3], dtype=np.complex128)
x.itemsize

Output:

16

Hvert element tager 16 bytes.

Indeksering og indskæring Python

Det er ligetil at opdele data med NumPy. Vi vil opdele matricen e. I Python, bruger du firkantede parenteser til at returnere rækker eller kolonner.
Eksempel:

## Slice
import numpy as np
e = np.array([(1,2,3), (4,5,6)])
print(e)
[[1 2 3]
 [4 5 6]]

Husk at i NumPy starter det første array-indeks ved 0.

## First row
print('First row:', e[0])

## Second row
print('Second row:', e[1])

Output:

First row: [1 2 3]
Second row: [4 5 6]

In Python, ligesom i mange andre sprog,

• Værdien før kommaet står for rækkerne.
• Værdien efter kommaet står for kolonnerne.
• Hvis du vil vælge en kolonne, skal du tilføje : før kolonneindekset.
• : betyder, at du vil have alle rækker fra den valgte kolonne.

print('Second column:', e[:,1])

Second column: [2 5]

For at returnere de to første værdier i anden række, brug : for at vælge alle kolonner op til det andet indeks.

## Second Row, two values
print(e[1, :2])
[4 5]

Statistiske funktioner i Python

NumPy leverer et nyttigt sæt statistiske funktioner til at finde minimum, maksimum, percentil, standardafvigelse, varians og mere fra et givet array. De mest almindelige er anført nedenfor.

NumPy leveres med robuste statistiske hjælpere, opsummeret i tabellen.

Funktion	numpy
Min	np.min()
max	np.max()
Mean	np.mean()
median	np.median()
Standardafvigelse	np.std()

Overvej følgende array:

Eksempel:

import numpy as np
normal_array = np.random.normal(5, 0.5, 10)
print(normal_array)

Output:

[5.56171852 4.84233558 4.65392767 4.946659   4.85165567 5.61211317 4.46704244 5.22675736 4.49888936 4.68731125]

Eksempel på statistiske NumPy-funktioner

### Min
print(np.min(normal_array))

### Max
print(np.max(normal_array))

### Mean
print(np.mean(normal_array))

### Median
print(np.median(normal_array))

### Sd
print(np.std(normal_array))

Output:

4.467042435266913
5.612113171990201
4.934841002270593
4.846995625786663
0.3875019367395316

Hvad er numpy dot-produkt?

numpy.dot er en effektiv funktion til matrixberegning. For eksempel kan du beregne prikproduktet med np.dot. numpy.dot returnerer prikproduktet af a og b, og håndterer både 1D- og 2D-arrays. For 2D-input udfører den matrixmultiplikation.

Syntaks:

numpy.dot(x, y, out=None)

Driftsparametre

Her,

x, y: input-arrays. x og y skal begge være 1D eller 2D np.dot() at fungere som et prikprodukt eller en matrixmultiplikation.

ud: valgfrit outputargument brugt til at registrere resultatet. Ellers returneres en ndarray.

Returpolitik

funktionen numpy.dot() returnerer punktproduktet af to arrays x og yDen returnerer en skalar, når begge er 1D, ellers returnerer den et array. Hvis out er givet, returneres det pågældende array.

hæver

Prikproduktet i Python rejser en ValueError hvis den sidste dimension af x stemmer ikke overens med den næstsidste dimension af y.

Eksempel:

## Linear algebra
### Dot product: product of two arrays
f = np.array([1,2])
g = np.array([4,5])
### 1*4+2*5
np.dot(f, g)

Output:

14

Matrix Multiplikation ind Python

NumPy-nummeret matmul() Funktionen returnerer matrixproduktet af to arrays. Sådan fungerer det.

1) For 2D-arrays returnerer den normalmatrixproduktet.

2) For dimensioner større end 2 behandles produktet som en stak af matricer.

3) Et 1D-array omdannes først til en matrix, derefter beregnes produktet.

Infixet @ operatør, tilgængelig siden Python 3.5 er en forkortelse for matmul og bruges i vid udstrækning i moderne kode.

Syntaks:

numpy.matmul(x, y, out=None)

Her,

x, y: input arrays. Skalarer er ikke tilladt.

ud: valgfri parameter. Normalt gemmes outputtet i et ndarray.

Eksempel:

På samme måde kan du beregne matrixmultiplikation med np.matmul.

### Matmul: matrix product of two arrays
h = [[1,2],[3,4]]
i = [[5,6],[7,8]]
### 1*5+2*7 = 19
np.matmul(h, i)

Output:

array([[19, 22],
            [43, 50]])

determinanten

Hvis du skal beregne determinanten for en matrix, skal du bruge np.linalg.det()NumPy tager sig af dimensionerne for dig.

Eksempel:

## Determinant 2*2 matrix
### 5*8-7*6
np.linalg.det(i)

Output:

-2.000000000000005

NumPy Broadcasting Forklaring

Broadcasting er den regel, der lader NumPy udføre aritmetik på arrays af forskellige former uden at kopiere data. Når du tilføjer en skalar til en 1D-vektor eller en 1D-vektor til en 2D-matrix, strækker NumPy den mindre operand langs de manglende akser, så formerne flugter. Dette undgår eksplicitte Python loops og er en af ​​hovedårsagerne til, at NumPy-kode føles hurtig og præcis.

To former er kompatible til udsendelse, når hvert dimensionspar, sammenlignet fra højre mod venstre, enten er lig med 1, eller en af ​​dem er lig med 1. For eksempel en matrix af form (3, 4) udsendelser mod en række af former (4,) eller en søjle med form (3, 1)Den samme logik driver normalisering i maskinlæring, hvor du subtracen middelvektor pr. funktion fra en batch af prøver i en enkelt linje. Broadcasting er også den konceptuelle model, der bruges af tensorbiblioteker som PyTorch, TensorFlow og JAX, så de regler, du lærer her, overføres direkte til GPU-kode.

Hvordan NumPy styrker AI og maskinlæring

NumPy sidder under næsten alle moderne Python AI-stak. PyTorch-tensorer, TensorFlow eager-tensorer og JAX-arrays eksponerer den samme broadcasting, slicing og reshaping API, som du lærte på NumPy ndarrays. Mange tutorials bruger stadig præbehandlede NumPy-arrays til modeltræningsløkker, og frameworks accepterer dem uden konvertering.

Tre konkrete mønstre viser, hvordan NumPy forbinder sig med AI-arbejde i dag. For det første former dataingeniører rå funktioner til NumPy-arrays, før de overføres til scikit-learn-pipelines eller til Hugging Face-datasæt. For det andet bruger forskere NumPy som CPU-baseline og bytter derefter ind i CuPy, som leverer en næsten identisk API, men kører på NVIDIA GPU'er via CUDA. For det tredje bygger JAX videre på NumPy API'en for at tilføje automatisk differentiering og just-in-time-kompilering, så den samme kode, der kører på den bærbare computer, kan køre på TPU'er i skyen. Konklusionen er, at de array-færdigheder, du opbygger med NumPy, kan overføres til alle større deep learning-værktøjssæt, hvilket gør denne tutorial til et nyttigt skridt på vejen mod AI-udvikling.

Ofte Stillede Spørgsmål