Numpy Cheat Sheet: การวิเคราะห์ข้อมูลที่จำเป็นใน Python

ในฐานะนักวิทยาศาสตร์ข้อมูลที่ ทำงานกับ Python คุณมักจะเจอห้องสมุด NumPy เป็นหนึ่งในแพ็คเกจพื้นฐานสำหรับการคำนวณทางวิทยาศาสตร์ในPython

ด้วยความสามารถในการดำเนินการที่มีประสิทธิภาพสูงบนอาร์เรย์หลายมิติ NumPy จึงเป็นเครื่องมือที่จำเป็นสำหรับทุกคนที่ดำดิ่งสู่วิทยาการข้อมูลหรือการคำนวณเชิงตัวเลขใน Python

ข้อมูลสรุป NumPy สามารถเป็นแหล่งข้อมูลที่ดีเยี่ยมในการช่วยแนะนำการเดินทางของคุณสู่ไลบรารี Python นี้ เอกสารข้อมูลสรุปที่ครอบคลุมจะช่วยให้คุณใช้งานคุณลักษณะต่างๆ ของ NumPy และเชี่ยวชาญในการใช้งานต่างๆ ได้อย่างรวดเร็ว!

นอกจากนี้ โปรดจำไว้ว่า NumPy เป็นแกนหลักของไลบรารีที่สำคัญ เช่น Pandas, SciPy, sci-kit-learn และแพ็คเกจ Python อื่นๆ

ด้วยการเรียนรู้พื้นฐานผ่านความช่วยเหลือจาก Python NumPy cheat sheetคุณจะมีความพร้อมในการทำงานกับไลบรารี่เหล่านี้ได้ดียิ่งขึ้น คุณจะได้พัฒนาทักษะในการจัดการโครงสร้างข้อมูลและการคำนวณที่ซับซ้อน

คุณเป็นโรงเรียนเก่า (เช่นเรา) และต้องการดาวน์โหลดและพิมพ์เอกสารข้อมูลสรุปของคุณหรือไม่?

เลื่อนลงเพื่อทำเช่นนั้น

สารบัญ

• NumPy พื้นฐาน
  • 1. การติดตั้งและนำเข้า NumPy
  • 2. การสร้างอาร์เรย์
  • 3. แอตทริบิวต์ของอาร์เรย์
  • 4. ประเภทข้อมูล
• การจัดการอาร์เรย์
  • 1. การปรับรูปร่าง
  • 2. การคัดลอก
  • 3. การต่อข้อมูล
  • 4. การแยก
  • 5. การเพิ่ม/ลบองค์ประกอบ
  • 6. การจัดทำดัชนี
  • 7. การหั่น
• ฟังก์ชันพื้นฐาน
  • 1. การดำเนินการทางคณิตศาสตร์
  • 2. ตรีโกณมิติ
  • 3. เลขชี้กำลังและลอการิทึม
• การวิเคราะห์อาร์เรย์
  • 1. ฟังก์ชันรวม
  • 2. ฟังก์ชันทางสถิติ
  • 3. การค้นหา
  • 4. การเรียงลำดับ
• ฟังก์ชั่นขั้นสูง
  • 1. การออกอากาศ
  • 2. พีชคณิตเชิงเส้น
• อินพุตและเอาต์พุต
  • 1. การบันทึกและการโหลดอาร์เรย์
  • 2. การอ่านและการเขียนไปยังไฟล์ข้อความ
• ดาวน์โหลดข้อมูลสรุปของคุณด้านล่าง
• ความคิดสุดท้าย

NumPy พื้นฐาน

ในส่วนนี้ เราจะกล่าวถึงพื้นฐานของ NumPy โดยเน้นไปที่การติดตั้ง NumPy การสร้างอาร์เรย์ แอตทริบิวต์ของอาร์เรย์ และประเภทข้อมูล แนวคิดเหล่านี้จะเป็นรากฐานที่มั่นคงสำหรับการทำความเข้าใจและใช้งาน NumPy อย่างมีประสิทธิภาพในโครงการวิทยาศาสตร์ข้อมูล Python ของคุณ

1. การติดตั้งและนำเข้า NumPy

คุณสามารถติดตั้ง NumPy จากบรรทัดคำสั่งโดยใช้คำสั่งด้านล่าง:

pip install numpy

เมื่อติดตั้งแล้ว ให้อิมพอร์ตลงในโค้ดของคุณ

import numpy as np

โปรดทราบว่าคุณสามารถใช้ชื่ออื่นนอกเหนือจากnpได้ อย่างไรก็ตามnpเป็นแบบแผนการนำเข้า NumPy มาตรฐานที่ใช้โดยนักพัฒนาและนักวิทยาศาสตร์ข้อมูลส่วนใหญ่

2. การสร้างอาร์เรย์

การสร้างอาร์เรย์ใน NumPy ทำได้ง่ายและตรงไปตรงมา คุณสามารถสร้างอาร์เรย์จากรายการหรือทูเพิลได้โดยใช้ฟังก์ชันnumpy.array() ดังนี้

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

คุณยังสามารถสร้างอาร์เรย์ของรูปร่างและค่าเฉพาะได้โดยใช้ฟังก์ชันต่างๆ:

• np.zeros() : สร้างอาร์เรย์ที่เต็มไปด้วยศูนย์

• np.ones() : สร้างอาร์เรย์ที่เต็มไปด้วยอาร์เรย์

• np.identity() : สร้างอาร์เรย์เมทริกซ์ข้อมูลประจำตัว

• np.empty() : สร้างอาร์เรย์โดยไม่เริ่มต้นองค์ประกอบเป็นค่าใดค่าหนึ่ง

• np.arange() : สร้างอาร์เรย์ที่มีค่าการเว้นระยะอย่างสม่ำเสมอระหว่างค่าเริ่มต้นและค่าสิ้นสุด

• np.linspace() : สร้างอาร์เรย์ที่มีจำนวนค่าที่เว้นระยะเท่าๆ กันระหว่างค่าเริ่มต้นและค่าสิ้นสุดที่ระบุ

หมายเหตุ:คุณไม่สามารถสร้างอาร์เรย์ว่างใน NumPy แต่ละอาร์เรย์ NumPy มีขนาดคงที่และไม่เปลี่ยนรูป และแต่ละองค์ประกอบในอาร์เรย์จะต้องกรอกเมื่อสร้างอาร์เรย์

ฟังก์ชันnp.empty()สร้างรูปร่างอาร์เรย์ที่ต้องการและเติมด้วยค่าสุ่ม วิธีการดีฟอลต์จะสร้างอาร์เรย์ของการลอยแบบสุ่ม

คุณสามารถสร้างประเภทข้อมูลอาร์เรย์อื่นได้โดยใช้พารามิเตอร์dtype

3. แอตทริบิวต์ของอาร์เรย์

อาร์เรย์ NumPy มีแอตทริบิวต์หลายอย่างที่ให้ข้อมูลที่เป็นประโยชน์เกี่ยวกับอาร์เรย์ ลองดูบางส่วนของพวกเขา:

• ndarray.shape:ส่งกลับขนาดของอาร์เรย์เป็น tuple (แถว, คอลัมน์)

• ndarray.ndim:ส่งกลับจำนวนมิติในอาร์เรย์

• ndarray.size:ส่งกลับจำนวนองค์ประกอบทั้งหมดในอาร์เรย์

• ndarray.dtype:ส่งกลับชนิดข้อมูลขององค์ประกอบอาร์เรย์

ในการเข้าถึงแอตทริบิวต์เหล่านี้ ให้ใช้เครื่องหมายจุด เช่น:

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

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

4. ประเภทข้อมูล

NumPy ให้ข้อมูลหลายประเภทเพื่อจัดเก็บข้อมูลในอาร์เรย์ เช่น จำนวนเต็ม สตริง ทศนิยม บูลีน และเชิงซ้อน ตามค่าเริ่มต้น NumPy จะพยายามอนุมานประเภทข้อมูลตามองค์ประกอบอินพุต

อย่างไรก็ตาม คุณยังสามารถระบุประเภทข้อมูลได้อย่างชัดเจนโดยใช้คีย์เวิร์ดdtype ตัวอย่างเช่น:

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

ประเภทข้อมูล NumPy ทั่วไปประกอบด้วย:

• np.int32 : จำนวนเต็ม 32 บิต

• np.int64:จำนวนเต็ม 64 บิต

• np.float32:หมายเลขทศนิยม 32 บิต

• np.float64:หมายเลขทศนิยม 64 บิต

• np.complex:จำนวนเชิงซ้อน แสดงด้วยตัวเลขทศนิยม 64 บิตสองตัว

คุณยังสามารถแปลงอาร์เรย์จากประเภทข้อมูลหนึ่งไปยังอีกประเภทหนึ่งได้อีกด้วย ในตัวอย่างนี้ ต่อไปนี้คือวิธีที่เราสามารถแปลงอาร์เรย์จำนวนเต็มaเป็นอาร์เรย์บูลีนarrโดยใช้เมธอดnp.array()

จากตัวอย่าง เราจะเห็นว่าเมธอด array() แปลงองค์ประกอบอาร์เรย์เป็นค่าบูลีน ค่าบูลีนเหล่านี้จะสร้างอาร์เรย์ NumPy ใหม่

การทำความเข้าใจแนวคิดพื้นฐานของ NumPy จะช่วยให้คุณทำงานกับอาร์เรย์ ได้อย่างมีประสิทธิภาพ และดำเนินการทางคณิตศาสตร์กับ NumPy ได้หลากหลาย ตัวอย่างเช่น คุณสามารถดูวิดีโอของเราเกี่ยวกับวิธีการแปลงและรหัสที่อยู่ใน Python

ในนั้น เราใช้ประเภทข้อมูล Python Pandas และ NumPy เพื่อระบุพิกัดทางภูมิศาสตร์ที่อยู่บ้าน

การจัดการอาร์เรย์

ในส่วนนี้ คุณจะได้เรียนรู้เกี่ยวกับเทคนิคการจัดการรูปร่างอาร์เรย์ต่างๆ ใน ​​NumPy เราจะหารือเกี่ยวกับการปรับรูปร่าง การต่อ การคัดลอก การแยก การเพิ่ม/การลบองค์ประกอบ การทำดัชนี และการแบ่งส่วน

เทคนิคเหล่านี้มีความสำคัญต่อการทำงานกับข้อมูลอาร์เรย์อย่างมีประสิทธิภาพในโครงการวิทยาศาสตร์ข้อมูลของคุณ

มาเจาะลึกในแต่ละหัวข้อย่อยกัน

1. การปรับรูปร่าง

การปรับรูปร่างอาร์เรย์ใน NumPy เป็นงานทั่วไปที่คุณต้องทำ คุณอาจต้องเปลี่ยนรูปร่างของอาร์เรย์ให้ตรงกับข้อกำหนดของฟังก์ชันหรืออัลกอริทึม

ในการปรับรูปร่างอาร์เรย์ใหม่ ให้ใช้ฟังก์ชันreshape() ดังนี้

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

สิ่งนี้จะแปลงอาร์เรย์หนึ่งมิติของคุณให้เป็นอาร์เรย์สองมิติที่มี 2 แถวและ 3 คอลัมน์

หมายเหตุ:ตรวจสอบให้แน่ใจว่ารูปร่างใหม่ที่คุณระบุมีขนาด (จำนวนองค์ประกอบอาร์เรย์) เท่ากันกับอาร์เรย์เดิม

2. การคัดลอก

คุณสามารถคัดลอกองค์ประกอบในอาร์เรย์ NumPy หนึ่งไปยังอีกองค์ประกอบหนึ่งโดยใช้เมธอดcopy() คุณควรทราบว่าการใช้ตัวดำเนินการกำหนด'='จะสร้างสำเนาตื้น

#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]

อาร์เรย์ใหม่จะอ้างอิงอาร์เรย์เก่าในหน่วยความจำของระบบเท่านั้น มีองค์ประกอบเหมือนกันและไม่เป็นอิสระจากกัน

เมื่อใช้สำเนาลึก คุณจะสร้างอาร์เรย์ NumPy ใหม่ที่มีข้อมูลเดียวกันกับข้อมูลเก่าโดยไม่ขึ้นกับข้อมูลนั้น

#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. การต่อข้อมูล

ในบางครั้ง คุณอาจต้องรวมสองอาร์เรย์เป็นหนึ่งเดียว ใน NumPy คุณสามารถใช้ ฟังก์ชัน concatenate()เพื่อรวมอาร์เรย์ตามแกนที่มีอยู่:

import numpy as np

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

ซึ่งจะรวมarr1และarr2ไว้ในอาร์เรย์เดียว โปรดทราบว่าอาร์เรย์ที่ต่อกันควรมีรูปร่างเหมือนกัน ยกเว้นตามแนวแกนที่ระบุ

4. การแยก

การแยกเป็นสิ่งที่ตรงกันข้ามกับการต่อข้อมูล คุณสามารถแบ่งอาร์เรย์ออกเป็นอาร์เรย์ย่อยที่เล็กลงได้โดยใช้ฟังก์ชัน split() ดังนี้

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

ซึ่งจะแบ่งอาร์เรย์ออกเป็น 3 อาร์เรย์ย่อยที่มีขนาดเท่ากัน ตรวจสอบให้แน่ใจว่าจำนวนการแยกที่คุณระบุสามารถแบ่งขนาดของอาร์เรย์ตามแกนที่กำหนดได้เท่าๆ กัน

5. การเพิ่ม/ลบองค์ประกอบ

การเพิ่มหรือลบองค์ประกอบในอาร์เรย์ NumPy สามารถทำได้โดยใช้ฟังก์ชันผนวก ()และลบ () ค���ณสามารถใช้อันแรกเพื่อต่อท้ายค่าที่ส่วนท้ายของอาร์เรย์ ในขณะที่อันหลังลบอิลิเมนต์ที่ดัชนีที่ระบุ

นี่คือตัวอย่าง:

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

โปรดทราบว่าอาร์เรย์ NumPy มีขนาดคงที่ เมื่อใช้ append() หรือ delete() อาร์เรย์ใหม่จะถูกสร้างขึ้น และอาร์เรย์เดิมจะไม่ถูกแก้ไข

6. การจัดทำดัชนี

คุณสามารถดำเนินการสร้างดัชนีบนอาร์เรย์ NumPy ได้แบบเดียวกับที่คุณทำในรายการ Python หรือทูเพิล มาดูกันว่าคุณสามารถเข้าถึงหรือเปลี่ยนองค์ประกอบอาร์เรย์ในอาร์เรย์ที่กำหนดได้อย่างไร

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. การหั่น

คุณยังสามารถแบ่งอาร์เรย์ NumPy เพื่อแยกหรือ ดูส่วนของข้อมูลได้เช่นเดียวกับที่คุณทำรายการหรือชุด ของ Python ลองดูตัวอย่างด้านล่าง:

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.

• ค่าเฉลี่ย : np.mean(your_array) – คำนวณค่าเฉลี่ยของค่าในอาร์เรย์

• ค่ามัธยฐาน : np.median(your_array) – ค้นหาค่ามัธยฐานของค่าในอาร์เรย์

2. ฟังก์ชันทางสถิติ

NumPy ยังมีฟังก์ชันทางสถิติที่หลากหลายเพื่อช่วยคุณวิเคราะห์ข้อมูล:

• std: np.std(your_array) – คำนวณส่วนเบี่ยงเบนมาตรฐานของค่าในอาร์เรย์

• var: np.var(your_array) – คำนวณความแปรปรวนของค่าในอาร์เรย์

• corrcoef : np.corrcoef(your_array) – คำนวณค่าสัมประสิทธิ์สหสัมพันธ์ของอาร์เรย์

3. การค้นหา

การค้นหาในอาร์เรย์ NumPy สามารถทำได้หลายวิธี:

• argmin: np.argmin(your_array) – ค้นหาดัชนีขององค์ประกอบอาร์เรย์ขั้นต่ำ

• argmax: np.argmax(your_array) – ค้นหาดัชนีขององค์ประกอบอาร์เรย์สูงสุด

• where: np.where(condition) – ส่งกลับดัชนีขององค์ประกอบในอาร์เรย์ที่ตรงตามเงื่อนไขที่กำหนด

4. การเรียงลำดับ

คุณสามารถจัดเรียงองค์ประกอบในอาร์เรย์โดยใช้ฟังก์ชันต่อไปนี้:

• sort : np.sort(your_array) – จัดเรียงองค์ประกอบในอาร์เรย์จากน้อยไปหามาก

• argsort: np.argsort(your_array) – ส่งกลับดัชนีที่จะเรียงลำดับอาร์เรย์

ด้วยฟังก์ชันและเทคนิคเหล่านี้ คุณสามารถวิเคราะห์และจัดการอาร์เรย์ NumPy ของคุณได้อย่างสะดวก เพื่อเปิดเผยข้อมูลเชิงลึกอันมีค่าและสนับสนุนความพยายามในการวิเคราะห์ข้อมูลของคุณ

ฟังก์ชั่นขั้นสูง

ในส่วนนี้ เราจะสำรวจฟังก์ชันขั้นสูงบางอย่างใน NumPy เพื่อช่วยให้คุณทำงานกับข้อมูลได้อย่างมีประสิทธิภาพมากขึ้น เราจะกล่าวถึงฟังก์ชัน Broadcasting และ Linear Algebra

1. การออกอากาศ

การแพร่ภาพเป็นคุณสมบัติ NumPy อันทรงพลังที่ให้คุณดำเนินการกับอาร์เรย์ที่มีรูปร่างและขนาดต่างกัน ทำงานโดยขยายขนาดของอาร์เรย์ที่เล็กลงโดยอัตโนมัติเพื่อให้ตรงกับอาร์เรย์ที่ใหญ่กว่า ทำให้ง่ายต่อการดำเนินการตามองค์ประกอบ

นี่คือตัวอย่าง:

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

ในตัวอย่างนี้ อาร์เรย์ 1 มิติ A ถูกกระจายให้ตรงกับรูปร่างของอาร์เรย์ 2 มิติ B ทำให้สามารถเพิ่มองค์ประกอบได้อย่างชาญฉลาด

คำนึงถึงกฎเหล่านี้เมื่อทำงานกับการแพร่ภาพ:

• ขนาดของอาร์เรย์ต้องเข้ากันได้ (ขนาดเดียวกันหรือหนึ่งในนั้นคือ 1)

• การแพร่ภาพถูกนำไปใช้จากส่วนต่อท้ายและทำงานไปยังส่วนนำหน้า

2. พีชคณิตเชิงเส้น

NumPy มีฟังก์ชันพีชคณิตเชิงเส้นหลายฟังก์ชันที่มีประโยชน์เมื่อทำงานกับอาร์เรย์หลายมิติ บางส่วนของฟังก์ชั่นเหล่านี้รวมถึง:

• np.dot(A, B):คำนวณผลคูณดอทของสองอาร์เรย์

• np.linalg.inv(A) : คำนวณส่วนผกผันของเมทริกซ์สี่เหลี่ยม

• np.linalg.eig(A) : คำนวณค่าลักษณะเฉพาะและค่าลักษณะเฉพาะของเมทริกซ์จัตุรัส

• np.linalg.solve(A, B):แก้ระบบสมการเชิงเส้น โดยที่ A คือเมทริกซ์สัมประสิทธิ์ และ B คือเมทริกซ์ค่าคงที่

อย่าลืมตรวจสอบเสมอว่าเมทริกซ์ของคุณเข้ากันได้ หรือ ไม่ก่อนที่จะดำเนินการเหล่านี้

อินพุตและเอาต์พุต

ในส่วนนี้ เราจะสำรวจวิธีการบันทึกและโหลดอาร์เรย์ ตลอดจนวิธีการอ่านและเขียนไฟล์โดยใช้ NumPy

1. การบันทึกและการโหลดอาร์เรย์

หากต้องการบันทึกอาร์เรย์ คุณสามารถใช้ฟังก์ชันnp.save() ของ NumPy ฟังก์ชันนี้ใช้ชื่อไฟล์และอาร์เรย์เป็นสองอาร์กิวเมนต์หลัก

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

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

ในการโหลดอาร์เรย์ที่บันทึกไว้ ให้ใช้ ฟังก์ชัน np.load()โดยให้ชื่อไฟล์เป็นอาร์กิวเมนต์

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

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

คุณยังสามารถบันทึกและโหลดอาร์เรย์หลายรายการโดยใช้ฟังก์ชันnp.save()และnp.load()

2. การอ่านและการเขียนไปยังไฟล์ข้อความ

NumPy มีฟังก์ชันสำหรับอ่านและเขียนไฟล์ ข้อความด้วยอาร์เรย์ เช่นnp.loadtxt()และnp.savetxt() คุณสามารถใช้ฟังก์ชันเหล่านี้เพื่อบันทึกและโหลดข้อมูลจากรูปแบบไฟล์ เช่น ไฟล์ txt หรือ CSV

หากต้องการอ่านไฟล์ข้อความในอาร์เรย์ ให้ใช้ฟังก์ชันnp.loadtxt() ใช้ชื่อไฟล์เป็นอาร์กิวเมนต์หลักและยังสนับสนุนอาร์กิวเมนต์ทางเลือกสำหรับการระบุตัวคั่น dtype และอื่นๆ

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

หากต้องการอ่านข้อมูลจากไฟล์ CSV คุณสามารถใช้ฟังก์ชันnp.loadtxt() อย่างไรก็ตาม ตรวจสอบให้แน่ใจว่าตัวคั่นถูกตั้งค่าเป็นเครื่องหมายจุลภาค " , " เสมอ

ในการเขียนอาร์เรย์ลงในไฟล์ข้อความ ให้ใช้ฟังก์ชันnp.savetxt() ฟังก์ชันนี้ใช้ชื่อไฟล์และอาร์เรย์เป็นอาร์กิวเมนต์หลัก 2 อาร์กิวเมนต์ ตามด้วยอาร์กิวเมนต์ทางเลือก เช่น ตัวคั่นและส่วนหัว

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

ฟังก์ชันอินพุตและเอาต์พุตเหล่านี้ช่วยให้คุณทำงานกับอาร์เรย์และไฟล์ข้อความได้อย่างมีประสิทธิภาพในการประมวลผลข้อมูลและจัดการงานโดยใช้ NumPy

ดาวน์โหลดข้อมูลสรุปของคุณด้านล่าง

ดาวน์โหลดNumpy-Cheat-Sheet

ความคิดสุดท้าย

นั่นคือทั้งหมดที่คุณต้องรู้เพื่อเริ่มต้นใช้งานไลบรารี Numpy Python! คุณยังสามารถใช้สูตรโกง Python Numpy เป็นข้อมูลอ้างอิงที่มีประโยชน์เมื่อทำงานกับไลบรารี

สำหรับคุณสมบัติ ขั้นสูงเพิ่มเติม คุณสามารถดูเอกสารประกอบของ NumPy คุณยังสามารถดูเอกสารสรุป Python สนุกๆ ที่เรารวบรวมไว้สำหรับนักพัฒนามือใหม่และผู้มีประสบการณ์

ขอให้โชคดี!