Tutorial di NumPy Python

Il predecessore di NumPy, Numeric, è stato sviluppato inizialmente da Jim Hugunin e altri collaboratori. Nel 2005, Travis Oliphant ha combinato le caratteristiche di un'altra libreria di natura simile, Numarray, e ha aggiunto altre estensioni per sviluppare NumPy. NumPy è un software open source e viene mantenuto e sviluppato congiuntamente da molti collaboratori.

Il cuore del pacchetto NumPy è l'oggetto ndarray. Encapsula array n-dimensionali di tipo dati nativi di Python, molte operazioni sono eseguite localmente compilando il codice per garantire prestazioni ottimali.

Ci sono alcune importanti differenze tra gli array NumPy e gli array nativi di Python:

Gli array NumPy hanno una dimensione fissa al momento della creazione. A differenza degli oggetti array nativi di Python, cambiare la dimensione di un ndarray crea un nuovo array e elimina l'array originale.Gli elementi degli array NumPy devono avere lo stesso tipo di dati, quindi hanno la stessa dimensione in memoria.Gli array NumPy aiutano a eseguire operazioni avanzate su grandi quantità di dati e altri tipi di operazioni. Di solito, queste operazioni sono eseguite con maggiore efficienza rispetto al codice che utilizza array nativi di Python.Un numero crescente di pacchetti scientifici e matematici basati su Python utilizza array NumPy, ma prima di elaborare li convertono in array NumPy.

Prima di iniziare il tutorial NumPy, dobbiamo avere una solida conoscenza di base di Python, questo sito raccomanda di utilizzare la versione Python 3.x. Se non conosci Python, puoi leggere i nostriTutorial Python

Perché utilizzare NumPy?

In Python, abbiamo liste che soddisfano le funzioni degli array, ma sono lente da gestire.NumPy è progettato per fornire un oggetto array che è 50 volte più veloce rispetto alle liste tradizionali di Python.Gli oggetti array in NumPy sono chiamati ndarray, che offrono molte funzioni di supporto che rendono facile utilizzare ndarray.Gli array sono molto utilizzati nella scienza dei dati, poiché la velocità e le risorse sono molto importanti.La scienza dei dati è una branca della scienza dei computer che studia come memorizzare, utilizzare e analizzare i dati per ottenere informazioni.

Perché NumPy è più veloce delle liste?

A differenza delle liste, gli array NumPy sono memorizzati in posizioni contigue nella memoria, quindi i processi possono accedere e manipolare efficacemente.
Questo comportamento viene chiamato località di riferimento nella scienza dei computer.
Questo è il motivo per cui NumPy è più veloce rispetto alle liste. È anche ottimizzato per essere utilizzato con le ultime architetture di CPU.

Applicazioni di NumPy

NumPy viene spesso utilizzato insieme a SciPy, questa combinazione è ampiamente utilizzata per sostituire MatLab e aiuta a imparare la scienza dei dati o l'apprendimento automatico attraverso Python.SciPy è una libreria di algoritmi open source e un kit di strumenti matematici per Python.SciPy include moduli come ottimizzazione, algebra lineare, integrazione, interpolazione, funzioni speciali, trasformata rapida di Fourier, elaborazione dei segnali e delle immagini, soluzione di equazioni differenziali ordinarie e altri calcoli comuni nelle scienze e ingegneria.Matplotlib è l'interfaccia di visualizzazione per Python e l'estensione numerica NumPy. È progettato per utilizzare strumenti di interfaccia utente grafica generali.

Materiali correlati

Sito web NumPy:http://www.numpy.orgCodice sorgente NumPy:https://github.com/numpy/numpySito web SciPy:: https://www.scipy.orgCodice sorgente SciPy:: https://github.com/scipy/scipyCodice sorgente Matplotlib:: https://matplotlib.orgCodice sorgente Matplotlib:: https://github.com/matplotlib/matplotlib

Esempio semplice di Numpy

#　1、Installare il pacchetto
$　pip　install　numpy
#　2、Entrare nell'interfaccia interattiva di Python
$　python　-i
#　3、Utilizzo di Numpy
>>>　from　numpy　import　*
>>>　eye(4)
#　4、Output
array([[1.,　0.,　0.,　0.],
　　　　　　　[0.,　1.,　0.,　0.],
　　　　　　　[0.,　0.,　1.,　0.],
　　　　　　　[0.,　0.,　0.,　1.]]