#2 – Библиотека NumPy. Работа с массивами данных
Відеоурок
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.
Вихідний 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))Подивитися інший код можна після підписки на проект!Завдання до уроку
Необхідно оформити передплату на проект, щоб отримати доступ до всіх домашніх завдань
Велике завдання за курсом
Вам необхідно оформити передплату на сайті, щоб мати доступ до всіх великих завдань. У завдання входить методика рішення, а також готовий проект з відповіддю до завдання.
PS: подібні завдання доступні при підписці від 1 місяця
Також варто подивитися
