掌握 NumPy：初始化方式、Ndarray 操作和函數

已發表: 2021-01-05

Numpy 是一個 Python 包，它允許對高維數據以高效和抽象的功能執行數學和數值運算。 在為特定業務用例構建機器學習解決方案時，以使預處理變得容易且結果可解釋的方式轉換數據變得非常重要。 Numpy 是核心庫，它可以以最佳方式執行所有相關功能。

目錄

為什麼選擇 NumPy？

其他數據科學庫，如 Pandas、Matplotlib 和 Scikit-learn，是基於 Numpy 構建的，因為它具有高性能。 這個庫提供了 ndarray 來代替內置的 python 列表。 Python list 非常適合存儲值，但它的代價是增加了執行時間，因為它存儲了內存位置的指針，這增加了內存和執行方面的開銷。

Numpy 直接用於圖像處理領域，其中圖像被處理為高多維矩陣以執行各種變換，例如模糊、顏色變化和對象檢測。

讓我們看一下每個數據科學有志者應該知道的一些重要的 Numpy 函數，但在此之前：

  1. 下面的所有函數代碼都假設該庫已使用別名 np 導入，即 import numpy as np.
  2. 在此之後，術語“數組”將用於定義 ndarray。

不同的初始化方式

1. 線性間隔

此函數旨在提供值範圍內的線性間隔數組。 函數 np.linspace(start, stop, num) 其中 start 和 stop 定義值的範圍， num 定義樣本的數量，返回均勻間隔的值，而 np.arange(start, stop, step) 返回不同的值步值。

2. 特殊價值觀

在許多情況下，您可能希望使用諸如 1、0、恆等值或常量值之類的值來初始化大型矩陣。 數組的大小作為元組傳遞。 Numpy 通過不同的功能促進了這一點：

    • np.zeros(size)：元素為零
    • np.ones(size): 元素是個
    • np.full(size, constant value)：元素是常量值傳遞。
    • np.eye(size)：對角線元素為 1，其餘為 0。 這是單位矩陣。
    • np.empty(size): 空矩陣
    • np.random.random(size)：隨機值矩陣被初始化為指定大小。

閱讀：Numpy 面試問題

Ndarray 操作

這個庫的主要目的是不同數組之間的高效計算。 Numpy 支持幾乎所有類型的逐元素應用的數學運算和操作。 下面列出了其中的一些（假設兩個大小相同的數組 A 和 B 用隨機值初始化）：

1. 數學

  • np.add(A, B)：加法
  • np.subtract(A, B)：減法
  • np.divide(A, B)：除法
  • np.multiply(A, B)：乘法
  • np.exp(A)：指數值
  • np.sqrt(A)：平方根值
  • np.sin(A), cos(A), tan(A)：三角函數值
  • np.log(A)：對數值
  • np.percentile(A, percentile required, axis)：在傳遞百分位值時，例如 50，函數將返回數組的第 50 個百分位。
  • A.dot(B)：返回數組的點積
  • A == B：元素比較
  • np.array_equal(A, B)：數組比較
  • A.sum()：所有元素的總和
  • A.min(), max()：最小值和最大值
  • A.cumsum()：數組元素的累積和
  • A.corrcoef()：相關係數

2. 操作

  • np.transpose(A) 或 AT：矩陣的轉置
  • A.ravel()：展平數組
  • A.reshape(new_shape)：對數組進行整形（這裡直接傳遞大小而不放入元組）。 新尺寸應與
  • A.resize(size)：將數組的形狀更改為任意形狀，並丟棄不屬於這個新形狀的其他元素。
  • np.concatenate（（A，B），軸= 1或0）
  • np.vstack((A,B))：垂直堆疊數組（逐行）
  • np.hstack((A,B))：水平堆棧

退房：Numpy vs Panda：兩者的區別

雜項功能

  • np.where()：這是一個基本函數，它消除了對 if-else 語句的需求。 它需要 3 個重要參數：條件、條件是否滿足的值和不滿足的值。 一個簡單的例子是當您必鬚根據給定閾值對列進行二值化時。
  • np.intersect1d()：此函數返回兩個一維數組的交集。 這意味著這些數組的公共值由該函數返回。 如果傳遞的數組不是一維的，那麼它會被展平。
  • np.allclose()：這是一個有趣的函數。 在某些情況下，您可以在比較數組時承受一定程度的容差，或者您想發現相似的數組。 這個函數接受你想要的數組和公差值。 例如：
    • arr1 = np.array([1,2,3,4])
    • arr2 = np.array([2,3,4,5])
    • np.allclose(arr1, arr2, 0.5) ：將返回 False
    • np.allclose(arr1, arr2, 1): 將返回 True
  • argmin()、argmax() 和 argsort()：顧名思義，這些函數返回各自名稱的索引。 A.argmin() 返回最小元素索引，A.argmax() 相反，A.argsort() 返回排序數組的索引。 在結果取決於索引的情況下，這些函數可以派上用場。
  • np.clip()：用於轉換特定範圍內的值。 例如，如果一個數組的值介於 1 到 30 之間，並且您想要 14 到 27 之間的值而不丟失其他值，則此函數會將小於 19 的值放大到 19，並將大於 27 的值縮小到 27。

結論

對 numpy 數組進行操作時還有更多功能，但這些是最常用的功能。 應用於 Pandas 列或系列的操作實際上是在 ndarray 上，因為該系列是一維 ndarray。

Numpy 是一個很好的工具，可以生成假數據以測試特定算法或模擬場景。 它廣泛用於計算機視覺應用中，其中圖像被轉換為多維矩陣以執行所需的操作，或者在深度學習中，神經網絡權重由這些 ndarray 保存。

如果您想了解數據科學，請查看 IIIT-B 和 upGrad 的數據科學 PG 文憑，該文憑專為在職專業人士而設，提供 10 多個案例研究和項目、實用的實踐研討會、與行業專家的指導、1-與行業導師面對面交流，400 多個小時的學習和頂級公司的工作協助。

為未來的職業做準備

來自 IIIT-B 的 PG 文憑、100 多個小時的課堂學習、400 多個小時的在線學習和 360 度職業支持
了解更多