Что такое NumPy

NumPy (Numerical Python) — это библиотека для языка программирования Python, предназначенная для работы с многомерными массивами (включая матрицы) и выполнения математических операций над ними. Она предоставляет функциональность, схожую с массивами и матричными операциями, какие доступны в языках программирования, таких как MATLAB или Octave.

NumPy является одной из основных библиотек для научных и инженерных вычислений в экосистеме Python. Она предоставляет высокопроизводительные и эффективные методы работы с данными, поддерживает множество операций линейной алгебры, математических функций и случайных чисел.

Основные возможности NumPy

1. Многомерные массивы: NumPy предоставляет объекты ndarray (n-мерные массивы), которые позволяют хранить и манипулировать данными с высокой производительностью.
2. Бродкастинг (broadcasting): NumPy поддерживает автоматическое расширение размерности массивов, чтобы выполнение операций с массивами разных форм было возможно без явного повторения данных.
3. Математические функции: библиотека предоставляет множество математических функций, таких как тригонометрические, логарифмические, статистические и многие другие.
4. Операции линейной алгебры: NumPy поддерживает выполнение операций линейной алгебры, таких как умножение матриц, нахождение определителя, решение линейных уравнений и др.
5. Интеграция с другими библиотеками: NumPy хорошо интегрируется с другими популярными библиотеками для научных вычислений, такими как SciPy, pandas и matplotlib.

Как использовать NumPy

Чтобы использовать библиотеку в своих проектах, необходимо установить библиотеку. Обычно это делается с помощью менеджера пакетов Python, такого как pip:

pip install numpy

pip install numpy

После установки вы можете импортировать библиотеку в свой код и начать использовать её функциональность:

import numpy as np

# Пример создания и работы с массивами NumPy
arr = np.array([1, 2, 3, 4, 5])
print(arr)          # Output: [1 2 3 4 5]
print(arr.shape)    # Output: (5,) - форма массива
print(arr.ndim)     # Output: 1 - количество осей (измерений) массива
print(arr.size)     # Output: 5 - количество элементов массива

xxxxxxxxxx

import numpy as np

​

# Пример создания и работы с массивами NumPy

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

print(arr)          # Output: [1 2 3 4 5]

print(arr.shape)    # Output: (5,) - форма массива

print(arr.ndim)     # Output: 1 - количество осей (измерений) массива

print(arr.size)     # Output: 5 - количество элементов массива

Пример работы

Давайте рассмотрим пример работы. В данном примере мы создадим массив, выполним некоторые операции над ним и продемонстрируем основные возможности библиотеки:

import numpy as np

# Создание массива
arr = np.array([1, 2, 3, 4, 5])
print("Массив arr:", arr)

# Форма массива (количество элементов в каждом измерении)
print("Форма массива arr:", arr.shape)

# Количество осей (измерений) массива
print("Количество осей массива arr:", arr.ndim)

# Общее количество элементов в массиве
print("Общее количество элементов в массиве arr:", arr.size)

# Доступ к элементам массива
print("Первый элемент массива arr:", arr[0])      # Output: 1
print("Последний элемент массива arr:", arr[-1])  # Output: 5

# Арифметические операции с массивами
arr2 = np.array([10, 20, 30, 40, 50])
sum_arr = arr + arr2
print("Сумма массивов arr и arr2:", sum_arr)     # Output: [11 22 33 44 55]

# Умножение массива на скаляр
scalar = 2
mult_arr = arr * scalar
print("Умножение массива arr на скаляр:", mult_arr)  # Output: [2 4 6 8 10]

# Математические функции
sin_arr = np.sin(arr)
print("Синусы элементов массива arr:", sin_arr)  # Output: [ 0.84147098  0.90929743  0.14112001 -0.7568025  -0.95892427]

# Индексация и срезы
arr_slice = arr[1:4]
print("Срез массива arr:", arr_slice)    # Output: [2 3 4]

# Создание двумерного массива
matrix = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("Двумерный массив matrix:\n", matrix)

# Транспонирование матрицы
transposed_matrix = matrix.T
print("Транспонированная матрица matrix:\n", transposed_matrix)

# Вычисление суммы элементов матрицы по столбцам
column_sums = np.sum(matrix, axis=0)
print("Суммы элементов матрицы по столбцам:", column_sums)

# Вычисление произведения элементов матрицы по строкам
row_products = np.prod(matrix, axis=1)
print("Произведения элементов матрицы по строкам:", row_products)

xxxxxxxxxx

import numpy as np

​

# Создание массива

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

print("Массив arr:", arr)

​

# Форма массива (количество элементов в каждом измерении)

print("Форма массива arr:", arr.shape)

​

# Количество осей (измерений) массива

print("Количество осей массива arr:", arr.ndim)

​

# Общее количество элементов в массиве

print("Общее количество элементов в массиве arr:", arr.size)

​

# Доступ к элементам массива

print("Первый элемент массива arr:", arr[0])      # Output: 1

print("Последний элемент массива arr:", arr[-1])  # Output: 5

​

# Арифметические операции с массивами

arr2 = np.array([10, 20, 30, 40, 50])

sum_arr = arr + arr2

print("Сумма массивов arr и arr2:", sum_arr)     # Output: [11 22 33 44 55]

​

# Умножение массива на скаляр

scalar = 2

mult_arr = arr * scalar

print("Умножение массива arr на скаляр:", mult_arr)  # Output: [2 4 6 8 10]

​

# Математические функции

sin_arr = np.sin(arr)

print("Синусы элементов массива arr:", sin_arr)  # Output: [ 0.84147098  0.90929743  0.14112001 -0.7568025  -0.95892427]

​

# Индексация и срезы

arr_slice = arr[1:4]

print("Срез массива arr:", arr_slice)    # Output: [2 3 4]

​

# Создание двумерного массива

matrix = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

print("Двумерный массив matrix:\n", matrix)

​

# Транспонирование матрицы

transposed_matrix = matrix.T

print("Транспонированная матрица matrix:\n", transposed_matrix)

​

# Вычисление суммы элементов матрицы по столбцам

column_sums = np.sum(matrix, axis=0)

print("Суммы элементов матрицы по столбцам:", column_sums)

​

# Вычисление произведения элементов матрицы по строкам

row_products = np.prod(matrix, axis=1)

print("Произведения элементов матрицы по строкам:", row_products)

​

Это всего лишь простой пример, и библиотека предоставляет множество других функций и возможностей для работы с массивами и выполнения различных математических операций. NumPy также широко используется в комбинации с другими библиотеками, такими как SciPy, Pandas и matplotlib, для выполнения более сложных задач в научных и инженерных приложениях.

Шпаргалка в PDF

Недостатки NumPy

Хотя NumPy является мощной и широко используемой библиотекой для научных вычислений в Python, у неё также есть некоторые недостатки и ограничения:

1. Ограничения типов данных: В NumPy массивы должны содержать элементы одного типа данных. Это может быть ограничивающим фактором при работе с данными разных типов.
2. Размеры массивов фиксированы: Размеры массивов в NumPy фиксированы при создании. Если вам нужно добавить или удалить элементы из массива, вам придется создать новый массив или использовать специальные функции для изменения размеров.
3. Отсутствие проверки типов: NumPy не выполняет строгую проверку типов данных, что может привести к ошибкам или неожиданному поведению, если типы данных не соответствуют ожиданиям.
4. Потребление памяти: NumPy массивы могут потреблять большой объем памяти, особенно для больших данных. Если вам нужно работать с огромными массивами, это может быть проблемой.
5. Ограниченная поддержка многопоточности: библиотека не предоставляет встроенных инструментов для параллельных вычислений или многопоточности, что может быть ограничением при работе с вычислительно интенсивными задачами.
6. Индексация начинается с 0: Как и в большинстве языков программирования, индексация массивов в NumPy начинается с 0. Это может привести к путанице, особенно у новичков, если они привыкли к индексации, начинающейся с 1.
7. Относительно низкая производительность для определенных операций: Некоторые операции могут быть неоптимальными и медленными по сравнению с более специализированными библиотеками, такими как pandas для работы с таблицами данных.

Не смотря на эти недостатки, библиотека остается очень полезным инструментом для многих задач в научных вычислениях, а многие из указанных ограничений могут быть обойдены или компенсированы сочетанием с другими библиотеками и инструментами в Python.

Альтернативы NumPy

NumPy — это одна из наиболее популярных библиотек для работы с массивами и научных вычислений в Python, но существуют и альтернативы, которые предоставляют схожую или дополнительную функциональность. Некоторые из них:

1. TensorFlow — это библиотека для глубокого обучения, которая также предоставляет поддержку многомерных массивов (тензоров). Она широко используется для разработки и обучения нейронных сетей и других моделей машинного обучения. TensorFlow предоставляет мощные инструменты для работы с вычислениями на графах и оптимизацией вычислений для ускорения работы с большими данными.
2. PyTorch — еще одна библиотека для глубокого обучения, которая также имеет поддержку многомерных массивов (тензоров). PyTorch стал популярным выбором в исследовательских кругах благодаря своей гибкости и простоте использования. Он также предоставляет автоматическое дифференцирование, что облегчает создание и обучение сложных моделей.
3. Pandas — это библиотека для работы с данными, предоставляющая структуры данных, такие как DataFrame, которые удобны для анализа и манипуляции табличными данными. Она также использует NumPy внутри для выполнения быстрых операций над данными.
4. SciPy — это библиотека, расширяющая функциональность NumPy, предоставляя множество функций для выполнения научных и инженерных вычислений. Она включает в себя специализированные функции для оптимизации, интегрирования, алгебры линейных уравнений, решения дифференциальных уравнений и других численных методов.
5. JAX — это библиотека с открытым исходным кодом от Google, которая предоставляет поддержку быстрых численных операций и автоматического дифференцирования. JAX стал популярным выбором для научных вычислений и глубокого обучения благодаря своей эффективности при использовании графического (GPU) или основного процессора (CPU).
6. CuPy — это библиотека, которая предоставляет схожий интерфейс с NumPy, но предназначена для работы с массивами на GPU. Это позволяет выполнять вычисления на GPU с использованием NumPy-подобного кода.

Каждая из этих альтернатив имеет свои уникальные особенности и предназначена для различных задач.

Ссылки

• Официальный сайт
• Введение в NumPy