np.hstack là gì

Numpy Là Gì – Python Numpy TutorialNội dung chính

  • NumPy Array
  • Numpy setup như vậy nào?
  • Multi-dimensional numPy array là gì?
  • Python NumPy Array v/s List
  • Python NumPy Operations
  • Video liên quan

Python Numpy là gì?

Bạn đang đọc: np.hstack là gì

NumPy là một gói Python là viết tắt của Numerical Python. Đó là thư viện cốt lõi cho scientific computing, nó có một đối tượng người tiêu dùng người dùng mảng n chiều vững mạnh, phân phối những công cụ để gắn vào C, C + +, v.v. Nó cũng có lợi trong đại số tuyến tính, random number capability, …. NumPy Array cũng hoàn toàn có thể đc dùng như multi-dimensional container hiệu suất cao cho tài liệu chung. Hiện nay, hãy xem đúng chuẩn một numpy array là gì nha .
Bài Viết : Numpy là gì

NumPy Array

Numpy array là một đối tượng người dùng người dùng mảng N chiều vững mạnh ở dạng hàng and cột. Các bạn hoàn toàn có thể khởi tạo những numpy arrays từ nested Python lists and truy vấn những thành phần của nó. Để tiến hành thao tác này, khúc mắc tiếp theo xuất hiện trong đầu bạn là :

Numpy setup như vậy nào?

Để setup Python NumPy, đi đến command của bạn and nhập khẩu pip install numpy. Sau khi setup hoàn tất, hãy truy vấn IDE của bạn ( Ví dụ : PyCharm ) and chỉ cần import nó bằng phương pháp nhập : import numpy as np .

Multi-dimensional numPy array là gì?

Ở đây, tôi có những tác nhân khác nhau đc tàng trữ trong những nơi đặt bộ nhớ tương ứng của chúng. Nó đc gọi là hai chiều vì nó có hàng tựa như cột. Trong hình trên, chúng tôi có 3 cột and 4 hàng có sẵn .
Hãy xem nó đc thực thi trong Pycharm như vậy nào :

Single-dimensional Numpy Array:

import numpy as npa = np.array ( ) print ( a ) Output :

Multi-dimensional Array:

a = np.array ( ) print ( a ) Output :
>

Python NumPy Array v/s List

Chúng tôi dùng numpy array sửa chữa thay thế vì một list vì ba nguyên do bên dưới đây : Bộ nhớ ít hơnNhanhTiện lợi
Tôi sẽ chứng tỏ từng điểm một trên thực tiễn trong PyCharm. Hãy xem xét ví dụ bên dưới đây :
import numpy as npimport timeimport sysS = range ( 1000 ) print ( sys.getsizeof ( 5 ) * len ( S ) ) D = np.arange ( 1000 ) print ( D.size * D.itemsize ) Output :
240008000 Đầu ra ở trên cao cho cảm thấy rằng bộ nhớ đc phân chia theo list ( ký hiệu là S ) là 24000 trong khi bộ nhớ đc phân chia bởi numpy array chỉ là 4000. Từ đó, bạn cũng hoàn toàn có thể Tóm lại rằng chứa một sự độc lạ to giữa hai and điều ấy tạo nên numpy array là sự lựa chọn ưu tiên hơn so với list .
Xem Ngay : Heat Wave Là Gì – Nghĩa Của Từ HeatTiếp theo, hãy nói về phương thức thức numpy array của python nhanh hơn and thuận tiện hơn khi so sánh với list .
import timeimport sys SIZE = 1000000 L1 = range ( SIZE ) L2 = range ( SIZE ) A1 = np.arange ( SIZE ) A2 = np.arange ( SIZE ) start = time.time ( ) result = print ( ( time.time ( ) – start ) * 1000 ) start = time.time ( ) result = A1 + A2print ( ( time.time ( ) – start ) * 1000 ) Output :
256.49499893228.0041694641 Trong đoạn code trên, chúng tôi đã cam kết hai lists and numpy arrays. Sau đó, chúng tôi đã so sánh thời hạn tiến hành để tìm tổng của list and tổng của numpy array. Nếu bạn cảm thấy đầu ra của chương trình trên, có hai chỉnh sửa đáng kể trong hai Ngân sách chi tiêu. List mất 256 ms trong khi numpy array mất 28 ms. Vì thế, numpy array nhanh hơn list. Hiện nay, nếu bạn nhận cảm thấy chúng tôi đã chạy một vòng lặp ‘ for cho một list trả về sự tích hợp của cả hai lists trong khi so với những numpy arrays, chúng tôi vừa thêm hai array bằng phương pháp A1 + A2. Đấy là nguyên do tại sao thao tác với numpy thuận tiện and thuận tiện hơn đôi lúc so sánh với list .
Vì thế, những ví dụ trên chứng tỏ nguyên do tại sao bạn nên lựa chọn numpy array chứ không cần là một list !

Python NumPy Operations

1. ndim: Số chiều của mảng.

import numpy as npa = np.array ( ) print ( a.ndim ) Output :
2V ì đầu ra là 2, nó là một mảng hai chiều ( đa chiều ) .

2. itemsize: Độ dài của 1 phần tử mảng tính bằng byte.

import numpy as npa = np.array ( ) print ( a.itemsize ) Output :

83. dtype: data type của phần tử

import numpy as npa = np.array ( ) print ( a.dtype ) Output :

int644. Size, shape:Cũng giống như, bạn cũng có thể tìm cảm thấy kích thước and dáng dấp của mảng bằng phương thức dùng hàm size and shape tương ứng.

import numpy as npa = np.array ( ) print ( a.size ) print ( a.shape ) Output :

6(1, 6)5. reshape: Tán thành một dáng dấp mới cho một mảng mà không chỉnh sửa dữ liệu của nó.

Xem Ngay : Overview Of Docker Compose, Giới Thiệu Về Docker Compose
import numpy as npa = np.array ( ) print ( a ) a = a.reshape ( 3,2 ) print ( a ) Output :

> >6. slicing: trích xuất tập hợp những phần tử rõ rệt từ một mảng.

Trước khi đi vào ví dụ trên, hãy để một cái nhìn dễ chơi. Các bạn chứa một mảng and những bạn cần 1 thành phần rõ ràng ( giả sử 3 ) trong một mảng không thay đổi. Hãy xem xét ví dụ bên dưới đây :
Xem Ngay : Knockout Là Gì – Knock Out Là Gìimport numpy as npa = np.array ( ) print ( a ) Output :
3 Ở đây, mảng ( 1,2,3,4 ) là chỉ số 0 của bạn and ( 3,4,5,6 ) là chỉ số 1 của numpy array. Vì thế, chúng tôi đã in thành phần thứ hai từ chỉ mục 0. Tiến lên một bước, hãy để bảo rằng những bạn cần thành phần đầu tuần từ chỉ số 0 and chỉ mục thứ nhất của mảng. Hãy để xem phương pháp bạn cũng hoàn toàn có thể tiến hành thao tác này :
import numpy as npa = np.array ( ) print ( a ) Output :
Ở đây dấu hai chấm đại diện thay mặt cho cục bộ những hàng, kể cả 0. Hiện nay để có đc thành phần đầu tuần, chúng tôi sẽ gọi chỉ số 2 từ cả hai hàng phân phối cho chúng tôi giá thành 3 and 5 tương ứng .
Tiếp theo, chỉ để sa thải sự nhầm lẫn, chúng tôi lại thêm một hàng and chúng tôi không muốn nhận thành phần đầu tuần của nó như hình ảnh trên. Các bạn hoàn toàn có thể làm gì trong trường hợp như thế ? Hãy xem xét mã bên dưới đây :
import numpy as npa = np.array ( ) print ( a ) Output :
Như bạn cũng hoàn toàn có thể cảm thấy trong khúc mã trên, chỉ có 9 and 11 đc in. Hiện nay khi tôi đã viết 0 : 2, điều ấy không kể cả chỉ mục thứ hai của hàng thứ ba của một mảng. Vì thế, chỉ 9 and 11 đc in ra .

7. linspace: Trả về những số phương thức đều nhau trong một khoảng thời hạn cam đoan.

import numpy as npa = np.linspace ( 1,3,10 ) print ( a ) Output :
Như bạn cũng hoàn toàn có thể cảm thấy trong hiệu quả, nó đã in 10 Chi tiêu từ 1 đến 3 phương pháp đều nhau .

8. max/ min: tìm mức ít nhất, tối đa tương tự tổng của numpy array.

import numpy as np a = np.array ( ) print ( a.min ( ) ) print ( a.max ( ) ) print ( a.sum ( ) ) Output :
1 3 6B ạn phải thăm dò những thứ này khá cơ bản này, với sự hỗ trợ của kiến thức và kỹ năng này, bạn hoàn toàn có thể tiến hành nhiều trách nhiệm to hơn. Hiện nay, hãy hiểu khái niệm trục ( axis ) trong python numpy .
Như bạn cũng hoàn toàn có thể cảm thấy trong hình, những bạn chứa một mảng 2 * 3 gọn gàng. Ở đây những hàng đc gọi là trục 1 and những cột đc gọi là trục 0. Hiện nay bạn cần phải tự hỏi việc dùng những trục đấy là gì ?
Xem Ngay : Store Là Gì – Nghĩa Của Từ StoreGiả sử bạn có nhu yếu tính tổng của cục bộ những cột, thì bạn cũng hoàn toàn có thể dùng trục. Hãy để tôi chỉ cho bạn thực tiễn, phương pháp bạn cũng hoàn toàn có thể thực thi trục trong PyCharm của tớ :
import numpy as npa = np.array ( ) print ( a.sum ( axis = 0 ) ) Output :
Vì thế, tổng của cục bộ những cột đc thêm vào trong đó 1 + 3 = 4, 2 + 4 = 6 and 3 + 5 = 8. Cũng giống như, nếu bạn thay thế sửa chữa trục bằng 1, thì nó sẽ bị in trong đó cục bộ những hàng đc thêm vào .

9. Square Root & Standard Deviation:Có nhiều hàm toán học khác nhau có thể đc triển khai bằng phương thức dùng python numpy. Bạn cũng có thể tìm cảm thấy căn bậc hai, độ lệch chuẩn của mảng.

import numpy as npa = np.array ( ) print ( np.sqrt ( a ) ) print ( np.std ( a ) ) Output :

10.Addition Operation:

Bạn cũng hoàn toàn có thể tiến hành nhiều thao tác hơn trên numpy array, tức là phép trừ, phép nhân and phép chia của hai ma trận. Hãy để tôi đi trước trong hướng dẫn numpy python, and hiển thị nó :
import numpy as npx = np.array ( ) y = np.array ( ) print ( x + y ) Output :
> Điều ấy rất là dễ chơi ! Đúng ? Cũng giống như, những bạn hoàn toàn có thể tiến hành những hoạt động khác như trừ, nhân and chia. Hãy xem xét ví dụ bên dưới đây :
import numpy as npx = np.array ( ) y = np.array ( ) print ( x-y ) print ( x * y ) print ( x / y ) Output :

> > >11. Vertical & Horizontal Stacking:

Tiếp theo, nếu bạn có nhu yếu nối hai mảng and không chỉ thêm chúng, bạn cũng hoàn toàn có thể tiến hành nó bằng hai phương pháp – xếp chồng dọc and xếp chồng ngang .
Xem Ngay : Moe Là Gì – Gap Bán Trong Anime
import numpy as npx = np.array ( ) y = np.array ( ) print ( np.vstack ( ( x, y ) ) ) print ( np.hstack ( ( x, y ) ) ) Output :

> >12. ravel:

Chứa một hoạt động nữa trong đó bạn cũng hoàn toàn có thể convert một numpy array thành một cột duy nhất .
import numpy as npx = np.array ( ) print ( x.ravel ( ) ) Output :

Hi vọng với các giải bày trên có thể cứu ích cho bạn. Cảm ơn chúng ta đã đọc bài viết

Thể Loại : Chia sẻ trình diễn Kiến Thức Cộng Đồng

ĐÁNH GIÁ post
Bài viết liên quan

Tư vấn miễn phí (24/7) 094 179 2255