Buat array 2d dari python 1d

Selamat datang di NumPy

NumPy (Numerical Python) adalah pustaka Python sumber terbuka yang digunakan di hampir setiap bidang sains dan teknik. Ini adalah standar universal untuk bekerja dengan data numerik di Python, dan merupakan inti dari ekosistem ilmiah Python dan PyData. Pengguna NumPy mencakup semua orang mulai dari pembuat kode pemula hingga peneliti berpengalaman yang melakukan penelitian dan pengembangan ilmiah dan industri canggih. NumPy API digunakan secara luas di Pandas, SciPy, Matplotlib, scikit-learn, scikit-image dan sebagian besar ilmu data lainnya dan paket Python ilmiah

Pustaka NumPy berisi array multidimensi dan struktur data matriks (Anda akan menemukan informasi lebih lanjut tentang ini di bagian selanjutnya). Ini menyediakan ndarray, objek array n-dimensi homogen, dengan metode untuk mengoperasikannya secara efisien. NumPy dapat digunakan untuk melakukan berbagai macam operasi matematika pada array. Itu menambahkan struktur data yang kuat ke Python yang menjamin perhitungan yang efisien dengan array dan matriks dan itu menyediakan perpustakaan besar fungsi matematika tingkat tinggi yang beroperasi pada array dan matriks ini

Belajar lebih tentang

Menginstal NumPy

Untuk menginstal NumPy, kami sangat menyarankan untuk menggunakan distribusi Python ilmiah. Jika Anda mencari petunjuk lengkap untuk menginstal NumPy di ​​sistem operasi Anda, lihat Menginstal NumPy

Jika Anda sudah memiliki Python, Anda dapat menginstal NumPy dengan

conda install numpy

atau

pip install numpy

Jika Anda belum memiliki Python, Anda mungkin ingin mempertimbangkan untuk menggunakan Anaconda. Ini cara termudah untuk memulai. Hal yang baik tentang mendapatkan distribusi ini adalah kenyataan bahwa Anda tidak perlu terlalu khawatir tentang menginstal NumPy secara terpisah atau paket utama apa pun yang akan Anda gunakan untuk analisis data Anda, seperti panda, Scikit-Learn, dll.

Bagaimana cara mengimpor NumPy

Untuk mengakses NumPy dan fungsinya, impor dalam kode Python Anda seperti ini

import numpy as np

Kami mempersingkat nama yang diimpor menjadi

pip install numpy

Membaca kode contoh

Jika Anda belum terbiasa membaca tutorial yang berisi banyak kode, Anda mungkin tidak tahu cara menginterpretasikan blok kode yang terlihat seperti ini

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

Jika Anda tidak terbiasa dengan gaya ini, sangat mudah untuk dipahami. Jika Anda melihat

pip install numpy

pip install numpy

pip install numpy

Apa perbedaan antara daftar Python dan larik NumPy?

NumPy memberi Anda berbagai cara cepat dan efisien untuk membuat array dan memanipulasi data numerik di dalamnya. Sementara daftar Python dapat berisi tipe data yang berbeda dalam satu daftar, semua elemen dalam larik NumPy harus homogen. Operasi matematis yang dimaksudkan untuk dilakukan pada array akan sangat tidak efisien jika array tidak homogen

Mengapa menggunakan NumPy?

Array NumPy lebih cepat dan lebih ringkas daripada daftar Python. Array mengkonsumsi lebih sedikit memori dan nyaman digunakan. NumPy menggunakan lebih sedikit memori untuk menyimpan data dan menyediakan mekanisme untuk menentukan tipe data. Ini memungkinkan kode untuk dioptimalkan lebih jauh

Apa itu larik?

Array adalah struktur data pusat dari perpustakaan NumPy. Array adalah kisi nilai dan berisi informasi tentang data mentah, cara menemukan elemen, dan cara menginterpretasikan elemen. Ini memiliki kisi elemen yang dapat diindeks. Semua elemen bertipe sama, disebut sebagai array

pip install numpy

Array dapat diindeks oleh tuple bilangan bulat nonnegatif, oleh boolean, oleh array lain, atau oleh bilangan bulat.

pip install numpy

pip install numpy

Salah satu cara kita dapat menginisialisasi array NumPy adalah dari daftar Python, menggunakan daftar bersarang untuk data dua dimensi atau lebih tinggi

Misalnya

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

atau

>>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])

Kita dapat mengakses elemen-elemen dalam array menggunakan tanda kurung siku. Saat Anda mengakses elemen, ingatlah bahwa pengindeksan di NumPy dimulai dari 0. Itu artinya jika Anda ingin mengakses elemen pertama dalam array Anda, Anda akan mengakses elemen "0"

>>> print(a[0])
[1 2 3 4]

Informasi lebih lanjut tentang array

Bagian ini mencakup

pip install numpy

pip install numpy

pip install numpy

pip install numpy

pip install numpy

Anda mungkin kadang-kadang mendengar larik yang disebut sebagai "ndarray", yang merupakan kependekan dari "array N-dimensional". ” Array N-dimensi hanyalah sebuah array dengan sejumlah dimensi. Anda mungkin juga mendengar larik 1-D, atau larik satu dimensi, larik 2-D, atau dua dimensi, dan seterusnya. Kelas NumPy

pip install numpy

Apa atribut dari array?

Array biasanya merupakan wadah berukuran tetap dari item dengan jenis dan ukuran yang sama. Jumlah dimensi dan item dalam array ditentukan oleh bentuknya. Bentuk array adalah kumpulan bilangan bulat non-negatif yang menentukan ukuran setiap dimensi

Di NumPy, dimensi disebut sumbu. Artinya jika Anda memiliki array 2D yang terlihat seperti ini

[[0., 0., 0.],
 [1., 1., 1.]]

Array Anda memiliki 2 sumbu. Sumbu pertama memiliki panjang 2 dan sumbu kedua memiliki panjang 3

Sama seperti objek container Python lainnya, isi array dapat diakses dan dimodifikasi dengan mengindeks atau mengiris array. Tidak seperti objek wadah pada umumnya, larik yang berbeda dapat berbagi data yang sama, sehingga perubahan yang dibuat pada satu larik mungkin terlihat di larik lainnya

Atribut array mencerminkan informasi intrinsik ke array itu sendiri. Jika Anda perlu mendapatkan, atau bahkan menyetel, properti array tanpa membuat array baru, Anda sering dapat mengakses array melalui atributnya

dan belajar tentang

Cara membuat array dasar

Bagian ini mencakup

pip install numpy

pip install numpy

pip install numpy

pip install numpy

pip install numpy

pip install numpy

pip install numpy

Untuk membuat larik NumPy, Anda dapat menggunakan fungsi

pip install numpy

Yang perlu Anda lakukan untuk membuat larik sederhana adalah memberikan daftar ke larik tersebut. Jika Anda mau, Anda juga dapat menentukan jenis data dalam daftar Anda.

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

Anda dapat memvisualisasikan array Anda dengan cara ini

Ketahuilah bahwa visualisasi ini dimaksudkan untuk menyederhanakan ide dan memberi Anda pemahaman dasar tentang konsep dan mekanika NumPy. Array dan operasi array jauh lebih rumit daripada yang ditangkap di sini

Selain membuat larik dari urutan elemen, Anda dapat dengan mudah membuat larik berisi

pip install numpy

>>> np.zeros(2)
array([0., 0.])

Atau array yang diisi dengan

pip install numpy

pip install numpy

Atau bahkan array kosong. Fungsi

pip install numpy

pip install numpy

pip install numpy

pip install numpy

Anda dapat membuat array dengan berbagai elemen

pip install numpy

Dan bahkan array yang berisi rentang interval yang berjarak sama. Untuk melakukannya, Anda akan menentukan angka pertama, angka terakhir, dan ukuran langkah

pip install numpy

Anda juga dapat menggunakan

pip install numpy

pip install numpy

Menentukan tipe data Anda

Sementara tipe data default adalah floating point (

pip install numpy

pip install numpy

pip install numpy

Menambahkan, menghapus, dan menyortir elemen

Bagian ini mencakup

pip install numpy

pip install numpy

Menyortir elemen itu sederhana dengan

pip install numpy

Jika Anda mulai dengan array ini

pip install numpy

Anda dapat dengan cepat mengurutkan angka dalam urutan menaik

pip install numpy

Selain mengurutkan, yang mengembalikan salinan array yang diurutkan, Anda dapat menggunakan

• , yang merupakan pengurutan tidak langsung di sepanjang sumbu tertentu,

• , yang merupakan penyortiran stabil tidak langsung pada banyak kunci,

• , yang akan menemukan elemen dalam array yang diurutkan, dan

• , yang merupakan pengurutan parsial

Untuk membaca lebih lanjut tentang mengurutkan array, lihat.

Jika Anda mulai dengan array ini

pip install numpy

Anda dapat menggabungkannya dengan

pip install numpy

pip install numpy

Atau, jika Anda memulai dengan array ini

import numpy as np

Anda dapat menggabungkannya dengan

import numpy as np

Untuk menghapus elemen dari array, mudah menggunakan pengindeksan untuk memilih elemen yang ingin Anda simpan

Untuk membaca lebih lanjut tentang concatenate, lihat.

Bagaimana cara mengetahui bentuk dan ukuran array?

Bagian ini mencakup

pip install numpy

pip install numpy

pip install numpy

pip install numpy

pip install numpy

pip install numpy

pip install numpy

Misalnya, jika Anda membuat array ini

import numpy as np

Untuk menemukan jumlah dimensi array, jalankan

import numpy as np

Untuk menemukan jumlah total elemen dalam array, jalankan

import numpy as np

Dan untuk menemukan bentuk array Anda, jalankan

import numpy as np

Bisakah Anda membentuk kembali sebuah array?

Bagian ini mencakup

pip install numpy

Ya

Menggunakan

pip install numpy

Jika Anda mulai dengan array ini

import numpy as np

Anda dapat menggunakan

pip install numpy

import numpy as np

Dengan

pip install numpy

import numpy as np

pip install numpy

pip install numpy

pip install numpy

pip install numpy

pip install numpy

pip install numpy

Jika Anda ingin mempelajari lebih lanjut tentang pesanan C dan Fortran, Anda bisa. Pada dasarnya, perintah C dan Fortran berkaitan dengan bagaimana indeks berhubungan dengan urutan array disimpan dalam memori. Di Fortran, saat bergerak melalui elemen array dua dimensi seperti yang disimpan dalam memori, indeks pertama adalah indeks yang paling cepat berubah. Saat indeks pertama berpindah ke baris berikutnya saat indeks berubah, matriks disimpan satu kolom pada satu waktu. Inilah mengapa Fortran dianggap sebagai bahasa utama Kolom. Di C sebaliknya, indeks terakhir berubah paling cepat. Matriks disimpan oleh baris, menjadikannya bahasa utama Baris. Apa yang Anda lakukan untuk C atau Fortran bergantung pada apakah lebih penting mempertahankan konvensi pengindeksan atau tidak menyusun ulang data

.

Cara mengonversi larik 1D menjadi larik 2D (cara menambahkan sumbu baru ke larik)

Bagian ini mencakup

pip install numpy

pip install numpy

Anda dapat menggunakan

pip install numpy

pip install numpy

Menggunakan

pip install numpy

Misalnya, jika Anda memulai dengan larik ini

import numpy as np

Anda dapat menggunakan

pip install numpy

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

Anda dapat secara eksplisit mengonversi larik 1D dengan vektor baris atau vektor kolom menggunakan

pip install numpy

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

Atau, untuk vektor kolom, Anda dapat menyisipkan sumbu di sepanjang dimensi kedua

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

Anda juga dapat memperluas larik dengan menyisipkan sumbu baru pada posisi tertentu dengan

pip install numpy

Misalnya, jika Anda memulai dengan larik ini

import numpy as np

Anda dapat menggunakan

pip install numpy

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

Anda dapat menambahkan sumbu pada posisi indeks 0 dengan

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

Temukan informasi lebih lanjut tentang dan

import numpy as np

Mengindeks dan mengiris

Anda dapat mengindeks dan mengiris array NumPy dengan cara yang sama seperti Anda dapat mengiris daftar Python

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

Anda dapat memvisualisasikannya dengan cara ini

Anda mungkin ingin mengambil bagian dari larik Anda atau elemen larik tertentu untuk digunakan dalam analisis lebih lanjut atau operasi tambahan. Untuk melakukan itu, Anda harus membuat subset, mengiris, dan/atau mengindeks array Anda

Jika Anda ingin memilih nilai dari array Anda yang memenuhi kondisi tertentu, langsung saja dengan NumPy

Misalnya, jika Anda memulai dengan larik ini

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

Anda dapat dengan mudah mencetak semua nilai dalam larik yang kurang dari 5

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

Anda juga dapat memilih, misalnya, angka yang sama dengan atau lebih besar dari 5, dan menggunakan kondisi tersebut untuk mengindeks array

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

Anda dapat memilih elemen yang habis dibagi 2

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

Atau Anda dapat memilih elemen yang memenuhi dua kondisi menggunakan operator

import numpy as np

import numpy as np

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

Anda juga dapat menggunakan operator logika & dan. untuk mengembalikan nilai boolean yang menentukan apakah nilai dalam array memenuhi kondisi tertentu atau tidak. Ini bisa berguna dengan array yang berisi nama atau nilai kategorikal lainnya

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

Anda juga dapat menggunakan

import numpy as np

Dimulai dengan array ini

>>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])

Anda dapat menggunakan

import numpy as np

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

Dalam contoh ini, tupel array dikembalikan. satu untuk setiap dimensi. Larik pertama mewakili indeks baris tempat nilai ini ditemukan, dan larik kedua mewakili indeks kolom tempat nilai ditemukan

Jika Anda ingin membuat daftar koordinat di mana elemen-elemennya ada, Anda dapat meng-zip array, mengulangi daftar koordinat, dan mencetaknya. Misalnya

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

Anda juga dapat menggunakan

import numpy as np

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

Jika elemen yang Anda cari tidak ada dalam larik, maka larik indeks yang dikembalikan akan kosong. Misalnya

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

Pelajari lebih lanjut tentang dan

Baca lebih lanjut tentang menggunakan fungsi bukan nol di.

Cara membuat array dari data yang ada

Bagian ini mencakup

import numpy as np

import numpy as np

import numpy as np

import numpy as np

import numpy as np

import numpy as np

Anda dapat dengan mudah membuat larik baru dari bagian larik yang sudah ada

Katakanlah Anda memiliki array ini

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

Anda dapat membuat larik baru dari bagian larik Anda kapan saja dengan menentukan di mana Anda ingin memotong larik Anda

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

Di sini, Anda mengambil bagian dari array Anda dari posisi indeks 3 hingga posisi indeks 8

Anda juga dapat menumpuk dua larik yang ada, baik secara vertikal maupun horizontal. Misalkan Anda memiliki dua larik,

import numpy as np

import numpy as np

>>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])

Anda dapat menumpuknya secara vertikal dengan

import numpy as np

>>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])

Atau susun secara horizontal dengan

import numpy as np

>>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])

Anda dapat membagi larik menjadi beberapa larik yang lebih kecil menggunakan

import numpy as np

Katakanlah Anda memiliki array ini

>>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])

Jika Anda ingin membagi larik ini menjadi tiga larik dengan bentuk yang sama, Anda akan menjalankannya

>>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])

Jika Anda ingin membagi array Anda setelah kolom ketiga dan keempat, Anda akan menjalankannya

>>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])

.

Anda dapat menggunakan metode

import numpy as np

Tampilan adalah konsep NumPy yang penting. Fungsi NumPy, serta operasi seperti pengindeksan dan pemotongan, akan mengembalikan tampilan jika memungkinkan. Ini menghemat memori dan lebih cepat (tidak ada salinan data yang harus dibuat). Namun, penting untuk menyadari hal ini - mengubah data dalam tampilan juga mengubah larik asli

Katakanlah Anda membuat array ini

>>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])

Sekarang kita membuat array

import numpy as np

pip install numpy

import numpy as np

pip install numpy

>>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])

Menggunakan metode

import numpy as np

>>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])

.

Operasi array dasar

Bagian ini mencakup penjumlahan, pengurangan, perkalian, pembagian, dan banyak lagi

Setelah Anda membuat array, Anda dapat mulai bekerja dengannya. Katakanlah, misalnya, Anda telah membuat dua larik, satu disebut "data" dan satu lagi disebut "satu"

Anda dapat menambahkan array bersama dengan tanda tambah

>>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])

Anda tentu saja dapat melakukan lebih dari sekadar penambahan

>>> print(a[0])
[1 2 3 4]

Operasi dasar sederhana dengan NumPy. Jika Anda ingin menemukan jumlah elemen dalam array, Anda akan menggunakan

import numpy as np

>>> print(a[0])
[1 2 3 4]

Untuk menambahkan baris atau kolom dalam larik 2D, Anda harus menentukan sumbu

Jika Anda mulai dengan array ini

>>> print(a[0])
[1 2 3 4]

Anda dapat menjumlahkan sumbu baris dengan

>>> print(a[0])
[1 2 3 4]

Anda dapat menjumlahkan sumbu kolom dengan

>>> print(a[0])
[1 2 3 4]

.

Penyiaran

Ada kalanya Anda mungkin ingin melakukan operasi antara larik dan bilangan tunggal (juga disebut operasi antara vektor dan skalar) atau antara larik dengan dua ukuran berbeda. Misalnya, larik Anda (kami akan menyebutnya "data") mungkin berisi informasi tentang jarak dalam mil, tetapi Anda ingin mengonversi informasi tersebut menjadi kilometer. Anda dapat melakukan operasi ini dengan

>>> print(a[0])
[1 2 3 4]

NumPy memahami bahwa perkalian harus terjadi pada setiap sel. Konsep itu disebut penyiaran. Penyiaran adalah mekanisme yang memungkinkan NumPy untuk melakukan operasi pada array dengan berbagai bentuk. Dimensi array Anda harus kompatibel, misalnya ketika dimensi kedua array sama atau ketika salah satunya adalah 1. Jika dimensi tidak kompatibel, Anda akan mendapatkan

import numpy as np

.

Operasi array yang lebih berguna

Bagian ini mencakup maksimum, minimum, jumlah, rata-rata, produk, standar deviasi, dan banyak lagi

NumPy juga melakukan fungsi agregasi. Selain

import numpy as np

import numpy as np

import numpy as np

import numpy as np

import numpy as np

import numpy as np

>>> print(a[0])
[1 2 3 4]

Mari kita mulai dengan larik ini, yang disebut "a"

>>> print(a[0])
[1 2 3 4]

Sangat umum untuk ingin mengagregasi sepanjang baris atau kolom. Secara default, setiap fungsi agregasi NumPy akan mengembalikan agregat dari seluruh array. Untuk menemukan jumlah atau minimum elemen dalam array Anda, jalankan

>>> print(a[0])
[1 2 3 4]

Atau

>>> print(a[0])
[1 2 3 4]

Anda dapat menentukan pada sumbu mana Anda ingin fungsi agregasi dihitung. Misalnya, Anda dapat menemukan nilai minimum dalam setiap kolom dengan menentukan

import numpy as np

[[0., 0., 0.],
 [1., 1., 1.]]

Keempat nilai yang tercantum di atas sesuai dengan jumlah kolom dalam larik Anda. Dengan larik empat kolom, Anda akan mendapatkan empat nilai sebagai hasilnya

Baca lebih lanjut tentang

Membuat matriks

Anda dapat meneruskan daftar daftar Python untuk membuat larik 2-D (atau "matriks") untuk mewakilinya di NumPy

[[0., 0., 0.],
 [1., 1., 1.]]

Operasi pengindeksan dan pemotongan berguna saat Anda memanipulasi matriks

[[0., 0., 0.],
 [1., 1., 1.]]

Anda dapat mengagregasi matriks dengan cara yang sama seperti mengagregasi vektor

[[0., 0., 0.],
 [1., 1., 1.]]

Anda dapat mengagregasi semua nilai dalam matriks dan Anda dapat menggabungkannya di seluruh kolom atau baris menggunakan parameter

import numpy as np

[[0., 0., 0.],
 [1., 1., 1.]]

Setelah Anda membuat matriks, Anda dapat menjumlahkan dan mengalikannya menggunakan operator aritmatika jika Anda memiliki dua matriks dengan ukuran yang sama

[[0., 0., 0.],
 [1., 1., 1.]]

Anda dapat melakukan operasi aritmatika ini pada matriks dengan ukuran berbeda, tetapi hanya jika satu matriks hanya memiliki satu kolom atau satu baris. Dalam hal ini, NumPy akan menggunakan aturan siarannya untuk operasi tersebut

[[0., 0., 0.],
 [1., 1., 1.]]

Ketahuilah bahwa ketika NumPy mencetak larik N-dimensi, sumbu terakhir dilingkarkan pada yang tercepat sedangkan sumbu pertama adalah yang paling lambat. Contohnya

[[0., 0., 0.],
 [1., 1., 1.]]

Sering kali kita ingin NumPy menginisialisasi nilai-nilai array. NumPy menawarkan fungsi seperti

import numpy as np

import numpy as np

import numpy as np

[[0., 0., 0.],
 [1., 1., 1.]]

Anda juga dapat menggunakan

import numpy as np

import numpy as np

import numpy as np

[[0., 0., 0.],
 [1., 1., 1.]]

Baca lebih lanjut tentang membuat array, diisi dengan

pip install numpy

pip install numpy

Menghasilkan angka acak

Penggunaan pembangkitan angka acak adalah bagian penting dari konfigurasi dan evaluasi banyak algoritma pembelajaran numerik dan mesin. Apakah Anda perlu menginisialisasi bobot secara acak dalam jaringan syaraf tiruan, membagi data menjadi kumpulan acak, atau mengacak kumpulan data Anda secara acak, mampu menghasilkan angka acak (sebenarnya, angka acak semu berulang) sangat penting

Dengan

import numpy as np

import numpy as np

Anda dapat menghasilkan array bilangan bulat acak 2 x 4 antara 0 dan 4 dengan

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

.

Cara mendapatkan item unik dan menghitung

Bagian ini mencakup

import numpy as np

Anda dapat menemukan elemen unik dalam array dengan mudah menggunakan

import numpy as np

Misalnya, jika Anda memulai dengan larik ini

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

Anda dapat menggunakan

import numpy as np

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

Untuk mendapatkan indeks nilai unik dalam larik NumPy (array posisi indeks pertama dari nilai unik dalam larik), cukup berikan argumen

import numpy as np

import numpy as np

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

Anda dapat melewatkan argumen

import numpy as np

import numpy as np

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

Ini juga berfungsi dengan array 2D. Jika Anda mulai dengan array ini

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

Anda dapat menemukan nilai unik dengan

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

Jika argumen sumbu tidak diteruskan, larik 2D Anda akan diratakan

Jika Anda ingin mendapatkan baris atau kolom unik, pastikan untuk meneruskan argumen

import numpy as np

import numpy as np

import numpy as np

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

Untuk mendapatkan baris unik, posisi indeks, dan jumlah kemunculan, Anda dapat menggunakan

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

Untuk mempelajari selengkapnya tentang menemukan elemen unik dalam larik, lihat

Mentranspos dan membentuk ulang matriks

Bagian ini mencakup

pip install numpy

import numpy as np

import numpy as np

Adalah umum untuk mengubah urutan matriks Anda. Array NumPy memiliki properti

import numpy as np

Anda mungkin juga perlu mengganti dimensi matriks. Ini bisa terjadi ketika, misalnya, Anda memiliki model yang mengharapkan bentuk masukan tertentu yang berbeda dari kumpulan data Anda. Di sinilah metode

import numpy as np

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

Anda juga dapat menggunakan

import numpy as np

Jika Anda mulai dengan array ini

>>> np.zeros(2)
array([0., 0.])

Anda dapat mengubah urutan array Anda dengan

import numpy as np

>>> np.zeros(2)
array([0., 0.])

Anda juga dapat menggunakan

import numpy as np

>>> np.zeros(2)
array([0., 0.])

Untuk mempelajari lebih lanjut tentang transposing dan reshaping array, lihat dan

Cara membalikkan array

Bagian ini mencakup

import numpy as np

Fungsi

import numpy as np

import numpy as np

Membalik array 1D

Jika Anda mulai dengan array 1D seperti ini

>>> np.zeros(2)
array([0., 0.])

Anda dapat membalikkannya dengan

>>> np.zeros(2)
array([0., 0.])

Jika Anda ingin mencetak larik terbalik, Anda dapat menjalankan

>>> np.zeros(2)
array([0., 0.])

Membalik array 2D

Array 2D bekerja dengan cara yang hampir sama

Jika Anda mulai dengan array ini

>>> np.zeros(2)
array([0., 0.])

Anda dapat membalik konten di semua baris dan semua kolom dengan

>>> np.zeros(2)
array([0., 0.])

Anda dapat dengan mudah membalikkan hanya baris dengan

>>> np.zeros(2)
array([0., 0.])

Atau balikkan hanya kolom dengan

>>> np.zeros(2)
array([0., 0.])

Anda juga dapat membalikkan isi hanya satu kolom atau baris. Misalnya, Anda dapat membalik isi baris pada posisi indeks 1 (baris kedua)

pip install numpy

Anda juga dapat membalikkan kolom pada posisi indeks 1 (kolom kedua)

pip install numpy

Baca lebih lanjut tentang membalikkan array di

Membentuk kembali dan meratakan array multidimensi

Bagian ini mencakup

import numpy as np

import numpy as np

Ada dua cara populer untuk meratakan array.

import numpy as np

import numpy as np

import numpy as np

import numpy as np

Jika Anda mulai dengan array ini

pip install numpy

Anda dapat menggunakan

import numpy as np

pip install numpy

Saat Anda menggunakan

import numpy as np

Misalnya

pip install numpy

Namun saat Anda menggunakan

import numpy as np

Misalnya

pip install numpy

Baca selengkapnya tentang

import numpy as np

import numpy as np

Cara mengakses docstring untuk informasi lebih lanjut

Bagian ini mencakup

import numpy as np

import numpy as np

import numpy as np

Ketika datang ke ekosistem ilmu data, Python dan NumPy dibangun dengan mempertimbangkan pengguna. Salah satu contoh terbaik dari hal ini adalah akses bawaan ke dokumentasi. Setiap objek berisi referensi ke sebuah string, yang dikenal sebagai docstring. Dalam kebanyakan kasus, docstring ini berisi ringkasan singkat dan singkat dari objek dan cara menggunakannya. Python memiliki fungsi

import numpy as np

import numpy as np

Misalnya

pip install numpy

Karena akses ke informasi tambahan sangat berguna, IPython menggunakan karakter

import numpy as np

Misalnya

pip install numpy

Anda bahkan dapat menggunakan notasi ini untuk metode objek dan objek itu sendiri

Katakanlah Anda membuat array ini

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

Kemudian Anda dapat memperoleh banyak informasi berguna (perincian pertama tentang

pip install numpy

pip install numpy

pip install numpy

pip install numpy

Ini juga berfungsi untuk fungsi dan objek lain yang Anda buat. Ingatlah untuk menyertakan docstring dengan fungsi Anda menggunakan string literal (

import numpy as np

import numpy as np

Misalnya, jika Anda membuat fungsi ini

pip install numpy

Anda dapat memperoleh informasi tentang fungsi tersebut

pip install numpy

Anda dapat mencapai tingkat informasi lain dengan membaca kode sumber dari objek yang Anda minati. Menggunakan tanda tanya ganda (

import numpy as np

Misalnya

pip install numpy

Jika objek yang dimaksud dikompilasi dalam bahasa selain Python, menggunakan

import numpy as np

import numpy as np

pip install numpy

Dan

pip install numpy

memiliki output yang sama karena dikompilasi dalam bahasa pemrograman selain Python

Bekerja dengan rumus matematika

Kemudahan penerapan rumus matematika yang bekerja pada array menjadi salah satu hal yang membuat NumPy begitu banyak digunakan dalam komunitas ilmiah Python.

Misalnya, ini adalah rumus rata-rata kesalahan kuadrat (rumus utama yang digunakan dalam model pembelajaran mesin terawasi yang berhubungan dengan regresi)

Menerapkan rumus ini sederhana dan mudah di NumPy

Apa yang membuat ini bekerja dengan sangat baik adalah bahwa

import numpy as np

import numpy as np

Anda dapat memvisualisasikannya dengan cara ini

Dalam contoh ini, vektor prediksi dan label berisi tiga nilai, artinya

import numpy as np

Bagaimana cara menyimpan dan memuat objek NumPy

Bagian ini mencakup

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

Anda akan, pada titik tertentu, ingin menyimpan array Anda ke disk dan memuatnya kembali tanpa harus menjalankan kembali kodenya. Untungnya, ada beberapa cara untuk menyimpan dan memuat objek dengan NumPy. Objek ndarray dapat disimpan ke dan diambil dari file disk dengan fungsi

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

Itu. npy dan. file npz menyimpan data, bentuk, dtype, dan informasi lain yang diperlukan untuk merekonstruksi ndarray dengan cara yang memungkinkan array diambil dengan benar, bahkan ketika file berada di komputer lain dengan arsitektur berbeda

Jika Anda ingin menyimpan satu objek ndarray, simpan sebagai a. npy menggunakan

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

Sangat mudah untuk menyimpan dan memuat dan menyusun dengan

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

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

Anda dapat menyimpannya sebagai “filename. npy” dengan

pip install numpy

Anda dapat menggunakan

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

pip install numpy

Jika Anda ingin memeriksa array Anda, Anda dapat menjalankan

pip install numpy

Anda dapat menyimpan array NumPy sebagai file teks biasa seperti a. csv atau. txt dengan

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

Misalnya, jika Anda membuat array ini

pip install numpy

Anda dapat dengan mudah menyimpannya sebagai. csv dengan nama “file_baru. csv” seperti ini

pip install numpy

Anda dapat dengan cepat dan mudah memuat file teks yang disimpan menggunakan

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

pip install numpy

Fungsi

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

Dengan , Anda dapat menentukan header, footer, komentar, dan lainnya

Belajar lebih tentang

Mengimpor dan mengekspor CSV

Mudah dibaca dalam CSV yang berisi informasi yang ada. Cara terbaik dan termudah untuk melakukannya adalah dengan menggunakan Pandas

pip install numpy

Sangat mudah untuk menggunakan Panda untuk mengekspor array Anda juga. Jika Anda baru mengenal NumPy, Anda mungkin ingin membuat bingkai data Pandas dari nilai dalam larik Anda dan kemudian menulis bingkai data tersebut ke file CSV dengan Pandas

Jika Anda membuat larik ini "a"

pip install numpy

Anda bisa membuat kerangka data Pandas

pip install numpy

Anda dapat dengan mudah menyimpan kerangka data Anda dengan

pip install numpy

Dan baca CSV Anda dengan

pip install numpy

Anda juga dapat menyimpan array Anda dengan metode NumPy

>>> a = np.arange(6)
>>> a2 = a[np.newaxis, :]
>>> a2.shape
(1, 6)

pip install numpy

Jika Anda menggunakan baris perintah, Anda dapat membaca CSV yang disimpan kapan saja dengan perintah seperti

pip install numpy

Atau Anda dapat membuka file kapan saja dengan editor teks

Jika Anda tertarik untuk mempelajari lebih lanjut tentang Panda, lihat dokumentasi resmi Panda. Pelajari cara memasang Panda dengan informasi resmi pemasangan Panda

Merencanakan array dengan Matplotlib

Jika Anda perlu membuat plot untuk nilai Anda, sangat mudah dengan Matplotlib

Misalnya, Anda mungkin memiliki larik seperti ini

pip install numpy

Jika Anda sudah menginstal Matplotlib, Anda dapat mengimpornya dengan

pip install numpy

Yang perlu Anda lakukan untuk memplot nilai Anda dijalankan

pip install numpy

Misalnya, Anda dapat memplot array 1D seperti ini

pip install numpy

Dengan Matplotlib, Anda memiliki akses ke sejumlah besar opsi visualisasi

pip install numpy

Untuk membaca lebih lanjut tentang Matplotlib dan apa yang dapat dilakukannya, lihat dokumentasi resminya. Untuk petunjuk tentang penginstalan Matplotlib, lihat bagian penginstalan resmi

Bagaimana mengubah array 1D menjadi array 2D Python?

Bagaimana cara mengubah array 1D menjadi array 2D di numpy?

Bagaimana Anda mengubah matriks satu arah menjadi array dengan Python?

Bagaimana mengonversi satu