Lembaran Penipuan Numpy: Analisis Data Penting Dalam Python

Sebagai saintis data yang bekerja dengan Python, kemungkinan besar anda telah menemui perpustakaan NumPy . Ia adalah salah satu pakej asas untuk pengkomputeran saintifik dalam Python .

Dengan keupayaannya untuk melaksanakan operasi berprestasi tinggi pada tatasusunan berbilang dimensi, NumPy ialah alat penting untuk sesiapa sahaja yang mendalami sains data atau pengkomputeran berangka dalam Python.

Helaian tipu NumPy boleh menjadi sumber yang sangat baik untuk membantu membimbing perjalanan anda ke perpustakaan Python ini. Helaian tipu yang komprehensif akan membantu anda menavigasi ciri NumPy dan menjadi mahir dalam menggunakannya untuk pelbagai tugas dengan cepat!

Juga, ingat bahawa NumPy terletak di teras perpustakaan penting seperti Pandas, SciPy, sci-kit-learn dan pakej Python yang lain.

Dengan menguasai asasnya melalui bantuan helaian tipu Python NumPy , anda akan lebih bersedia untuk bekerja dengan perpustakaan ini. Anda juga akan memajukan kemahiran anda dalam mengendalikan struktur dan pengiraan data yang kompleks.

Adakah anda sekolah lama (seperti kami) dan mahu memuat turun dan berpotensi mencetak helaian panduan anda?

Tatal ke bawah untuk berbuat demikian.

Isi kandungan

• Asas NumPy
  • 1. Memasang dan Mengimport NumPy
  • 2. Penciptaan Susunan
  • 3. Atribut Susunan
  • 4. Jenis Data
• Manipulasi Tatasusunan
  • 1. Membentuk semula
  • 2. Menyalin
  • 3. Penggabungjalinan
  • 4. Membelah
  • 5. Menambah/Membuang Elemen
  • 6. Pengindeksan
  • 7. Menghiris
• Fungsi Asas
  • 1. Operasi Aritmetik
  • 2. Trigonometri
  • 3. Eksponen dan Logaritma
• Analisis Tatasusunan
  • 1. Fungsi Agregat
  • 2. Fungsi Statistik
  • 3. Mencari
  • 4. Menyusun
• Fungsi Lanjutan
  • 1. Penyiaran
  • 2. Algebra Linear
• Input dan Output
  • 1. Menyimpan dan Memuatkan Tatasusunan
  • 2. Membaca dan Menulis ke Fail Teks
• Muat Turun Helaian Penipuan Anda Di Bawah
• Fikiran Akhir

Asas NumPy

Dalam bahagian ini, kami akan merangkumi asas NumPy, memfokuskan pada pemasangan NumPy, penciptaan tatasusunan, atribut tatasusunan dan jenis data. Konsep ini akan menyediakan asas yang kukuh untuk memahami dan menggunakan NumPy dengan berkesan dalam projek sains data Python anda.

1. Memasang dan Mengimport NumPy

Anda boleh memasang NumPy dari baris arahan menggunakan arahan di bawah:

pip install numpy

Setelah ia dipasang, import ia ke dalam kod anda.

import numpy as np

Perlu diingat bahawa anda boleh menggunakan mana-mana nama lain selain daripada np . Walau bagaimanapun, np ialah konvensyen import NumPy standard yang digunakan oleh kebanyakan pembangun dan saintis data.

2. Penciptaan Susunan

Mencipta tatasusunan dalam NumPy adalah mudah dan mudah. Anda boleh membuat tatasusunan daripada senarai atau tupel menggunakan fungsi numpy.array() :

import numpy as np

a = np.array([1, 2, 3])  # Creates a 1D array
b = np.array([(1, 2, 3), (4, 5, 6)])  # Creates a 2D array

Anda juga boleh menjana tatasusunan bentuk dan nilai tertentu menggunakan pelbagai fungsi:

• np.zeros() : Mencipta tatasusunan yang diisi dengan sifar

• np.ones() : Mencipta tatasusunan yang diisi dengan satu

• np.identity() : Mencipta tatasusunan matriks identiti.

• np.empty() : Mencipta tatasusunan tanpa memulakan elemennya kepada mana-mana nilai tertentu

• np.arange() : Mencipta tatasusunan dengan nilai jarak tetap antara nilai mula dan akhir

• np.linspace() : Mencipta tatasusunan dengan bilangan tertentu nilai jarak sekata antara nilai mula dan akhir

Nota: Anda tidak boleh menjana tatasusunan kosong dalam NumPy. Setiap tatasusunan NumPy mempunyai saiz tetap dan tidak berubah dan setiap elemen dalam tatasusunan mesti diisi apabila tatasusunan dibuat.

Fungsi np.empty() mencipta bentuk tatasusunan yang diperlukan dan mengisinya dengan nilai rawak. Kaedah lalai mencipta tatasusunan terapung rawak.

Anda boleh mencipta jenis data tatasusunan yang berbeza menggunakan parameter dtype .

3. Atribut Susunan

Tatasusunan NumPy mempunyai beberapa atribut yang memberikan maklumat berguna tentang tatasusunan. Mari lihat beberapa daripada mereka:

• ndarray.shape: Mengembalikan dimensi tatasusunan sebagai tuple (baris, lajur)

• ndarray.ndim: Mengembalikan bilangan dimensi dalam tatasusunan

• ndarray.size: Mengembalikan jumlah bilangan elemen dalam tatasusunan

• ndarray.dtype: Mengembalikan jenis data elemen tatasusunan

Untuk mengakses atribut ini, gunakan notasi titik, seperti:

a = np.array([(1, 2, 3), (4, 5, 6)])

#Print out the array shape
print(a.shape)  # Output: (2, 3)

4. Jenis Data

NumPy menyediakan beberapa jenis data untuk menyimpan data dalam tatasusunan, seperti integer, rentetan, apungan, boolean dan kompleks. Secara lalai, NumPy cuba menyimpulkan jenis data berdasarkan elemen input.

Walau bagaimanapun, anda juga boleh menentukan jenis data secara eksplisit menggunakan kata kunci dtype . Sebagai contoh:

import numpy as np
a = np.array([1, 2, 3], dtype=float)  # Creates an array of floats

Jenis data NumPy biasa termasuk:

• np.int32 : integer 32-bit

• np.int64: integer 64-bit

• np.float32: nombor titik terapung 32-bit

• np.float64: nombor titik terapung 64-bit

• np.complex: Nombor kompleks, diwakili oleh dua nombor titik terapung 64-bit

Anda juga boleh menukar tatasusunan daripada satu jenis data kepada yang lain. Dalam contoh ini, berikut ialah cara kita boleh menukar tatasusunan Integer a menjadi arr tatasusunan Boolean menggunakan kaedah np.array() .

Daripada contoh, kita boleh melihat kaedah tatasusunan() menukarkan elemen tatasusunan kepada nilai boolean. Nilai boolean ini kemudian membentuk arr tatasusunan NumPy baharu.

Memahami konsep asas NumPy ini akan membolehkan anda bekerja dengan tatasusunan dengan berkesan dan melaksanakan pelbagai operasi NumPy matematik. Sebagai contoh, anda boleh melihat video kami tentang cara mengubah dan kod alamat Dalam Python.

Di dalamnya, kami menggunakan jenis data Python Pandas dan NumPy untuk geokod alamat rumah.

Manipulasi Tatasusunan

Dalam bahagian ini, anda akan belajar tentang pelbagai teknik manipulasi bentuk tatasusunan dalam NumPy. Kami akan membincangkan pembentukan semula, penggabungan, penyalinan, pemisahan, menambah/mengalih keluar elemen, pengindeksan dan penghirisan.

Teknik ini penting untuk berfungsi dengan berkesan dengan data tatasusunan dalam projek sains data anda.

Mari selami setiap sub-bahagian.

1. Membentuk semula

Membentuk semula tatasusunan dalam NumPy ialah tugas biasa yang akan anda lakukan. Anda mungkin perlu menukar bentuk tatasusunan anda agar sepadan dengan keperluan fungsi atau algoritma.

Untuk membentuk semula tatasusunan, gunakan fungsi reshape() :

arr = np.array([1, 2, 3, 4, 5, 6])
new_arr = arr.reshape(2, 3)

Ini akan menukar tatasusunan satu dimensi anda kepada tatasusunan dua dimensi dengan 2 baris dan 3 lajur.

Nota: Pastikan bentuk baharu yang anda sediakan mempunyai saiz yang sama (bilangan elemen tatasusunan) seperti tatasusunan asal.

2. Menyalin

Anda boleh menyalin elemen dalam satu tatasusunan NumPy kepada yang lain menggunakan kaedah copy() . Anda harus ambil perhatian bahawa menggunakan operator tugasan '=' mencipta salinan cetek.

#Creating a shallow copy of a NumPy array
a = np.array([9, 6, 12, 16, 20])
b = a
b[0] = 19

print(a) #Output:[19, 6, 12, 16, 20]
print(b) #Output:[19, 6, 12, 16, 20]

Tatasusunan baharu hanya merujuk tatasusunan lama dalam ingatan sistem. Mereka mengandungi unsur-unsur yang sama dan mereka tidak bebas antara satu sama lain.

Dengan menggunakan salinan dalam, anda mencipta tatasusunan NumPy baharu yang mengandungi data yang sama seperti yang lama sambil tidak bergantung padanya.

#Creating a deep copy of a NumPy array
a = np.array([9, 6, 12, 16, 20])
b = np.copy(a)
b[0] = 19

print(a) #Output:[9, 6, 12, 16, 20]
print(b) #Output:[19, 6, 12, 16, 20]

3. Penggabungjalinan

Kadangkala, anda mungkin perlu menggabungkan dua tatasusunan menjadi satu. Dalam NumPy, anda boleh menggunakan fungsi concatenate() untuk menyertai tatasusunan di sepanjang paksi sedia ada:

import numpy as np

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
result = np.concatenate((arr1, arr2))

Ini menggabungkan arr1 dan arr2 menjadi satu tatasusunan. Perlu diingat bahawa tatasusunan yang digabungkan harus mempunyai bentuk yang sama, kecuali di sepanjang paksi yang ditentukan.

4. Membelah

Pemisahan adalah bertentangan dengan penggabungan. Anda boleh membahagikan tatasusunan kepada sub-tatasusunan yang lebih kecil menggunakan fungsi split():

arr = np.array([1, 2, 3, 4, 5, 6])
result = np.split(arr, 3)

Ini membahagikan tatasusunan kepada 3 sub-tatasusunan bersaiz sama. Pastikan bilangan pecahan yang anda tentukan boleh membahagikan saiz tatasusunan secara sama rata di sepanjang paksi yang diberikan.

5. Menambah/Membuang Elemen

Menambah atau mengalih keluar elemen dalam tatasusunan NumPy boleh dicapai menggunakan fungsi append() dan delete() . Anda boleh menggunakan yang pertama untuk menambahkan nilai pada penghujung tatasusunan manakala yang terakhir memadamkan elemen pada indeks yang ditentukan.

Berikut ialah contoh:

arr = np.array([1, 2, 3])

arr = np.append(arr, [4, 5, 6]) # Appends values to the end of the array
arr = np.delete(arr, 0) # Removes the array element on index 0

Perlu diingat bahawa tatasusunan NumPy mempunyai saiz tetap. Apabila menggunakan append() atau delete(), tatasusunan baharu dicipta dan tatasusunan asal tidak diubah suai.

6. Pengindeksan

Anda boleh melakukan operasi pengindeksan pada tatasusunan NumPy dengan cara yang sama seperti yang anda lakukan pada senarai Python atau tupel. Mari lihat bagaimana anda boleh mengakses atau menukar elemen tatasusunan dalam tatasusunan yang diberikan.

arr = np.array([1, 2, 3])

#Returns the array element on index 1
element_2 = b[1]

#Change the array element on index 0
arr[0]= 89

7. Menghiris

Anda juga boleh menghiris tatasusunan NumPy untuk mengekstrak atau melihat bahagian data dengan cara yang sama seperti anda melakukan senarai atau set Python . Mari kita lihat contoh di bawah:

arr1 = np.array([1, 2, 3, 4, 5, 6, 7])
arr2 = np.array([(1, 2, 3, 6, 0), (4, 5, 6, 11, 13)]) 

# To return the first 3 elements of arr1
print(arr1[0:3]) #Output: [1, 2, 3]

# To return the second row in arr2
b = arr2[1, : ].copy() #Output: [4, 5, 6, 11, 13]

Note: Slicing creates a shallow copy that still references the main array. So, any change you make to the sliced data will be applied to the main array and vice versa.

To avoid this, you can use the copy() method to create a deep, independent copy.

Elementary Functions

In this section, you’ll learn about different elementary functions in NumPy, which will ease your data analysis tasks. We’ll cover arithmetic operations, trigonometry, and exponents and logarithms.

1. Arithmetic Operations

NumPy offers various math operations on arrays that make them simple and efficient to work with. array mathematics vector math

Some of the operations are:

• Addition: numpy.add(x1, x2)

• Subtraction: numpy.subtract(x1, x2)

• Multiplication: numpy.multiply(x1, x2)

• Division: numpy.divide(x1, x2)

• Modulus: numpy.mod(x1, x2)

• Power: numpy.power(x1, x2)

• Square root: numpy.sqrt(x)

Note: When using these operations, the two arrays must be the same shape. If not, you’ll run into errors.

There is an exception for certain arrays thanks to a NumPy feature called broadcasting. We’ll cover that in a later section.

You can perform these operations element-wise on the arrays, which makes them highly efficient for large-scale data manipulation.

2. Trigonometry

Trigonometric functions play a significant role in various mathematical and scientific computations. NumPy provides a wide range of trigonometric functions.

Some of the essential functions are:

• Sine: numpy.sin(x)

• Cosine: numpy.cos(x)

• Tangent: numpy.tan(x)

• Arcsine: numpy.arcsin(x)

• Arccosine: numpy.arccos(x)

• Arctangent: numpy.arctan(x)

These functions work seamlessly with arrays, making it easier for you to perform vectorized computations on large datasets.

3. Exponents and Logarithms

Exponents and logarithms are crucial for various numerical operations. NumPy provides an extensive collection of functions for dealing with exponents and logarithms.

Some of the primary functions are:

• Exponential: numpy.exp(x)

• Logarithm(base e): numpy.log(x)

• Logarithm(base 10): numpy.log10(x)

• Logarithm(base 2): numpy.log2(x)

Utilizing these functions, you can quickly perform complex mathematical operations on each element in the array. This makes your data analysis tasks more accessible and efficient.

Array Analysis

In this section, we will discuss various techniques to analyze arrays and array elements in NumPy. Some of the key features we will cover include aggregate functions, statistical functions, searching, and sorting.

1. Aggregate Functions

NumPy provides several aggregate functions that allow you to perform operations on arrays, such as summing all their elements, finding the minimum or maximum value, and more:

• sum: np.sum(your_array) – Calculate the sum of all the elements in the array.

• min: np.min(your_array) – Find the minimum array element.

• max: np.max(your_array) – Find the maximum array element.

• min : np.mean(your_array) – Kira min bagi nilai dalam tatasusunan.

• median : np.median(your_array) – Cari median bagi nilai dalam tatasusunan.

2. Fungsi Statistik

NumPy juga mempunyai pelbagai fungsi statistik untuk membantu anda menganalisis data:

• std: np.std(your_array) – Kira sisihan piawai bagi nilai dalam tatasusunan.

• var: np.var(array_anda) – Kira varians nilai dalam tatasusunan.

• corrcoef : np.corrcoef(your_array) – Kira pekali korelasi tatasusunan.

3. Mencari

Mencari dalam tatasusunan NumPy boleh dilakukan menggunakan pelbagai kaedah:

• argmin: np.argmin(your_array) – Cari indeks elemen tatasusunan minimum.

• argmax: np.argmax(your_array) – Cari indeks bagi elemen tatasusunan maksimum.

• where: np.where(condition) – Kembalikan indeks elemen dalam tatasusunan yang memenuhi syarat yang diberikan.

4. Menyusun

Anda boleh mengisih elemen dalam tatasusunan anda menggunakan fungsi berikut:

• sort : np.sort(your_array) – Isih elemen dalam tatasusunan dalam tertib menaik.

• argsort: np.argsort(your_array) – Mengembalikan indeks yang akan mengisih tatasusunan.

Dengan fungsi dan teknik ini, anda boleh menganalisis dan memanipulasi tatasusunan NumPy anda dengan mudah untuk menemui cerapan berharga dan menyokong usaha analisis data anda.

Fungsi Lanjutan

Dalam bahagian ini, kami akan meneroka beberapa fungsi lanjutan dalam NumPy untuk membantu anda bekerja dengan lebih cekap dengan data anda. Kami akan merangkumi fungsi Penyiaran dan Algebra Linear.

1. Penyiaran

Penyiaran ialah ciri NumPy berkuasa yang membolehkan anda melakukan operasi pada tatasusunan dengan bentuk dan saiz yang berbeza. Ia berfungsi dengan mengembangkan secara automatik dimensi tatasusunan yang lebih kecil untuk memadankan tatasusunan yang lebih besar, menjadikannya lebih mudah untuk melaksanakan operasi mengikut unsur.

Berikut ialah contoh:

import numpy as np
A = np.array([1, 2, 3])
B = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

C = A + B

Dalam contoh ini, tatasusunan 1D A disiarkan untuk memadankan bentuk tatasusunan 2D B, membenarkan penambahan mengikut unsur.

Ingat peraturan ini apabila bekerja dengan penyiaran:

• Dimensi tatasusunan mestilah serasi (sama ada saiz yang sama atau salah satu daripadanya ialah 1).

• Penyiaran digunakan dari dimensi mengekor dan berfungsi ke arah dimensi utama.

2. Algebra Linear

NumPy menyediakan beberapa fungsi algebra linear yang boleh berguna apabila bekerja dengan tatasusunan berbilang dimensi. Beberapa fungsi ini termasuk:

• np.dot(A, B): Mengira hasil darab titik dua tatasusunan.

• np.linalg.inv(A) : Mengira songsangan matriks segi empat sama.

• np.linalg.eig(A) : Mengira nilai eigen dan vektor eigen bagi matriks segi empat sama.

• np.linalg.solve(A, B): Menyelesaikan sistem persamaan linear, di mana A ialah matriks pekali dan B ialah matriks malar.

Ingat untuk sentiasa menyemak sama ada matriks anda serasi sebelum melakukan operasi ini.

Input dan Output

Dalam bahagian ini, kami akan meneroka cara menyimpan dan memuatkan tatasusunan, serta cara membaca dan menulis fail menggunakan NumPy.

1. Menyimpan dan Memuatkan Tatasusunan

Untuk menyimpan tatasusunan, anda boleh menggunakan fungsi np.save() NumPy . Fungsi ini mengambil nama fail dan tatasusunan sebagai dua hujah utamanya.

import numpy as np
arr = np.array([1, 2, 3])

np.save('my_array.npy', arr)

Untuk memuatkan tatasusunan yang disimpan, gunakan fungsi np.load() , menyediakan nama fail sebagai hujah.

loaded_array = np.load('my_array.npy')

print(loaded_array)  
# Output: array([1, 2, 3])

Anda juga boleh menyimpan dan memuatkan berbilang tatasusunan menggunakan fungsi np.save() dan np.load() .

2. Membaca dan Menulis ke Fail Teks

NumPy menyediakan fungsi untuk membaca dan menulis fail teks dengan tatasusunan, seperti np.loadtxt() dan np.savetxt() . Anda boleh menggunakan fungsi ini untuk menyimpan dan memuatkan data daripada format fail seperti fail txt atau CSV.

Untuk membaca fail teks ke dalam tatasusunan, gunakan fungsi np.loadtxt() . Ia mengambil nama fail sebagai hujah utamanya dan juga menyokong argumen pilihan untuk menentukan pembatas, dtype dan banyak lagi.

arr_from_txt = np.loadtxt('data.txt', delimiter=',')
print(arr_from_txt)

Untuk membaca data daripada fail CSV, anda juga boleh menggunakan fungsi np.loadtxt() . Walau bagaimanapun, pastikan pembatas sentiasa ditetapkan pada koma, “ , “.

Untuk menulis tatasusunan pada fail teks, gunakan fungsi np.savetxt() . Fungsi ini mengambil nama fail dan tatasusunan sebagai dua argumen utamanya, diikuti dengan argumen pilihan, seperti pembatas dan pengepala.

arr_to_txt = np.array([[1, 2, 3], [4, 5, 6]])
np.savetxt('output_data.txt', arr_to_txt, delimiter=',')

Fungsi input dan output ini membolehkan anda bekerja dengan cekap dengan tatasusunan dan fail teks dalam tugasan pemprosesan dan manipulasi data anda menggunakan NumPy.

Muat Turun Helaian Penipuan Anda Di Bawah

Numpy-Cheat-Helaian Muat Turun

Fikiran Akhir

Nah, itu sahaja yang anda perlu tahu untuk bermula dengan perpustakaan Numpy Python! Anda juga boleh menggunakan helaian cheat Python Numpy sebagai rujukan berguna apabila bekerja dengan perpustakaan.

Untuk ciri yang lebih maju, anda boleh menyemak dokumentasi NumPy . Anda juga boleh melihat helaian Cheat Python yang menyeronokkan ini yang kami sediakan untuk pembangun baharu dan berpengalaman.

Semoga berjaya!