#2 – Библиотека NumPy. Работа с массивами данных
Видеоурок
Что такое NumPy и почему он важен?
NumPy — это одна из самых важных библиотек в Python для работы с числами и данными. Он был создан, чтобы делать вычисления с числами проще и быстрее. Если вы когда-нибудь задумывались, как сделать сложные математические операции над большими объемами данных, NumPy — ваш лучший друг.
Почему NumPy так популярен?
NumPy написан на , который значительно быстрее Python. Это позволяет выполнять вычисления гораздо быстрее, что особенно важно при работе с большими объемами данных.
Также он делает сложные математические операции простыми и доступными. Вместо того чтобы писать длинные и сложные циклы, вы можете использовать короткие и понятные команды.
В NumPy есть поддержка работы с многомерными массивами (матрицами). Например, вы можете легко создать двумерный массив (матрицу) и выполнить над ним различные операции.
Кроме того, он предлагает множество функций для выполнения различных математических операций, работы с линейной алгеброй, генерации случайных чисел и многого другого.
Как NumPy поможет нам в ходе курса?
Поскольку мы собрались анализировать данные, NumPy поможет нам в этом, особенно при работе с числами. Библиотека не будет полезна при работе со строковыми значениями, например, с именами людей. Но зато она легко позволит нам обработать большие объемы информации, связанной с числами.
Интересно, что NumPy часто используют для работы с машинным обучением. В целом весь ИИ сводится к обработке вероятностей, и там присутствуют большие объемы входной информации, представленной в виде чисел.
В ходе курса мы будем использовать NumPy для различных задач, от простых вычислений до сложного анализа данных. Изучение NumPy — важный шаг на пути к овладению аналитикой данных на Python.
Исходный код
import numpy as np
# ---
arr = np.array([1, 2, 3, 4, 5])
matrix = np.array([
[1, 2, 3],
[4, 5, 6],
[7, 8, 9]
])
print(arr * 2)
print(matrix * 2)
# ---
# zeros - 0
zeros = np.zeros((3, 4))
print(zeros)
# ones - 1
ones = np.ones((2, 3))
# one matrix
eye = np.eye(4)
print(eye)
linspace = np.linspace(0, 10, 5)
print(linspace)
arange = np.arange(0, 10, 3)
print(arange)
# ---
arr = np.array([1, 2, 3, 4, 5])
print(arr[1:4]) # indexes
matrix = np.array([
[1, 2, 3],
[4, 5]
])
print(matrix[1:, :2])
# ---
arr = np.arange(1, 13)
print(arr)
reshaped = arr.reshape((3, 4))
print(reshaped)
# ---
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
# horizontal
hstack = np.hstack((arr1, arr2))
print(hstack)
# vertical
vstack = np.vstack((arr1, arr2))
print(vstack)
matrix = np.array([
[1, 2, 3, 4],
[5, 6, 7, 8]
])
hsplit = np.hsplit(matrix, 2)
print(hsplit)
vsplit = np.vsplit(matrix, 2)
print(vsplit)
# ---
arr = np.array([1, 2, 3, 4])
print(np.mean(arr))
print(np.std(arr))
print(np.median(arr))
print(np.min(arr), np.max(arr))Посмотреть остальной код можно после подписки на проект!Задание к уроку
Необходимо оформить подписку на проект, чтобы получить доступ ко всем домашним заданиям
Большое задание по курсу
Вам необходимо оформить подписку на сайте, чтобы иметь доступ ко всем большим заданиям. В задание входит методика решения, а также готовый проект с ответом к заданию.
PS: подобные задания доступны при подписке от 1 месяца
Также стоит посмотреть
