Numpy Cheat Sheet: Olennainen tietoanalyysi Pythonissa

Pythonin kanssa työskentelevänä tietotieteilijänä olet todennäköisesti törmännyt NumPy-kirjastoon . Se on yksi tieteellisen laskennan peruspaketeista.

NumPy pystyy suorittamaan tehokkaita operaatioita moniulotteisilla taulukoilla, joten se on olennainen työkalu kaikille, jotka sukeltavat tietotieteeseen tai numeeriseen laskentaan Pythonissa.

NumPy-huijauslehti voi olla erinomainen resurssi, joka auttaa opastamaan matkaasi tähän Python-kirjastoon. Kattava huijauslehti auttaa sinua navigoimaan NumPyn ominaisuuksissa ja oppimaan nopeasti käyttämään sitä erilaisiin tehtäviin!

Muista myös, että NumPy on tärkeiden kirjastojen, kuten Pandas, SciPy, sci-kit-learn ja muiden Python-pakettien, ytimessä.

Hallitsemalla sen perusasiat Python NumPyn avulla voit paremmin työskennellä näiden kirjastojen kanssa. Kehität myös taitojasi monimutkaisten tietorakenteiden ja laskelmien käsittelyssä.

Oletko vanha koulu (kuten me) ja haluat ladata ja mahdollisesti tulostaa huijauslehtesi?

Vieritä alas tehdäksesi niin.

Sisällysluettelo

• NumPyn perusteet
  • 1. NumPyn asentaminen ja tuonti
  • 2. Array Creation
  • 3. Array-attribuutit
  • 4. Tietotyypit
• Array Manipulation
  • 1. Uudelleenmuotoilu
  • 2. Kopiointi
  • 3. Kytkentä
  • 4. Halkaisu
  • 5. Elementtien lisääminen/poistaminen
  • 6. Indeksointi
  • 7. Viipalointi
• Perustoiminnot
  • 1. Aritmeettiset operaatiot
  • 2. Trigonometria
  • 3. Eksponentit ja logaritmit
• Array-analyysi
  • 1. Aggregaattifunktiot
  • 2. Tilastofunktiot
  • 3. Haku
  • 4. Lajittelu
• Lisätoiminnot
  • 1. Lähetys
  • 2. Lineaarinen algebra
• Tulo ja lähtö
  • 1. Taulukon tallentaminen ja lataaminen
  • 2. Tekstitiedostojen lukeminen ja kirjoittaminen
• Lataa huijauslehti alta
• Lopulliset ajatukset

NumPyn perusteet

Tässä osiossa käsittelemme NumPyn perusteet keskittyen NumPyn asentamiseen, taulukon luomiseen, taulukon attribuutteihin ja tietotyyppeihin. Nämä konseptit tarjoavat vankan perustan NumPyn ymmärtämiselle ja tehokkaalle hyödyntämiselle Python-tietotiedeprojekteissasi.

1. NumPyn asentaminen ja tuonti

Voit asentaa NumPyn komentoriviltä käyttämällä alla olevaa komentoa:

pip install numpy

Kun se on asennettu, tuo se koodiisi.

import numpy as np

Muista, että voit käyttää mitä tahansa muuta nimeä paitsi np . Np on kuitenkin tavallinen NumPy-tuontikäytäntö, jota useimmat kehittäjät ja datatutkijat käyttävät.

2. Array Creation

Taulukon luominen NumPyssa on yksinkertaista ja suoraviivaista. Voit luoda taulukoita listoista tai monikoista käyttämällä numpy.array()- funktiota:

import numpy as np

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

Voit myös luoda tiettyjä muotoja ja arvoja sisältäviä taulukoita eri funktioiden avulla:

• np.zeros() : Luo nolilla täytetyn taulukon

• np.ones() : Luo taulukon, joka on täytetty ykkösillä

• np.identity() : Luo identiteettimatriisitaulukon.

• np.empty() : Luo taulukon alustamatta sen elementtejä mihinkään tiettyyn arvoon

• np.arange() : Luo taulukon, jonka arvot ovat säännöllisin väliajoin aloitus- ja loppuarvon väliin

• np.linspace() : Luo taulukon, jossa on määrätty määrä tasavälein asetettuja arvoja aloitus- ja loppuarvon väliin

Huomautus: Et voi luoda tyhjää taulukkoa NumPyssä. Jokaisella NumPy-taulukolla on kiinteä, muuttumaton koko ja jokainen taulukon elementti on täytettävä, kun taulukko luodaan.

Funktio np.empty() luo vaaditun taulukon muodon ja täyttää sen satunnaisilla arvoilla. Oletusmenetelmä luo joukon satunnaisia ​​kellukkeita.

Voit luoda erilaisen taulukon tietotyypin käyttämällä dtype- parametria.

3. Array-attribuutit

NumPy-taulukoilla on useita attribuutteja, jotka tarjoavat hyödyllistä tietoa taulukosta. Katsotaanpa joitain niistä:

• ndarray.shape: Palauttaa taulukon mitat monikkona (rivit, sarakkeet)

• ndarray.ndim: Palauttaa taulukon ulottuvuuksien määrän

• ndarray.size: Palauttaa taulukon elementtien kokonaismäärän

• ndarray.dtype: Palauttaa taulukon elementtien tietotyypin

Voit käyttää näitä määritteitä käyttämällä pistemerkintää, kuten:

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

#Print out the array shape
print(a.shape)  # Output: (2, 3)

4. Tietotyypit

NumPy tarjoaa useita tietotyyppejä tietojen tallentamiseen taulukoihin, kuten kokonaisluku, merkkijono, float, boolean ja kompleksi. Oletusarvoisesti NumPy yrittää päätellä tietotyypin syöttöelementtien perusteella.

Voit kuitenkin myös määrittää tietotyypin suoraan avainsanalla dtype . Esimerkiksi:

import numpy as np
a = np.array([1, 2, 3], dtype=float)  # Creates an array of floats

Yleisiä NumPy-tietotyyppejä ovat:

• np.int32 : 32-bittinen kokonaisluku

• np.int64: 64-bittinen kokonaisluku

• np.float32: 32-bittinen liukuluku

• np.float64: 64-bittinen liukuluku

• np.complex: Kompleksiluku, joka esitetään kahdella 64-bittisellä liukulukulla

Voit myös muuntaa taulukoita yhdestä tietotyypistä toiseen. Tässä esimerkissä voimme muuntaa kokonaislukutaulukon a Boolen taulukoksi arr käyttämällä np.array()- menetelmää.

Esimerkistä voimme nähdä, että array()-menetelmä muuntaa taulukon elementit loogisiksi arvoiksi. Nämä loogiset arvot muodostavat sitten uuden NumPy-taulukon arr.

Näiden NumPyn peruskäsitteiden ymmärtäminen antaa sinun työskennellä tehokkaasti erilaisten matemaattisten NumPy-toimintojen kanssa ja suorittaa niitä. Voit esimerkiksi katsoa videomme osoitteiden muuntamisesta ja koodaamisesta Pythonissa.

Siinä käytimme Python Pandas- ja NumPy-tietotyyppejä kotiosoitteiden geokoodaamiseen.

Array Manipulation

Tässä osiossa opit erilaisista taulukon muodon käsittelytekniikoista NumPyssa. Käsittelemme uudelleenmuotoilua, ketjuttamista, kopioimista, jakamista, elementtien lisäämistä/poistamista, indeksoimista ja viipalointia.

Nämä tekniikat ovat ratkaisevan tärkeitä, jotta voit työskennellä tehokkaasti taulukkodatan kanssa datatieteen projekteissasi.

Sukellaan jokaiseen alaosioon.

1. Uudelleenmuotoilu

Matriisin muokkaaminen NumPyssa on tavallinen tehtävä. Sinun on ehkä muutettava taulukon muotoa vastaamaan funktion tai algoritmin vaatimuksia.

Voit muotoilla taulukon uudelleen käyttämällä reshape()- funktiota:

arr = np.array([1, 2, 3, 4, 5, 6])
new_arr = arr.reshape(2, 3)

Tämä muuntaa yksiulotteisen taulukon kaksiulotteiseksi taulukoksi, jossa on 2 riviä ja 3 saraketta.

Huomautus: Varmista, että antamallasi uudella muodolla on sama koko (taulukkoelementtien lukumäärä) kuin alkuperäisellä taulukolla.

2. Kopiointi

Voit kopioida yhden NumPy-taulukon elementit toiseen käyttämällä copy()- menetelmää. Huomaa, että määritysoperaattorin '=' käyttö luo matalan kopion.

#Creating a shallow copy of a NumPy array
a = np.array([9, 6, 12, 16, 20])
b = a
b[0] = 19

print(a) #Output:[19, 6, 12, 16, 20]
print(b) #Output:[19, 6, 12, 16, 20]

Uusi taulukko viittaa vain järjestelmän muistissa olevaan vanhaan taulukkoon. Ne sisältävät samoja elementtejä eivätkä ole toisistaan ​​riippumattomia.

Käyttämällä syväkopiota luot uuden NumPy-taulukon, joka sisältää samat tiedot kuin vanha, mutta on siitä riippumaton.

#Creating a deep copy of a NumPy array
a = np.array([9, 6, 12, 16, 20])
b = np.copy(a)
b[0] = 19

print(a) #Output:[9, 6, 12, 16, 20]
print(b) #Output:[19, 6, 12, 16, 20]

3. Kytkentä

Joskus saatat joutua yhdistämään kaksi taulukkoa yhdeksi. NumPyssä voit käyttää concatenate()- funktiota taulukoiden liittämiseen olemassa olevaa akselia pitkin:

import numpy as np

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
result = np.concatenate((arr1, arr2))

Tämä yhdistää arr1 ja arr2 yhdeksi taulukoksi. Muista, että ketjutettavien taulukoiden tulee olla saman muotoisia, paitsi määritettyä akselia pitkin.

4. Halkaisu

Jakaminen on ketjutuksen vastakohta. Voit jakaa taulukon pienempiin alitaulukoihin käyttämällä split()-funktiota:

arr = np.array([1, 2, 3, 4, 5, 6])
result = np.split(arr, 3)

Tämä jakaa taulukon kolmeen samankokoiseen alitaulukkoon. Varmista, että määrittämiesi jakojen määrä voi jakaa tasaisesti taulukon koon annettua akselia pitkin.

5. Elementtien lisääminen/poistaminen

NumPy-taulukon elementtien lisääminen tai poistaminen voidaan suorittaa append()- ja delete()- funktioilla. Voit käyttää edellistä lisätäksesi arvoja taulukon loppuun, kun taas jälkimmäinen poistaa elementin määritetystä indeksistä.

Tässä on esimerkki:

arr = np.array([1, 2, 3])

arr = np.append(arr, [4, 5, 6]) # Appends values to the end of the array
arr = np.delete(arr, 0) # Removes the array element on index 0

Muista, että NumPy-taulukoilla on kiinteä koko. Käytettäessä append()- tai delete()-toimintoa luodaan uusi taulukko eikä alkuperäistä muuta.

6. Indeksointi

Voit suorittaa indeksointitoimintoja NumPy-taulukoille samalla tavalla kuin tekisit ne Python-luetteloissa tai monissa. Katsotaanpa, kuinka voit käyttää tai muuttaa taulukon elementtejä tietyssä taulukossa.

arr = np.array([1, 2, 3])

#Returns the array element on index 1
element_2 = b[1]

#Change the array element on index 0
arr[0]= 89

7. Viipalointi

Voit myös leikata NumPy-taulukoita poimiaksesi tai tarkastellaksesi osia tiedoista samalla tavalla kuin Pythonissa . Katsotaanpa esimerkkiä alla:

arr1 = np.array([1, 2, 3, 4, 5, 6, 7])
arr2 = np.array([(1, 2, 3, 6, 0), (4, 5, 6, 11, 13)]) 

# To return the first 3 elements of arr1
print(arr1[0:3]) #Output: [1, 2, 3]

# To return the second row in arr2
b = arr2[1, : ].copy() #Output: [4, 5, 6, 11, 13]

Huomautus: Viipalointi luo matalan kopion, joka silti viittaa päätaulukkoon. Joten kaikki viipaloituihin tietoihin tekemäsi muutokset otetaan käyttöön päätaulukossa ja päinvastoin.

Tämän välttämiseksi voit käyttää copy()-menetelmää syvällisen, itsenäisen kopion luomiseen.

Perustoiminnot

Tässä osiossa opit erilaisista NumPyn perusfunktioista, jotka helpottavat tietojen analysointitehtäviäsi. Käsittelemme aritmeettisia operaatioita, trigonometriaa sekä eksponenteja ja logaritmeja.

1. Aritmeettiset operaatiot

NumPy tarjoaa erilaisia ​​matemaattisia operaatioita taulukoille, jotka tekevät niistä yksinkertaisia ​​ja tehokkaita. taulukkomatematiikan vektorimatematiikan

Jotkut operaatioista ovat:

• Lisäys: numpy.add(x1, x2)

• Vähennys: numpy.subtract(x1, x2)

• Kertominen: numpy.multiply(x1, x2)

• Jako: numpy.jako(x1, x2)

• Moduuli: numpy.mod(x1, x2)

• Teho: numpy.power(x1, x2)

• Neliöjuuri: numpy.sqrt(x)

Huomautus: Näitä operaatioita käytettäessä kahden taulukon on oltava saman muotoisia. Jos ei, kohtaat virheitä.

Tietyille matriiseille on olemassa poikkeus NumPy-ominaisuuden, jota kutsutaan lähetykseksi, ansiosta. Käsittelemme sitä myöhemmässä osiossa.

Voit suorittaa nämä toiminnot elementtikohtaisesti taulukoille, mikä tekee niistä erittäin tehokkaita laajamittaisessa tiedonkäsittelyssä.

2. Trigonometria

Trigonometrisilla funktioilla on merkittävä rooli erilaisissa matemaattisissa ja tieteellisissä laskelmissa. NumPy tarjoaa laajan valikoiman trigonometrisiä toimintoja.

Jotkut tärkeimmistä toiminnoista ovat:

• Sini : numpy.sin(x)

• Kosini: numpy.cos(x)

• Tangentti: numpy.tan(x)

• Arcsine: numpy.arcsin(x)

• Arccosine: numpy.arccos(x)

• Arktangentti : numpy.arctan(x)

Nämä toiminnot toimivat saumattomasti taulukoiden kanssa, mikä helpottaa vektorisoitujen laskelmien suorittamista suurille tietojoukoille.

3. Eksponentit ja logaritmit

Eksponentit ja logaritmit ovat tärkeitä erilaisille numeerisille operaatioille. NumPy tarjoaa laajan kokoelman funktioita eksponentien ja logaritmien käsittelyyn.

Jotkut tärkeimmistä toiminnoista ovat:

• Eksponentiaalinen : numpy.exp(x)

• Logaritmi(kanta e): numpy.log(x)

• Logaritmi(kantaluku 10): numpy.log10(x)

• Logaritmi(kanta 2): numpy.log2(x)

Näitä toimintoja käyttämällä voit suorittaa nopeasti monimutkaisia ​​matemaattisia operaatioita jokaiselle taulukon elementille. Tämä tekee tietojen analysointitehtävistäsi helpommin saavutettavia ja tehokkaampia.

Array-analyysi

Tässä osiossa käsittelemme erilaisia ​​tekniikoita taulukoiden ja taulukkoelementtien analysoimiseksi NumPyssä. Joitakin keskeisiä ominaisuuksia, joita käsittelemme, ovat koostefunktiot, tilastofunktiot, haku ja lajittelu.

1. Aggregaattifunktiot

NumPy tarjoaa useita aggregaattitoimintoja, joiden avulla voit suorittaa taulukoille toimintoja, kuten summata niiden elementit, löytää minimi- tai maksimiarvon ja paljon muuta:

• summa: np.sum(oma_taulukko) – Laskee taulukon kaikkien elementtien summa.

• min: np.min(oma_taulukko) – Etsi taulukon vähimmäiselementti.

• max: np.max(oma_taulukko) – Etsi taulukon enimmäiselementti.

• keskiarvo : np.mean(oma_taulukko) – Laske taulukon arvojen keskiarvo.

• mediaani : np.mediaan(oma_taulukko) – Etsi taulukon arvojen mediaani.

2. Tilastofunktiot

NumPyssä on myös useita tilastollisia toimintoja, jotka auttavat sinua analysoimaan tietoja:

• std: np.std(oma_taulukko) – Laskee taulukon arvojen keskihajonnan.

• var: np.var(oma_taulukko) – Laskee taulukon arvojen varianssin.

• corrcoef : np.corrcoef(oma_taulukko) – Laske taulukon korrelaatiokerroin.

3. Haku

Haku NumPy-taulukoista voidaan tehdä useilla eri tavoilla:

• argmin: np.argmin(oma_taulukko) – Etsi taulukon vähimmäiselementin indeksi.

• argmax: np.argmax(oma_taulukko) – Etsi taulukon enimmäiselementin indeksi.

• jossa: np.where(ehto) – Palauttaa taulukon elementtien indeksit, jotka täyttävät annetun ehdon.

4. Lajittelu

Voit lajitella taulukon elementit seuraavilla funktioilla:

• sort : np.sort(oma_taulukko) – Lajittele taulukon elementit nousevaan järjestykseen.

• argsort: np.argsort(oma_taulukko) – Palauttaa indeksit, jotka lajittelevat taulukon.

Näiden toimintojen ja tekniikoiden avulla voit kätevästi analysoida ja käsitellä NumPy-taulukoitasi saadaksesi arvokkaita oivalluksia ja tukeaksesi data-analyysiäsi.

Lisätoiminnot

Tässä osiossa tutkimme joitain NumPyn edistyneitä toimintoja, jotka auttavat sinua työskentelemään tietojesi kanssa tehokkaammin. Käsittelemme lähetys- ja lineaarialgebran funktioita.

1. Lähetys

Broadcasting on tehokas NumPy-ominaisuus, jonka avulla voit suorittaa toimintoja erimuotoisille ja -kokoisille taulukoille. Se toimii automaattisesti laajentamalla pienemmän taulukon mitat vastaamaan suurempaa taulukkoa, mikä helpottaa elementtikohtaisten toimintojen suorittamista.

Tässä on esimerkki:

import numpy as np
A = np.array([1, 2, 3])
B = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

C = A + B

Tässä esimerkissä 1D-taulukko A lähetetään vastaamaan 2D-taulukon B muotoa, mikä mahdollistaa elementtikohtaisen lisäämisen.

Pidä nämä säännöt mielessä, kun työskentelet lähetyksen kanssa:

• Taulukon mittojen on oltava yhteensopivia (joko samankokoisia tai yksi niistä on 1).

• Lähetystä sovelletaan jälkimitoista ja se toimii kohti johtavia mittoja.

2. Lineaarinen algebra

NumPy tarjoaa useita lineaarisia algebrafunktioita, joista voi olla hyötyä työskennellessäsi moniulotteisten taulukoiden kanssa. Joitakin näistä toiminnoista ovat:

• np.dot(A, B): Laskee kahden taulukon pistetulon.

• np.linalg.inv(A) : Laskee neliömatriisin käänteisarvon.

• np.linalg.eig(A) : Laskee neliömatriisin ominaisarvot ja ominaisvektorit.

• np.linalg.solve(A, B): Ratkaisee lineaarisen yhtälöjärjestelmän, jossa A on kerroinmatriisi ja B on vakiomatriisi.

Muista aina tarkistaa, ovatko matriisit yhteensopivia ennen näiden toimintojen suorittamista.

Tulo ja lähtö

Tässä osiossa tutkimme, kuinka tallentaa ja ladata taulukoita sekä kuinka lukea ja kirjoittaa tiedostoja NumPyllä.

1. Taulukon tallentaminen ja lataaminen

Voit tallentaa taulukon NumPyn np.save()- funktiolla. Tämä funktio ottaa tiedostonimen ja taulukon kahdeksi pääargumentiksi.

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

np.save('my_array.npy', arr)

Lataa tallennettu taulukko käyttämällä funktiota np.load() ja anna tiedoston nimi argumenttina.

loaded_array = np.load('my_array.npy')

print(loaded_array)  
# Output: array([1, 2, 3])

Voit myös tallentaa ja ladata useita taulukoita np.save()- ja np.load()- funktioiden avulla.

2. Tekstitiedostojen lukeminen ja kirjoittaminen

NumPy tarjoaa toimintoja tekstitiedostojen lukemiseen ja kirjoittamiseen taulukoilla, kuten np.loadtxt() ja np.savetxt() . Voit käyttää näitä toimintoja tietojen tallentamiseen ja lataamiseen tiedostomuodoista, kuten txt- tai CSV-tiedostoista.

Jos haluat lukea tekstitiedoston taulukkoon, käytä funktiota np.loadtxt() . Se käyttää tiedostonimen pääargumenttina ja tukee myös valinnaisia ​​argumentteja erottimen, dtypen ja muiden määrittämiseen.

arr_from_txt = np.loadtxt('data.txt', delimiter=',')
print(arr_from_txt)

Voit lukea tietoja CSV-tiedostosta myös np.loadtxt()- funktiolla. Varmista kuitenkin, että erotin on aina asetettu pilkkuun " , ".

Jos haluat kirjoittaa taulukon tekstitiedostoon, käytä funktiota np.savetxt() . Tämä funktio ottaa tiedostonimen ja taulukon kahdeksi pääargumentiksi, joita seuraa valinnaiset argumentit, kuten erotin ja otsikko.

arr_to_txt = np.array([[1, 2, 3], [4, 5, 6]])
np.savetxt('output_data.txt', arr_to_txt, delimiter=',')

Näiden syöttö- ja tulostustoimintojen avulla voit työskennellä tehokkaasti taulukoiden ja tekstitiedostojen kanssa tietojenkäsittely- ja käsittelytehtävissäsi NumPyn avulla.

Lataa huijauslehti alta

Lopulliset ajatukset

No, se on kaikki mitä sinun tarvitsee tietää aloittaaksesi Numpy Python -kirjaston käytön! Voit myös käyttää Python Numpy -huijauslehteä kätevänä viitteenä työskennellessäsi kirjaston kanssa.

Lisäominaisuuksia varten voit tutustua NumPy-dokumentaatioon . Voit myös tutustua tähän hauskuuteen, jonka olemme laatineet sekä uusille että kokeneille kehittäjille.

Onnea!