importnumpyasnpa=np.array([[1357911][24681012]])# horizontal splittingprint('Splitting along horizontal axis into 2 parts:n'np.hsplit(a2))# vertical splittingprint('nSplitting along vertical axis into 2 parts:n'np.vsplit(a2))
Терминът излъчване описва как NumPy третира масиви с различни форми по време на аритметични операции. При определени ограничения по-малкият масив се „излъчва“ през по-големия масив, така че те да имат съвместими форми. Излъчването предоставя средство за векторизиране на операциите с масиви, така че зациклянето да се случва в C вместо в Python. Той прави това, без да прави ненужни копия на данни и обикновено води до ефективни реализации на алгоритъм. Има и случаи, в които излъчването е лоша идея, защото води до неефективно използване на паметта, което забавя изчисленията. Операциите на NumPy обикновено се извършват елемент по елемент, което изисква два масива да имат абсолютно еднаква форма. Правилото за излъчване на Numpy облекчава това ограничение, когато формите на масивите отговарят на определени ограничения. Правилото за излъчване: За да се излъчи размерът на задните оси за двата масива в една операция трябва или да бъде с еднакъв размер, или едната от тях трябва да бъде един . Let us see some examples:
A(2-D array): 4 x 3 B(1-D array): 3 Result : 4 x 3
A(4-D array): 7 x 1 x 6 x 1 B(3-D array): 3 x 1 x 5 Result : 7 x 3 x 6 x 5
But this would be a mismatch:
A: 4 x 3 B: 4
The simplest broadcasting example occurs when an array and a scalar value are combined in an operation. Consider the example given below: Python
importnumpyasnpa=np.array([1.02.03.0])# Example 1b=2.0print(a*b)# Example 2c=[2.02.02.0]print(a*c)
Output:
[ 2. 4. 6.] [ 2. 4. 6.]
We can think of the scalar b being stretched during the arithmetic operation into an array with the same shape as a. The new elements in b as shown in above figure are simply copies of the original scalar. Although the stretching analogy is only conceptual. Numpy is smart enough to use the original scalar value without actually making copies so that broadcasting operations are as memory and computationally efficient as possible. Because Example 1 moves less memory (b is a scalar not an array) around during the multiplication it is about 10% faster than Example 2 using the standard numpy on Windows 2000 with one million element arrays! The figure below makes the concept more clear: In above example the scalar b is stretched to become an array of with the same shape as a so the shapes are compatible for element-by-element multiplication. Now let us see an example where both arrays get stretched. Python
В някои случаи излъчването разтяга и двата масива, за да образува изходен масив, по-голям от който и да е от първоначалните масиви.
Работа с дата и час:
Numpy has core array data types which natively support datetime functionality. The data type is called datetime64 so named because datetime is already taken by the datetime library included in Python. Consider the example below for some examples: Python
importnumpyasnp# creating a datetoday=np.datetime64('2017-02-12')print('Date is:'today)print('Year is:'np.datetime64(today'Y'))# creating array of dates in a monthdates=np.arange('2017-02''2017-03'dtype='datetime64[D]')print('nDates of February 2017:n'dates)print('Today is February:'todayindates)# arithmetic operation on datesdur=np.datetime64('2017-05-22')-np.datetime64('2016-05-22')print('nNo. of days:'dur)print('No. of weeks:'np.timedelta64(dur'W'))# sorting datesa=np.array(['2017-02-12''2016-10-13''2019-05-22']dtype='datetime64')print('nDates in sorted order:'np.sort(a))
Output:
Date is: 2017-02-12 Year is: 2017 Dates of February 2017: ['2017-02-01' '2017-02-02' '2017-02-03' '2017-02-04' '2017-02-05' '2017-02-06' '2017-02-07' '2017-02-08' '2017-02-09' '2017-02-10' '2017-02-11' '2017-02-12' '2017-02-13' '2017-02-14' '2017-02-15' '2017-02-16' '2017-02-17' '2017-02-18' '2017-02-19' '2017-02-20' '2017-02-21' '2017-02-22' '2017-02-23' '2017-02-24' '2017-02-25' '2017-02-26' '2017-02-27' '2017-02-28'] Today is February: True No. of days: 365 days No. of weeks: 52 weeks Dates in sorted order: ['2016-10-13' '2017-02-12' '2019-05-22']
Линейна алгебра в NumPy:
Модулът за линейна алгебра на NumPy предлага различни методи за прилагане на линейна алгебра върху всеки масив numpy. Можете да намерите:
ранг определяща следа и т.н. на масив.
собствени стойности или матрици
матрични и векторни произведения (точков вътрешен външен и т.н. продукт) матрично степенуване
решавайте линейни или тензорни уравнения и много повече!
Consider the example below which explains how we can use NumPy to do some matrix operations. Python
importnumpyasnpA=np.array([[611][4-25][287]])print('Rank of A:'np.linalg.matrix_rank(A))print('nTrace of A:'np.trace(A))print('nDeterminant of A:'np.linalg.det(A))print('nInverse of A:n'np.linalg.inv(A))print('nMatrix A raised to power 3:n'np.linalg.matrix_power(A3))
Output:
Rank of A: 3 Trace of A: 11 Determinant of A: -306.0 Inverse of A: [[ 0.17647059 -0.00326797 -0.02287582] [ 0.05882353 -0.13071895 0.08496732] [-0.11764706 0.1503268 0.05228758]] Matrix A raised to power 3: [[336 162 228] [406 162 469] [698 702 905]]
Let us assume that we want to solve this linear equation set:
x + 2*y = 8 3*x + 4*y = 18
This problem can be solved using linalg.разреши method as shown in example below: Python
importnumpyasnp# coefficientsa=np.array([[12][34]])# constantsb=np.array([818])print('Solution of linear equations:'np.linalg.solve(ab))
Output:
Solution of linear equations: [ 2. 3.]
Finally we see an example which shows how one can perform linear regression using least squares method. A linear regression line is of the form w1 x + w 2 = y и това е линията, която минимизира сумата от квадратите на разстоянието от всяка точка от данни до линията. И така, дадени n двойки данни (xi yi), параметрите, които търсим, са w1 и w2, които минимизират грешката: Let us have a look at the example below: Python
importnumpyasnpimportmatplotlib.pyplotasplt# x co-ordinatesx=np.arange(09)A=np.array([xnp.ones(9)])# linearly generated sequencey=[192020.521.522232325.524]# obtaining the parameters of regression linew=np.linalg.lstsq(A.Ty)[0]# plotting the lineline=w[0]*x+w[1]# regression lineplt.plot(xline'r-')plt.plot(xy'o')plt.show()
Output: Така че това води до заключението на тази поредица от уроци по NumPy. NumPy е широко използвана библиотека с общо предназначение, която е в основата на много други изчислителни библиотеки като scipy scikit-learn tensorflow matplotlib opencv и т.н. Основното разбиране на NumPy помага за ефективната работа с други библиотеки от по-високо ниво! препратки:
In above example the scalar b is stretched to become an array of with the same shape as a so the shapes are compatible for element-by-element multiplication. Now let us see an example where both arrays get stretched. Python 
В някои случаи излъчването разтяга и двата масива, за да образува изходен масив, по-голям от който и да е от първоначалните масиви. 
Let us have a look at the example below: Python 
Така че това води до заключението на тази поредица от уроци по NumPy. NumPy е широко използвана библиотека с общо предназначение, която е в основата на много други изчислителни библиотеки като scipy scikit-learn tensorflow matplotlib opencv и т.н. Основното разбиране на NumPy помага за ефективната работа с други библиотеки от по-високо ниво! препратки: