Войти или Регистрация
питон либ луна питонлиб солнце pythonlib цветок

Изменить тему

Основы библиотеки NumPy: массивы, матрицы и математические операции

онлайн тренажер по питону
Онлайн-тренажер Python 3 для начинающих

Теория без воды. Задачи с автоматической проверкой. Подсказки на русском языке. Работает в любом современном браузере.

начать бесплатно

🔎 Введение

Библиотека NumPy — это основа для научных вычислений в Python. Благодаря ей можно эффективно работать с многомерными массивами, матрицами и выполнять высокопроизводительные математические операции.

Если вы занимаетесь анализом данных, машинным обучением или инженерными расчётами, без NumPy не обойтись. Эту библиотеку активно используют такие фреймворки, как Pandas, Scikit-learn, TensorFlow и другие.

В этом материале вы получите полноценное руководство по NumPy, научитесь работать с массивами и матрицами, выполнять арифметические и логические операции, а также объединять и изменять данные.

📚 Установка библиотеки

Установите NumPy через pip:

bash
pip install numpy

Проверьте версию:

python
import numpy as np print(np.__version__)

📦 Основные объекты NumPy: Массивы

Главный объект библиотеки — это массив (ndarray). Это улучшенная версия стандартных списков Python, оптимизированная для быстрого выполнения математических операций.

Создание массива:

python
import numpy as np arr = np.array([1, 2, 3, 4, 5]) print(arr) # [1 2 3 4 5]

Многомерные массивы:

python
matrix = np.array([[1, 2], [3, 4]]) print(matrix)

📌 Вывод:

lua
[[1 2] [3 4]]

📏 Основные свойства массивов

Свойство Описание
ndim Количество измерений
shape Размерность массива
size Общее количество элементов
dtype Тип данных элементов
python
arr = np.array([[1, 2, 3], [4, 5, 6]]) print(arr.ndim) # 2 print(arr.shape) # (2, 3) print(arr.size) # 6

🔢 Специальные функции для создания массивов

python
np.zeros((2, 3)) # Массив из нулей np.ones((3, 3)) # Массив из единиц np.eye(3) # Единичная матрица np.arange(0, 10, 2) # [0 2 4 6 8] np.linspace(0, 1, 5) # [0. 0.25 0.5 0.75 1.]

➗ Математические операции в NumPy

NumPy позволяет выполнять операции напрямую над массивами без использования циклов.

python
a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) print(a + b) # [5 7 9] print(a * b) # [ 4 10 18] print(a ** 2) # [1 4 9]

Встроенные математические функции:

python
np.sum(a) # Сумма элементов np.mean(a) # Среднее значение np.max(a) # Максимум np.sin(a) # Синус от каждого элемента np.sqrt(a) # Квадратный корень

🧮 Работа с матрицами

Хотя в NumPy можно использовать массивы для матричных операций, предусмотрен специальный объект matrix:

python
mat = np.matrix([[1, 2], [3, 4]]) print(mat.T) # Транспонирование print(mat.I) # Обратная матрица

Умножение матриц:

python
a = np.array([[1, 2], [3, 4]]) b = np.array([[5, 6], [7, 8]]) result = np.dot(a, b)

🔗 NumPy объединение массивов

Часто возникает задача объединить несколько массивов.

Объединение по горизонтали:

python
a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) np.hstack((a, b)) # [1 2 3 4 5 6]

Объединение по вертикали:

python
np.vstack((a, b))

📌 Вывод:

lua
[[1 2 3] [4 5 6]]

Использование concatenate:

python
np.concatenate((a, b)) # [1 2 3 4 5 6]

📐 Индексация и срезы массивов

python
arr = np.array([[1, 2, 3], [4, 5, 6]]) print(arr[0, 1]) # 2 print(arr[:, 1]) # [2 5] print(arr[1, :]) # [4 5 6]

📊 Логические операции и фильтрация

python
arr = np.array([1, 2, 3, 4, 5]) print(arr[arr > 3]) # [4 5] print(np.where(arr % 2 == 0)) # Индексы чётных чисел

📈 Примеры применения NumPy в реальных проектах

  • Анализ данных: Быстрая обработка больших CSV-файлов.

  • Машинное обучение: Векторизация данных для обучения моделей.

  • Инженерные расчёты: Быстрые вычисления с большими матрицами.

  • Графика и визуализация: Быстрое преобразование изображений в массивы.

📑 Полезные функции NumPy

Функция Назначение
np.unique() Получить уникальные элементы
np.sort() Сортировка массива
np.argsort() Индексы для сортировки
np.reshape() Изменение формы массива
np.flatten() Преобразование в одномерный массив

✅ Заключение

Библиотека NumPy — фундаментальный инструмент для работы с данными и вычислениями в Python. Освоив её основы, вы сможете:

  • Эффективно обрабатывать массивы и матрицы;

  • Выполнять сложные математические операции за миллисекунды;

  • Работать с большими объёмами данных без потери производительности.

Не забывайте заглядывать в официальную python numpy документация на русском, чтобы углублять свои знания и искать решения нестандартных задач.

❓FAQ

В: Что такое NumPy?
О: Это библиотека Python для научных вычислений и работы с массивами.

В: Как объединять массивы в NumPy?
О: С помощью np.hstack(), np.vstack(), np.concatenate().

В: Где найти документацию на русском?
О: Ознакомьтесь с официальной документацией или подробными гайдами, доступными в сообществе Python.

В: Что быстрее: списки Python или массивы NumPy?
О: Массивы NumPy работают в разы быстрее благодаря реализации на C и оптимизации памяти.

Блоги

разные библиотеки питона 3

Как измерить скорость интернета в Python?
разные библиотеки питона 3

Как работать с SQLite в питоне практические советы
разные библиотеки питона 3

Как создать сайт на Python с нуля?

Рекомендуем книги

Обложка книги "Программирование на Python. Первые шаги" Анастасии Щербы

Программирование на Python. Первые шаги
Обложка книги "Python для финансистов" Ива Хилпиша

Python для финансистов
Обложка книги "Нейросети. Основы" автора Дэвида Рида

Нейросети. Основы
Обложка книги "Стандартная библиотека Python 3: справочник с примерами" Дага Хеллмана

Стандартная библиотека Python 3: справочник с примерами

Новости

изображение новости Настоящее и будущее развития ИИ: классической математики уже недостаточно
изображение новости Эксперты предупредили о рисках фейковой благотворительности с помощью ИИ
изображение новости В России разработали универсального ИИ-агента для роботов и индустриальных процессов