Selamat datang di panduan pemula mutlak untuk NumPy. Jika Anda memiliki komentar atau saran, jangan ragu untuk menghubungi Show
Selamat datang di NumPyNumPy (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 NumPyUntuk 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 NumPyUntuk mengakses NumPy dan fungsinya, impor dalam kode Python Anda seperti ini import numpy as np Kami mempersingkat nama yang diimpor menjadi pip install numpy_34 untuk keterbacaan kode yang lebih baik menggunakan NumPy. Ini adalah konvensi yang diadopsi secara luas yang harus Anda ikuti sehingga siapa pun yang bekerja dengan kode Anda dapat dengan mudah memahaminya Membaca kode contohJika 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_35, Anda sedang melihat input, atau kode yang akan Anda masukkan. Segala sesuatu yang tidak memiliki pip install numpy_35 di depannya adalah keluaran, atau hasil dari menjalankan kode Anda. Ini adalah gaya yang Anda lihat saat menjalankan pip install numpy_37 pada baris perintah, tetapi jika Anda menggunakan IPython, Anda mungkin melihat gaya yang berbeda. Perhatikan bahwa itu bukan bagian dari kode dan akan menyebabkan kesalahan jika diketik atau disisipkan ke dalam shell Python. Ini dapat diketik atau ditempel dengan aman ke dalam shell IPython; 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 numpy39 Array dapat diindeks oleh tuple bilangan bulat nonnegatif, oleh boolean, oleh array lain, atau oleh bilangan bulat. pip install numpy40 dari array adalah jumlah dimensi. pip install numpy41 dari array adalah tupel bilangan bulat yang memberikan ukuran array di sepanjang setiap dimensi 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 arrayBagian ini mencakup pip install numpy42, pip install numpy43, pip install numpy44, pip install numpy45, pip install numpy46 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 numpy44 digunakan untuk mewakili matriks dan vektor. Vektor adalah larik dengan satu dimensi (tidak ada perbedaan antara vektor baris dan kolom), sedangkan matriks merujuk pada larik dengan dua dimensi. Untuk array berdimensi 3-D atau lebih tinggi, istilah tensor juga biasa digunakan 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 dasarBagian ini mencakup pip install numpy48, pip install numpy49, pip install numpy50, pip install numpy51, pip install numpy52, pip install numpy53, pip install numpy39 Untuk membuat larik NumPy, Anda dapat menggunakan fungsi pip install numpy48 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 numpy56 >>> np.zeros(2) array([0., 0.]) Atau array yang diisi dengan pip install numpy_57 pip install numpy_0 Atau bahkan array kosong. Fungsi pip install numpy_58 membuat array yang konten awalnya acak dan bergantung pada status memori. Alasan untuk menggunakan pip install numpy58 lebih dari pip install numpy60 (atau yang serupa) adalah kecepatan - pastikan untuk mengisi setiap elemen setelahnya pip install numpy_1 Anda dapat membuat array dengan berbagai elemen pip install numpy_2 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_3 Anda juga dapat menggunakan pip install numpy53 untuk membuat larik dengan nilai yang ditempatkan secara linier dalam interval yang ditentukan pip install numpy_4 Menentukan tipe data Anda Sementara tipe data default adalah floating point ( pip install numpy_62), Anda dapat secara eksplisit menentukan tipe data mana yang Anda inginkan menggunakan kata kunci pip install numpy39 pip install numpy_5 Menambahkan, menghapus, dan menyortir elemenBagian ini mencakup pip install numpy64, pip install numpy65 Menyortir elemen itu sederhana dengan pip install numpy_64. Anda dapat menentukan sumbu, jenis, dan urutan saat Anda memanggil fungsi Jika Anda mulai dengan array ini pip install numpy_6 Anda dapat dengan cepat mengurutkan angka dalam urutan menaik pip install numpy_7 Selain mengurutkan, yang mengembalikan salinan array yang diurutkan, Anda dapat menggunakan
Untuk membaca lebih lanjut tentang mengurutkan array, lihat. Jika Anda mulai dengan array ini pip install numpy_8 Anda dapat menggabungkannya dengan pip install numpy_65 pip install numpy_9 Atau, jika Anda memulai dengan array ini import numpy as np0 Anda dapat menggabungkannya dengan import numpy as np1 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 numpy74, pip install numpy75, pip install numpy76 pip install numpy_74 akan memberi tahu Anda jumlah sumbu, atau dimensi, dari array pip install numpy_75 akan memberi tahu Anda jumlah total elemen array. Ini adalah produk dari elemen bentuk array pip install numpy_76 akan menampilkan Tuple bilangan bulat yang menunjukkan jumlah elemen yang disimpan di sepanjang setiap dimensi array. Jika, misalnya, Anda memiliki larik 2-D dengan 2 baris dan 3 kolom, bentuk larik Anda adalah pip install numpy80 Misalnya, jika Anda membuat array ini import numpy as np2 Untuk menemukan jumlah dimensi array, jalankan import numpy as np_3 Untuk menemukan jumlah total elemen dalam array, jalankan import numpy as np_4 Dan untuk menemukan bentuk array Anda, jalankan import numpy as np5 Bisakah Anda membentuk kembali sebuah array?Bagian ini mencakup pip install numpy_81 Ya Menggunakan pip install numpy_81 akan memberikan bentuk baru ke array tanpa mengubah data. Ingatlah bahwa ketika Anda menggunakan metode reshape, larik yang ingin Anda hasilkan harus memiliki jumlah elemen yang sama dengan larik aslinya. Jika Anda memulai dengan larik dengan 12 elemen, Anda harus memastikan bahwa larik baru Anda juga memiliki total 12 elemen Jika Anda mulai dengan array ini import numpy as np6 Anda dapat menggunakan pip install numpy_83 untuk membentuk kembali array Anda. Misalnya, Anda dapat membentuk kembali larik ini menjadi larik dengan tiga baris dan dua kolom import numpy as np7 Dengan pip install numpy_84, Anda dapat menentukan beberapa parameter opsional import numpy as np_8 pip install numpy_85 adalah larik yang akan dibentuk ulang pip install numpy_86 adalah bentuk baru yang Anda inginkan. Anda dapat menentukan bilangan bulat atau tupel bilangan bulat. Jika Anda menentukan bilangan bulat, hasilnya akan berupa larik dengan panjang tersebut. Bentuknya harus sesuai dengan bentuk aslinya pip install numpy_87 pip install numpy88 artinya membaca/menulis elemen menggunakan urutan indeks mirip C, pip install numpy89 artinya membaca/menulis elemen menggunakan urutan indeks mirip Fortran, pip install numpy90 artinya membaca/menulis elemen dalam urutan indeks mirip Fortran jika a adalah Fortran bersebelahan . (Ini adalah parameter opsional dan tidak perlu ditentukan. ) 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 numpy91, pip install numpy92 Anda dapat menggunakan pip install numpy91 dan pip install numpy92 untuk meningkatkan dimensi array yang ada Menggunakan pip install numpy_91 akan menambah dimensi array Anda sebesar satu dimensi saat digunakan sekali. Artinya array 1D akan menjadi array 2D, array 2D akan menjadi array 3D, dan seterusnya Misalnya, jika Anda memulai dengan larik ini import numpy as np_9 Anda dapat menggunakan pip install numpy_91 untuk menambahkan sumbu baru >>> a = np.arange(6) >>> a2 = a[np.newaxis, :] >>> a2.shape (1, 6)_0 Anda dapat secara eksplisit mengonversi larik 1D dengan vektor baris atau vektor kolom menggunakan pip install numpy91. Misalnya, Anda dapat mengonversi larik 1D menjadi vektor baris dengan menyisipkan sumbu di sepanjang dimensi pertama >>> a = np.arange(6) >>> a2 = a[np.newaxis, :] >>> a2.shape (1, 6)_1 Atau, untuk vektor kolom, Anda dapat menyisipkan sumbu di sepanjang dimensi kedua >>> a = np.arange(6) >>> a2 = a[np.newaxis, :] >>> a2.shape (1, 6)_2 Anda juga dapat memperluas larik dengan menyisipkan sumbu baru pada posisi tertentu dengan pip install numpy92 Misalnya, jika Anda memulai dengan larik ini import numpy as np_9 Anda dapat menggunakan pip install numpy_92 untuk menambahkan sumbu pada posisi indeks 1 dengan >>> a = np.arange(6) >>> a2 = a[np.newaxis, :] >>> a2.shape (1, 6)_4 Anda dapat menambahkan sumbu pada posisi indeks 0 dengan >>> a = np.arange(6) >>> a2 = a[np.newaxis, :] >>> a2.shape (1, 6)_5 Temukan informasi lebih lanjut tentang dan import numpy as np_00 di Mengindeks dan mengirisAnda 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)_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)_7 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)_8 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)_9 Anda dapat memilih elemen yang habis dibagi 2 >>> a = np.array([1, 2, 3, 4, 5, 6])0 Atau Anda dapat memilih elemen yang memenuhi dua kondisi menggunakan operator import numpy as np02 dan import numpy as np03 >>> a = np.array([1, 2, 3, 4, 5, 6])1 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])2 Anda juga dapat menggunakan import numpy as np04 untuk memilih elemen atau indeks dari array 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 np04 untuk mencetak indeks elemen yang, misalnya, kurang dari 5 >>> a = np.array([1, 2, 3, 4, 5, 6])4 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])5 Anda juga dapat menggunakan import numpy as np04 untuk mencetak elemen dalam array yang kurang dari 5 dengan >>> a = np.array([1, 2, 3, 4, 5, 6])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])7 Pelajari lebih lanjut tentang dan Baca lebih lanjut tentang menggunakan fungsi bukan nol di. Cara membuat array dari data yang adaBagian ini mencakup import numpy as np08, import numpy as np09, import numpy as np10, import numpy as np11, import numpy as np12, import numpy as np13 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])8 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])_9 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 np14 dan import numpy as np15 >>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])0 Anda dapat menumpuknya secara vertikal dengan import numpy as np_16 >>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])1 Atau susun secara horizontal dengan import numpy as np_17 >>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])2 Anda dapat membagi larik menjadi beberapa larik yang lebih kecil menggunakan import numpy as np18. Anda dapat menentukan jumlah array yang berbentuk sama untuk dikembalikan atau kolom setelah pembagian harus terjadi Katakanlah Anda memiliki array ini >>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])3 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]])4 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]])5 . Anda dapat menggunakan metode import numpy as np19 untuk membuat objek array baru yang melihat data yang sama dengan array asli (salinan dangkal) 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 np20 dengan memotong pip install numpy85 dan memodifikasi elemen pertama dari import numpy as np20. Ini juga akan mengubah elemen terkait di pip install numpy_85 >>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])7 Menggunakan metode import numpy as np_24 akan membuat salinan lengkap dari array dan datanya (salinan dalam). Untuk menggunakan ini di array Anda, Anda bisa menjalankan >>> a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])8 . Operasi array dasarBagian 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]])_9 Anda tentu saja dapat melakukan lebih dari sekadar penambahan >>> print(a[0]) [1 2 3 4]_0 Operasi dasar sederhana dengan NumPy. Jika Anda ingin menemukan jumlah elemen dalam array, Anda akan menggunakan import numpy as np25. Ini berfungsi untuk larik 1D, larik 2D, dan larik dalam dimensi yang lebih tinggi >>> print(a[0]) [1 2 3 4]_1 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]_2 Anda dapat menjumlahkan sumbu baris dengan >>> print(a[0]) [1 2 3 4]_3 Anda dapat menjumlahkan sumbu kolom dengan >>> print(a[0]) [1 2 3 4]_4 . PenyiaranAda 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]_5 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 np26 . Operasi array yang lebih bergunaBagian ini mencakup maksimum, minimum, jumlah, rata-rata, produk, standar deviasi, dan banyak lagi NumPy juga melakukan fungsi agregasi. Selain import numpy as np_27, import numpy as np28, dan import numpy as np29, Anda dapat dengan mudah menjalankan import numpy as np30 untuk mendapatkan rata-rata, import numpy as np31 untuk mendapatkan hasil perkalian elemen, import numpy as np32 untuk mendapatkan standar deviasi, dan banyak lagi >>> print(a[0]) [1 2 3 4]_6 Mari kita mulai dengan larik ini, yang disebut "a" >>> print(a[0]) [1 2 3 4]_7 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]_8 Atau >>> print(a[0]) [1 2 3 4]_9 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 np33 [[0., 0., 0.], [1., 1., 1.]]0 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 matriksAnda dapat meneruskan daftar daftar Python untuk membuat larik 2-D (atau "matriks") untuk mewakilinya di NumPy [[0., 0., 0.], [1., 1., 1.]]1 Operasi pengindeksan dan pemotongan berguna saat Anda memanipulasi matriks [[0., 0., 0.], [1., 1., 1.]]2 Anda dapat mengagregasi matriks dengan cara yang sama seperti mengagregasi vektor [[0., 0., 0.], [1., 1., 1.]]3 Anda dapat mengagregasi semua nilai dalam matriks dan Anda dapat menggabungkannya di seluruh kolom atau baris menggunakan parameter import numpy as np34. Untuk mengilustrasikan poin ini, mari kita lihat kumpulan data yang sedikit dimodifikasi [[0., 0., 0.], [1., 1., 1.]]4 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.]]5 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.]]6 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.]]7 Sering kali kita ingin NumPy menginisialisasi nilai-nilai array. NumPy menawarkan fungsi seperti import numpy as np_35 dan import numpy as np36, dan kelas import numpy as np37 untuk pembuatan nomor acak untuk itu. Yang perlu Anda lakukan adalah meneruskan jumlah elemen yang Anda inginkan untuk dihasilkan [[0., 0., 0.], [1., 1., 1.]]8 Anda juga dapat menggunakan import numpy as np35, import numpy as np36, dan import numpy as np40 untuk membuat larik 2D jika Anda memberi tuple yang menjelaskan dimensi matriks [[0., 0., 0.], [1., 1., 1.]]_9 Baca lebih lanjut tentang membuat array, diisi dengan pip install numpy_56, pip install numpy57, nilai lain atau tidak diinisialisasi, di Menghasilkan angka acakPenggunaan 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_43, Anda dapat menghasilkan bilangan bulat acak dari rendah (ingat bahwa ini termasuk dengan NumPy) hingga tinggi (eksklusif). Anda dapat menyetel import numpy as np_44 untuk membuat angka tinggi menjadi inklusif 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])0 . Cara mendapatkan item unik dan menghitungBagian ini mencakup import numpy as np_45 Anda dapat menemukan elemen unik dalam array dengan mudah menggunakan import numpy as np46 Misalnya, jika Anda memulai dengan larik ini >>> import numpy as np >>> a = np.array([1, 2, 3])1 Anda dapat menggunakan import numpy as np_46 untuk mencetak nilai unik dalam array Anda >>> import numpy as np >>> a = np.array([1, 2, 3])2 Untuk mendapatkan indeks nilai unik dalam larik NumPy (array posisi indeks pertama dari nilai unik dalam larik), cukup berikan argumen import numpy as np48 di import numpy as np45 serta larik Anda >>> import numpy as np >>> a = np.array([1, 2, 3])3 Anda dapat melewatkan argumen import numpy as np50 di import numpy as np45 bersama dengan larik Anda untuk mendapatkan jumlah frekuensi nilai unik dalam larik NumPy >>> import numpy as np >>> a = np.array([1, 2, 3])4 Ini juga berfungsi dengan array 2D. Jika Anda mulai dengan array ini >>> import numpy as np >>> a = np.array([1, 2, 3])5 Anda dapat menemukan nilai unik dengan >>> import numpy as np >>> a = np.array([1, 2, 3])6 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 np34. Untuk menemukan baris unik, tentukan import numpy as np_33 dan untuk kolom, tentukan import numpy as np54 >>> import numpy as np >>> a = np.array([1, 2, 3])7 Untuk mendapatkan baris unik, posisi indeks, dan jumlah kemunculan, Anda dapat menggunakan >>> import numpy as np >>> a = np.array([1, 2, 3])8 Untuk mempelajari selengkapnya tentang menemukan elemen unik dalam larik, lihat Mentranspos dan membentuk ulang matriksBagian ini mencakup pip install numpy81, import numpy as np57, import numpy as np58 Adalah umum untuk mengubah urutan matriks Anda. Array NumPy memiliki properti import numpy as np_59 yang memungkinkan Anda untuk mengubah susunan matriks 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_60 dapat berguna. Anda hanya perlu meneruskan dimensi baru yang Anda inginkan untuk matriks >>> import numpy as np >>> a = np.array([1, 2, 3])_9 Anda juga dapat menggunakan import numpy as np61 untuk membalikkan atau mengubah sumbu array sesuai dengan nilai yang Anda tentukan Jika Anda mulai dengan array ini >>> np.zeros(2) array([0., 0.])_0 Anda dapat mengubah urutan array Anda dengan import numpy as np57 >>> np.zeros(2) array([0., 0.])_1 Anda juga dapat menggunakan import numpy as np_58 >>> np.zeros(2) array([0., 0.])_2 Untuk mempelajari lebih lanjut tentang transposing dan reshaping array, lihat dan Cara membalikkan arrayBagian ini mencakup import numpy as np_66 Fungsi import numpy as np_66 NumPy memungkinkan Anda membalik, atau membalikkan, isi array di sepanjang sumbu. Saat menggunakan import numpy as np_66, tentukan larik yang ingin Anda balikkan dan sumbunya. Jika Anda tidak menentukan sumbunya, NumPy akan membalik konten di sepanjang semua sumbu larik input Anda Membalik array 1D Jika Anda mulai dengan array 1D seperti ini >>> np.zeros(2) array([0., 0.])_3 Anda dapat membalikkannya dengan >>> np.zeros(2) array([0., 0.])_4 Jika Anda ingin mencetak larik terbalik, Anda dapat menjalankan >>> np.zeros(2) array([0., 0.])_5 Membalik array 2D Array 2D bekerja dengan cara yang hampir sama Jika Anda mulai dengan array ini >>> np.zeros(2) array([0., 0.])_6 Anda dapat membalik konten di semua baris dan semua kolom dengan >>> np.zeros(2) array([0., 0.])_7 Anda dapat dengan mudah membalikkan hanya baris dengan >>> np.zeros(2) array([0., 0.])_8 Atau balikkan hanya kolom dengan >>> np.zeros(2) array([0., 0.])_9 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_00 Anda juga dapat membalikkan kolom pada posisi indeks 1 (kolom kedua) pip install numpy_01 Baca lebih lanjut tentang membalikkan array di Membentuk kembali dan meratakan array multidimensiBagian ini mencakup import numpy as np70, import numpy as np71 Ada dua cara populer untuk meratakan array. import numpy as np70 dan import numpy as np73. Perbedaan utama antara keduanya adalah bahwa array baru yang dibuat menggunakan import numpy as np71 sebenarnya merupakan referensi ke array induk (i. e. , pemandangan"). Ini berarti bahwa setiap perubahan pada larik baru akan memengaruhi larik induk juga. Karena import numpy as np_75 tidak membuat salinan, ini hemat memori Jika Anda mulai dengan array ini pip install numpy_02 Anda dapat menggunakan import numpy as np_76 untuk meratakan array Anda menjadi array 1D pip install numpy_03 Saat Anda menggunakan import numpy as np_76, perubahan pada larik baru Anda tidak akan mengubah larik induk Misalnya pip install numpy_04 Namun saat Anda menggunakan import numpy as np75, perubahan yang Anda buat pada larik baru akan memengaruhi larik induk Misalnya pip install numpy_05 Baca selengkapnya tentang import numpy as np_76 di dan import numpy as np75 di Cara mengakses docstring untuk informasi lebih lanjutBagian ini mencakup import numpy as np83, import numpy as np84, import numpy as np85 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_83 bawaan yang dapat membantu Anda mengakses informasi ini. Ini berarti bahwa hampir kapan pun Anda memerlukan lebih banyak informasi, Anda dapat menggunakan import numpy as np83 untuk menemukan informasi yang Anda perlukan dengan cepat Misalnya pip install numpy_06 Karena akses ke informasi tambahan sangat berguna, IPython menggunakan karakter import numpy as np84 sebagai singkatan untuk mengakses dokumentasi ini bersama dengan informasi relevan lainnya. IPython adalah shell perintah untuk komputasi interaktif dalam berbagai bahasa. Anda dapat menemukan informasi lebih lanjut tentang IPython di sini Misalnya pip install numpy_07 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 numpy85 itu sendiri, diikuti oleh docstring dari pip install numpy44 yang pip install numpy85 adalah contohnya) pip install numpy_09 Ini juga berfungsi untuk fungsi dan objek lain yang Anda buat. Ingatlah untuk menyertakan docstring dengan fungsi Anda menggunakan string literal ( import numpy as np92 atau import numpy as np93 di sekitar dokumentasi Anda) Misalnya, jika Anda membuat fungsi ini pip install numpy_10 Anda dapat memperoleh informasi tentang fungsi tersebut pip install numpy_11 Anda dapat mencapai tingkat informasi lain dengan membaca kode sumber dari objek yang Anda minati. Menggunakan tanda tanya ganda ( import numpy as np_85) memungkinkan Anda untuk mengakses kode sumber Misalnya pip install numpy_12 Jika objek yang dimaksud dikompilasi dalam bahasa selain Python, menggunakan import numpy as np85 akan mengembalikan informasi yang sama dengan import numpy as np84. Anda akan menemukan ini dengan banyak objek dan tipe bawaan, misalnya pip install numpy_13 Dan pip install numpy_14 memiliki output yang sama karena dikompilasi dalam bahasa pemrograman selain Python Bekerja dengan rumus matematikaKemudahan 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_97 dan import numpy as np98 dapat berisi satu atau seribu nilai. Mereka hanya perlu berukuran sama Anda dapat memvisualisasikannya dengan cara ini Dalam contoh ini, vektor prediksi dan label berisi tiga nilai, artinya import numpy as np99 memiliki nilai tiga. Setelah kita melakukan pengurangan, nilai dalam vektor dikuadratkan. Kemudian NumPy menjumlahkan nilainya, dan hasil Anda adalah nilai kesalahan untuk prediksi tersebut dan skor untuk kualitas model Bagaimana cara menyimpan dan memuat objek NumPyBagian ini mencakup >>> a = np.arange(6) >>> a2 = a[np.newaxis, :] >>> a2.shape (1, 6)00, >>> a = np.arange(6) >>> a2 = a[np.newaxis, :] >>> a2.shape (1, 6)01, >>> a = np.arange(6) >>> a2 = a[np.newaxis, :] >>> a2.shape (1, 6)02, >>> a = np.arange(6) >>> a2 = a[np.newaxis, :] >>> a2.shape (1, 6)03, >>> a = np.arange(6) >>> a2 = a[np.newaxis, :] >>> a2.shape (1, 6)04 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)05 dan >>> a = np.arange(6) >>> a2 = a[np.newaxis, :] >>> a2.shape (1, 6)06 yang menangani file teks normal, >>> a = np.arange(6) >>> a2 = a[np.newaxis, :] >>> a2.shape (1, 6)07 dan >>> a = np.arange(6) >>> a2 = a[np.newaxis, :] >>> a2.shape (1, 6)08 fungsi yang menangani file biner NumPy dengan. ekstensi file npy, dan fungsi >>> a = np.arange(6) >>> a2 = a[np.newaxis, :] >>> a2.shape (1, 6)_09 yang menangani file NumPy dengan. ekstensi file .npz 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)00. Jika Anda ingin menyimpan lebih dari satu objek ndarray dalam satu file, simpan sebagai file. npz menggunakan >>> a = np.arange(6) >>> a2 = a[np.newaxis, :] >>> a2.shape (1, 6)_01. Anda juga dapat menyimpan beberapa array ke dalam satu file dalam format npz terkompresi dengan Sangat mudah untuk menyimpan dan memuat dan menyusun dengan >>> a = np.arange(6) >>> a2 = a[np.newaxis, :] >>> a2.shape (1, 6)13. Pastikan untuk menentukan array yang ingin Anda simpan dan nama file. Misalnya, jika Anda membuat array ini >>> a = np.array([1, 2, 3, 4, 5, 6]) Anda dapat menyimpannya sebagai “filename. npy” dengan pip install numpy_16 Anda dapat menggunakan >>> a = np.arange(6) >>> a2 = a[np.newaxis, :] >>> a2.shape (1, 6)14 untuk merekonstruksi array Anda pip install numpy_17 Jika Anda ingin memeriksa array Anda, Anda dapat menjalankan pip install numpy_18 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)_02 Misalnya, jika Anda membuat array ini pip install numpy_19 Anda dapat dengan mudah menyimpannya sebagai. csv dengan nama “file_baru. csv” seperti ini pip install numpy_20 Anda dapat dengan cepat dan mudah memuat file teks yang disimpan menggunakan >>> a = np.arange(6) >>> a2 = a[np.newaxis, :] >>> a2.shape (1, 6)16 pip install numpy_21 Fungsi >>> a = np.arange(6) >>> a2 = a[np.newaxis, :] >>> a2.shape (1, 6)17 dan >>> a = np.arange(6) >>> a2 = a[np.newaxis, :] >>> a2.shape (1, 6)16 menerima parameter opsional tambahan seperti header, footer, dan delimiter. Meskipun file teks lebih mudah untuk dibagikan,. npy dan. file npz lebih kecil dan lebih cepat dibaca. Jika Anda memerlukan penanganan file teks yang lebih canggih (misalnya, jika Anda perlu bekerja dengan baris yang berisi nilai yang hilang), Anda akan ingin menggunakan fungsi Dengan , Anda dapat menentukan header, footer, komentar, dan lainnya Belajar lebih tentang Mengimpor dan mengekspor CSVMudah dibaca dalam CSV yang berisi informasi yang ada. Cara terbaik dan termudah untuk melakukannya adalah dengan menggunakan Pandas pip install numpy_22 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_23 Anda bisa membuat kerangka data Pandas pip install numpy_24 Anda dapat dengan mudah menyimpan kerangka data Anda dengan pip install numpy_25 Dan baca CSV Anda dengan pip install numpy_26 Anda juga dapat menyimpan array Anda dengan metode NumPy >>> a = np.arange(6) >>> a2 = a[np.newaxis, :] >>> a2.shape (1, 6)06 pip install numpy_27 Jika Anda menggunakan baris perintah, Anda dapat membaca CSV yang disimpan kapan saja dengan perintah seperti pip install numpy_28 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 MatplotlibJika Anda perlu membuat plot untuk nilai Anda, sangat mudah dengan Matplotlib Misalnya, Anda mungkin memiliki larik seperti ini pip install numpy_29 Jika Anda sudah menginstal Matplotlib, Anda dapat mengimpornya dengan pip install numpy_30 Yang perlu Anda lakukan untuk memplot nilai Anda dijalankan pip install numpy_31 Misalnya, Anda dapat memplot array 1D seperti ini pip install numpy_32 Dengan Matplotlib, Anda memiliki akses ke sejumlah besar opsi visualisasi pip install numpy_33 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?mengubah larik 1 dimensi menjadi larik 2 dimensi dengan menambahkan sumbu baru . a=np. array([10,20,30,40,50,60]) b=a[. , np. sumbu baru]--itu akan mengubahnya menjadi dua dimensi.
Bagaimana cara mengubah array 1D menjadi array 2D di numpy?Bagaimana cara mengonversi larik tupel 1d menjadi larik numpy 2d? . by using "np. reshape() " fungsi ini kita dapat mencapai ini.
Bagaimana Anda mengubah matriks satu arah menjadi array dengan Python?Saya memiliki matriks dengan 1 kolom dan N baris dan saya ingin mendapatkan array dari elemen N. Misalnya, jika saya memiliki M = matrix([[1], [2], [3], [4]]) , saya ingin mendapatkan A = array([1,2,3,4]). Untuk mencapainya, saya menggunakan A = np. array(M. T)[0][a> .
Bagaimana mengonversi satuBuat array 2d dengan ukuran yang sesuai. Gunakan loop for untuk mengulang array 1d Anda. Di dalam for loop itu, Anda harus mencari tahu di mana setiap nilai dalam larik 1d harus berada dalam larik 2d. Coba gunakan fungsi mod terhadap variabel penghitung Anda untuk "membungkus" indeks array 2d |