Anda mungkin telah memperhatikan bahwa, dalam beberapa kasus, elemen array ditampilkan dengan tanda titik (mis. g. >>> import numpy as np8 vs >>> import numpy as np9). Hal ini disebabkan oleh perbedaan tipe data yang digunakan Show In [1]: L = range(1000) In [2]: %timeit [i**2 for i in L] 1000 loops, best of 3: 403 us per loop In [3]: a = np.arange(1000) In [4]: %timeit a**2 100000 loops, best of 3: 12.7 us per loop2 Tip Tipe data yang berbeda memungkinkan kita untuk menyimpan data dengan lebih kompak di memori, tetapi sebagian besar waktu kita hanya bekerja dengan angka floating point. Perhatikan bahwa, pada contoh di atas, NumPy secara otomatis mendeteksi tipe data dari input Anda dapat secara eksplisit menentukan tipe data yang Anda inginkan In [1]: L = range(1000) In [2]: %timeit [i**2 for i in L] 1000 loops, best of 3: 403 us per loop In [3]: a = np.arange(1000) In [4]: %timeit a**2 100000 loops, best of 3: 12.7 us per loop_3 Tipe data default adalah floating point In [1]: L = range(1000) In [2]: %timeit [i**2 for i in L] 1000 loops, best of 3: 403 us per loop In [3]: a = np.arange(1000) In [4]: %timeit a**2 100000 loops, best of 3: 12.7 us per loop_4 Ada juga jenis lainnya KompleksIn [1]: L = range(1000) In [2]: %timeit [i**2 for i in L] 1000 loops, best of 3: 403 us per loop In [3]: a = np.arange(1000) In [4]: %timeit a**2 100000 loops, best of 3: 12.7 us per loop5Bool In [1]: L = range(1000) In [2]: %timeit [i**2 for i in L] 1000 loops, best of 3: 403 us per loop In [3]: a = np.arange(1000) In [4]: %timeit a**2 100000 loops, best of 3: 12.7 us per loop6String In [1]: L = range(1000) In [2]: %timeit [i**2 for i in L] 1000 loops, best of 3: 403 us per loop In [3]: a = np.arange(1000) In [4]: %timeit a**2 100000 loops, best of 3: 12.7 us per loop7Lebih banyak
Sekarang kita memiliki array data pertama kita, kita akan memvisualisasikannya Mulailah dengan meluncurkan IPython In [1]: L = range(1000) In [2]: %timeit [i**2 for i in L] 1000 loops, best of 3: 403 us per loop In [3]: a = np.arange(1000) In [4]: %timeit a**2 100000 loops, best of 3: 12.7 us per loop_8 Atau buku catatan In [1]: L = range(1000) In [2]: %timeit [i**2 for i in L] 1000 loops, best of 3: 403 us per loop In [3]: a = np.arange(1000) In [4]: %timeit a**2 100000 loops, best of 3: 12.7 us per loop_9 Setelah IPython dimulai, aktifkan plot interaktif In [5]: np.array? String Form:<built-in function array> Docstring: array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0, ..._0 Atau, dari notebook, aktifkan plot di notebook In [5]: np.array? String Form:<built-in function array> Docstring: array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0, ..._1 >>> a = np.array([0, 1, 2, 3]) >>> a array([0, 1, 2, 3]) >>> a.ndim 1 >>> a.shape (4,) >>> len(a) 44 penting untuk notebook, sehingga plot ditampilkan di notebook dan bukan di jendela baru Matplotlib adalah paket perencanaan 2D. Kita dapat mengimpor fungsinya seperti di bawah ini In [5]: np.array? String Form:<built-in function array> Docstring: array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0, ..._2 Dan kemudian gunakan (perhatikan bahwa Anda harus menggunakan >>> a = np.array([0, 1, 2, 3]) >>> a array([0, 1, 2, 3]) >>> a.ndim 1 >>> a.shape (4,) >>> len(a) 45 secara eksplisit jika Anda belum mengaktifkan plot interaktif dengan >>> a = np.array([0, 1, 2, 3]) >>> a array([0, 1, 2, 3]) >>> a.ndim 1 >>> a.shape (4,) >>> len(a) 46) In [5]: np.array? String Form:<built-in function array> Docstring: array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0, ..._3 Atau, jika Anda telah mengaktifkan plot interaktif dengan >>> a = np.array([0, 1, 2, 3]) >>> a array([0, 1, 2, 3]) >>> a.ndim 1 >>> a.shape (4,) >>> len(a) 46 In [5]: np.array? String Form:<built-in function array> Docstring: array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0, ..._4
In [5]: np.array? String Form:<built-in function array> Docstring: array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0, ..._5
In [5]: np.array? String Form:<built-in function array> Docstring: array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0, ..._6 Lihat juga Lebih banyak di. Latihan. Visualisasi sederhana
Item dari array dapat diakses dan ditetapkan dengan cara yang sama seperti urutan Python lainnya (mis. g. daftar) In [5]: np.array? String Form:<built-in function array> Docstring: array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0, ..._7 Peringatan Indeks dimulai dari 0, seperti urutan Python lainnya (dan C/C++). Sebaliknya, di Fortran atau Matlab, indeks dimulai dari 1 Ungkapan python biasa untuk membalikkan urutan didukung In [5]: np.array? String Form:<built-in function array> Docstring: array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0, ..._8 Untuk array multidimensi, indeks adalah tupel bilangan bulat In [5]: np.array? String Form:<built-in function array> Docstring: array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0, ..._9 Catatan
Mengiris. Array, seperti urutan Python lainnya juga bisa diiris >>> np.lookfor('create array') Search results for 'create array' --------------------------------- numpy.array Create an array. numpy.memmap Create a memory-map to an array stored in a *binary* file on disk.0 Perhatikan bahwa indeks terakhir tidak disertakan. >>> np.lookfor('create array') Search results for 'create array' --------------------------------- numpy.array Create an array. numpy.memmap Create a memory-map to an array stored in a *binary* file on disk.1 Ketiga komponen irisan tidak diperlukan. secara default, awal adalah 0, akhir adalah yang terakhir dan langkah adalah 1 >>> np.lookfor('create array') Search results for 'create array' --------------------------------- numpy.array Create an array. numpy.memmap Create a memory-map to an array stored in a *binary* file on disk.2 Ringkasan bergambar kecil tentang pengindeksan dan pengirisan NumPy… Anda juga dapat menggabungkan penugasan dan pemotongan >>> np.lookfor('create array') Search results for 'create array' --------------------------------- numpy.array Create an array. numpy.memmap Create a memory-map to an array stored in a *binary* file on disk.3 Latihan. Mengindeks dan mengiris
Latihan. Pembuatan larik Buat array berikut (dengan tipe data yang benar) >>> np.lookfor('create array') Search results for 'create array' --------------------------------- numpy.array Create an array. numpy.memmap Create a memory-map to an array stored in a *binary* file on disk.5 Sama saja. masing-masing 3 pernyataan Petunjuk. Elemen array individu dapat diakses mirip dengan daftar, mis. g. >>> b = np.array([[0, 1, 2], [3, 4, 5]]) # 2 x 3 array >>> b array([[0, 1, 2], [3, 4, 5]]) >>> b.ndim 2 >>> b.shape (2, 3) >>> len(b) # returns the size of the first dimension 2 >>> c = np.array([[[1], [2]], [[3], [4]]]) >>> c array([[[1], [2]], [[3], [4]]]) >>> c.shape (2, 2, 1)4 atau >>> b = np.array([[0, 1, 2], [3, 4, 5]]) # 2 x 3 array >>> b array([[0, 1, 2], [3, 4, 5]]) >>> b.ndim 2 >>> b.shape (2, 3) >>> len(b) # returns the size of the first dimension 2 >>> c = np.array([[[1], [2]], [[3], [4]]]) >>> c array([[[1], [2]], [[3], [4]]]) >>> c.shape (2, 2, 1)5 Petunjuk. Periksa docstring untuk >>> import numpy as np6 Latihan. Ubin untuk pembuatan array Telusuri dokumentasi untuk >>> b = np.array([[0, 1, 2], [3, 4, 5]]) # 2 x 3 array >>> b array([[0, 1, 2], [3, 4, 5]]) >>> b.ndim 2 >>> b.shape (2, 3) >>> len(b) # returns the size of the first dimension 2 >>> c = np.array([[[1], [2]], [[3], [4]]]) >>> c array([[[1], [2]], [[3], [4]]]) >>> c.shape (2, 2, 1)_7, dan gunakan fungsi ini untuk membuat array >>> np.lookfor('create array') Search results for 'create array' --------------------------------- numpy.array Create an array. numpy.memmap Create a memory-map to an array stored in a *binary* file on disk.6 Operasi pemotongan membuat tampilan pada larik asli, yang hanya merupakan cara untuk mengakses data larik. Dengan demikian array asli tidak disalin dalam memori. Anda dapat menggunakan >>> b = np.array([[0, 1, 2], [3, 4, 5]]) # 2 x 3 array >>> b array([[0, 1, 2], [3, 4, 5]]) >>> b.ndim 2 >>> b.shape (2, 3) >>> len(b) # returns the size of the first dimension 2 >>> c = np.array([[[1], [2]], [[3], [4]]]) >>> c array([[[1], [2]], [[3], [4]]]) >>> c.shape (2, 2, 1)_8 untuk memeriksa apakah dua larik berbagi blok memori yang sama. Namun perhatikan, bahwa ini menggunakan heuristik dan dapat memberi Anda positif palsu Saat memodifikasi tampilan, larik asli juga dimodifikasi >>> np.lookfor('create array') Search results for 'create array' --------------------------------- numpy.array Create an array. numpy.memmap Create a memory-map to an array stored in a *binary* file on disk.7 Perilaku ini mungkin mengejutkan pada pandangan pertama… tetapi memungkinkan untuk menghemat memori dan waktu Contoh yang berhasil. Saringan bilangan prima Hitung bilangan prima dalam 0–99, dengan saringan
>>> np.lookfor('create array') Search results for 'create array' --------------------------------- numpy.array Create an array. numpy.memmap Create a memory-map to an array stored in a *binary* file on disk.8
>>> np.lookfor('create array') Search results for 'create array' --------------------------------- numpy.array Create an array. numpy.memmap Create a memory-map to an array stored in a *binary* file on disk._9
In [6]: np.con*? np.concatenate np.conj np.conjugate np.convolve0
Tip Array NumPy dapat diindeks dengan irisan, tetapi juga dengan array boolean atau integer (topeng). Metode ini disebut pengindeksan mewah. Itu menciptakan salinan bukan tampilan Menggunakan topeng booleanIn [6]: np.con*? np.concatenate np.conj np.conjugate np.convolve1 Pengindeksan dengan topeng bisa sangat berguna untuk menetapkan nilai baru ke sub-array In [6]: np.con*? np.concatenate np.conj np.conjugate np.convolve2 Pengindeksan dengan array bilangan bulatIn [6]: np.con*? np.concatenate np.conj np.conjugate np.convolve3 Pengindeksan dapat dilakukan dengan array bilangan bulat, di mana indeks yang sama diulang beberapa kali In [6]: np.con*? np.concatenate np.conj np.conjugate np.convolve4 Nilai baru dapat diberikan dengan pengindeksan semacam ini In [6]: np.con*? np.concatenate np.conj np.conjugate np.convolve5 Tip Ketika array baru dibuat dengan mengindeks dengan array bilangan bulat, array baru memiliki bentuk yang sama dengan array bilangan bulat Bagaimana Anda mengisi array dengan nilai di Python?Gunakan Fungsi NumPy fill() untuk Mengisi Array Dengan Nilai. Fungsi NumPy fill() digunakan untuk mengisi array NumPy yang sudah ada dengan nilai yang sama. Fungsi ini mengambil nilai dan tipe data sebagai parameter masukan dan mengisi larik dengan nilai yang ditentukan.
Bagaimana Anda mengisi semua nilai dalam array?Larik. prototipe. fill() Metode fill() mengubah semua elemen dalam array menjadi nilai statis, dari indeks awal (default 0 ) hingga indeks akhir (array default. panjang ). Ini mengembalikan array yang dimodifikasi.
Bagaimana Anda menulis array angka dengan Python?Membuat ARRAY MENGGUNAKAN nUMPY. Pustaka numpy menyediakan fungsi arrange() yang mengambil dua parameter sebagai bilangan bulat dan menghasilkan angka mulai dari parameter pertama hingga parameter terakhir. Ketikkan fungsi arange() menggunakan perintah list dan larik akan dibuat .
Bagaimana Anda mengisi array dengan angka acak dengan Python?randint() function untuk mengisi array dengan bilangan acak di Python. Kami akan menggunakan acak. randint() berfungsi untuk menghasilkan angka acak antara rentang yang diberikan. Kami akan menggunakan metode pemahaman daftar yang mengulangi fungsi ini beberapa kali, membuat daftar baru dengan panjang yang diperlukan. |