Dátumtáblázat létrehozása a LuckyTemplates alkalmazásban
Tudja meg, miért fontos egy dedikált dátumtáblázat a LuckyTemplatesben, és ismerje meg ennek leggyorsabb és leghatékonyabb módját.
Pythonnal dolgozó adattudósként valószínűleg találkozott a NumPy könyvtárral . Ez a tudományos számítástechnika egyik alapcsomagja Magyarországon.
A többdimenziós tömbök nagy teljesítményű műveleteinek végrehajtására való képességével a NumPy alapvető eszköz mindazok számára, akik az adattudományban vagy a Python numerikus számítástechnikában merülnek fel.
A NumPy csalólap kiváló forrás lehet a Python-könyvtárba való utazáshoz. Egy átfogó csalólap segít eligazodni a NumPy funkciói között, és gyorsan járatossá válik a különféle feladatokhoz való használatában!
Ne feledje továbbá, hogy a NumPy olyan fontos könyvtárak középpontjában áll, mint a Pandas, a SciPy, a sci-kit-learn és más Python-csomagok.
Ha elsajátítja az alapokat a Python NumPy segítségével, akkor jobban felkészült lesz ezekkel a könyvtárakkal. Az összetett adatstruktúrák és számítások kezelésében is fejlesztheti készségeit.
Ön régi iskolába jár (mint mi), és szeretné letölteni és esetleg kinyomtatni a csalólapot?
Ehhez görgessen lefelé.
Tartalomjegyzék
NumPy alapjai
Ebben a részben a NumPy alapjait ismertetjük, különös tekintettel a NumPy telepítésére, a tömb létrehozására, a tömb attribútumaira és az adattípusokra. Ezek a koncepciók szilárd alapot biztosítanak a NumPy megértéséhez és hatékony felhasználásához a Python adattudományi projektekben.
1. A NumPy telepítése és importálása
A NumPy-t a parancssorból telepítheti az alábbi paranccsal:
pip install numpy
Miután telepítette, importálja a kódjába.
import numpy as np
Ne feledje, hogy az np- n kívül bármilyen más nevet is használhat . Az np azonban a legtöbb fejlesztő és adatkutató által használt szabványos NumPy importálási konvenció.
2. Tömb létrehozása
A NumPy-ban tömbök létrehozása egyszerű és egyértelmű. Létrehozhat tömböket listákból vagy sorokból a numpy.array() függvény segítségével:
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
Különböző függvények segítségével speciális alakzatokból és értékekből álló tömböket is létrehozhat:
np.zeros() : Nullákkal kitöltött tömböt hoz létre
np.ones() : Egyesekkel kitöltött tömböt hoz létre
np.identity() : Identitásmátrix tömböt hoz létre.
np.empty() : Létrehoz egy tömböt anélkül, hogy elemeit bármilyen értékre inicializálná
np.arange() : Létrehoz egy tömböt szabályos térközökkel a kezdő és végérték között
np.linspace() : Létrehoz egy tömböt meghatározott számú egyenlő távolságra elosztott értékkel a kezdő és végérték között
Megjegyzés: Nem hozhat létre üres tömböt a NumPy-ban. Minden NumPy tömbnek fix, megváltoztathatatlan mérete van, és a tömb minden elemét ki kell tölteni a tömb létrehozásakor.
Az np.empty() függvény létrehozza a szükséges tömb alakzatot, és kitölti azt véletlenszerű értékekkel. Az alapértelmezett módszer véletlenszerű lebegtetések tömbjét hozza létre.
Létrehozhat egy másik tömb adattípust a dtype paraméterrel.
3. Tömb attribútumok
A NumPy tömbök számos attribútumot tartalmaznak, amelyek hasznos információkat nyújtanak a tömbről. Nézzünk ezek közül néhányat:
ndarray.shape: A tömb méreteit sorként adja vissza (sorok, oszlopok)
ndarray.ndim: A tömb dimenzióinak számát adja vissza
ndarray.size: A tömb elemeinek teljes számát adja vissza
ndarray.dtype: A tömbelemek adattípusát adja vissza
Az attribútumok eléréséhez használja a pontjelölést, például:
a = np.array([(1, 2, 3), (4, 5, 6)])
#Print out the array shape
print(a.shape) # Output: (2, 3)
4. Adattípusok
A NumPy számos adattípust biztosít az adatok tömbökben való tárolására, például egész szám, karakterlánc, float, logikai és összetett. Alapértelmezés szerint a NumPy a bemeneti elemek alapján megpróbálja kikövetkeztetni az adattípust.
Az adattípust azonban kifejezetten megadhatja a dtype kulcsszó használatával is. Például:
import numpy as np
a = np.array([1, 2, 3], dtype=float) # Creates an array of floats
A leggyakoribb NumPy adattípusok a következők:
np.int32 : 32 bites egész szám
np.int64: 64 bites egész szám
np.float32: 32 bites lebegőpontos szám
np.float64: 64 bites lebegőpontos szám
np.complex: Komplex szám, amelyet két 64 bites lebegőpontos szám képvisel
Tömböket is konvertálhat egyik adattípusból a másikba. Ebben a példában az alábbi módon alakíthatjuk át az a egész tömböt logikai tömbvé az np.array () metódus használatával .
A példából láthatjuk, hogy az array() metódus a tömbelemeket logikai értékekké alakítja. Ezek a logikai értékek alkotják az új NumPy tömböt.
A NumPy ezen alapvető fogalmainak megértése lehetővé teszi, hogy hatékonyan dolgozzon és hajtson végre számos matematikai NumPy-műveletet. Például megnézheti videónkat a címek átalakításáról és kódolásáról a Pythonban.
Ebben Python Pandas és NumPy adattípusokat használtunk az otthoni címek geokódolásához.
Array Manipulation
Ebben a részben megismerheti a NumPy különböző tömb alakzat-manipulációs technikáit. Beszélni fogunk az újraformázásról, összefűzésről, másolásról, felosztásról, elemek hozzáadása/eltávolítása, indexelés és szeletelés.
Ezek a technikák kulcsfontosságúak a tömbadatokkal való hatékony munkavégzéshez az adattudományi projektekben.
Merüljünk el az egyes alszakaszokban.
1. Átformálás
Egy tömb átalakítása a NumPy-ban gyakori feladat, amelyet el kell végeznie. Előfordulhat, hogy módosítania kell a tömb alakját, hogy megfeleljen egy függvény vagy algoritmus követelményeinek.
Egy tömb átformázásához használja a reshape() függvényt:
arr = np.array([1, 2, 3, 4, 5, 6])
new_arr = arr.reshape(2, 3)
Ezzel az egydimenziós tömböt 2 sorból és 3 oszlopból álló kétdimenziós tömbbé alakítja.
Megjegyzés: Győződjön meg arról, hogy a megadott új alakzat mérete (tömbelemeinek száma) megegyezik az eredeti tömbével.
2. Másolás
Az egyik NumPy tömb elemeit a copy() metódussal átmásolhatja egy másikba . Megjegyzendő, hogy az '=' hozzárendelési operátor használata sekély másolatot hoz létre.
#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]
Az új tömb csak a régi tömbre hivatkozik a rendszer memóriájában. Ugyanazokat az elemeket tartalmazzák, és nem függetlenek egymástól.
A mélymásolat használatával egy új NumPy tömböt hoz létre, amely ugyanazokat az adatokat tartalmazza, mint a régi, miközben független attól.
#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. Összefűzés
Alkalmanként előfordulhat, hogy két tömböt egyetlen tömbbé kell egyesíteni. A NumPy-ban a concatenate() függvény segítségével tömböket kapcsolhat össze egy meglévő tengely mentén:
import numpy as np
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
result = np.concatenate((arr1, arr2))
Ez egyesíti az arr1-et és az arr2-t egyetlen tömbbe. Ne feledje, hogy az összefűzendő tömböknek azonos alakúaknak kell lenniük, kivéve a megadott tengely mentén.
4. Hasítás
A felosztás az összefűzés ellentéte. Egy tömböt kisebb altömbökre oszthat a split() függvény segítségével:
arr = np.array([1, 2, 3, 4, 5, 6])
result = np.split(arr, 3)
Ez felosztja a tömböt 3 egyenlő méretű altömbre. Győződjön meg arról, hogy az Ön által megadott felosztások száma egyenletesen tudja osztani a tömb méretét az adott tengely mentén.
5. Elemek hozzáadása/eltávolítása
A NumPy tömb elemeinek hozzáadása vagy eltávolítása az append() és delete() függvényekkel érhető el . Az előbbivel értékeket fűzhet a tömb végéhez, míg az utóbbi törli az elemet egy megadott indexen.
Íme egy példa:
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
Ne feledje, hogy a NumPy tömbök fix méretűek. Az append() vagy delete() használatakor új tömb jön létre, és az eredeti nem módosul.
6. Indexelés
A NumPy tömbökön ugyanúgy végezhet indexelési műveleteket, mint a Python listákon vagy sorokban. Nézzük meg, hogyan érhetjük el vagy módosíthatjuk a tömbelemeket egy adott tömbben.
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. Szeletelés
A NumPy tömböket szeletelve is kivonhatja vagy megtekintheti az adatok egy részét, ugyanúgy, mint a Pythonnál. Nézzünk egy példát az alábbiakban:
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]
Megjegyzés: A szeletelés egy sekély másolatot hoz létre, amely továbbra is a fő tömbre hivatkozik. Tehát a szeletelt adatokon végrehajtott bármilyen módosítás a fő tömbre vonatkozik, és fordítva.
Ennek elkerülésére használhatja a copy() metódust mély, független másolat létrehozásához.
Elemi funkciók
Ebben a részben megismerheti a NumPy különböző elemi funkcióit, amelyek megkönnyítik az adatelemzési feladatokat. Kitérünk az aritmetikai műveletekre, a trigonometriára, valamint a kitevőkre és a logaritmusokra.
1. Aritmetikai műveletek
A NumPy különféle matematikai műveleteket kínál a tömbökön, amelyek egyszerűvé és hatékonysá teszik a munkát. tömb matematika vektor matematika
Néhány művelet a következő:
Kiegészítés: numpy.add(x1, x2)
Kivonás: numpy.subtract(x1, x2)
Szorzás: numpy.multiply(x1, x2)
Felosztás: numpy.divide(x1, x2)
Modulus: numpy.mod(x1, x2)
Teljesítmény: numpy.power (x1, x2)
Négyzetgyök: numpy.sqrt(x)
Megjegyzés: E műveletek használatakor a két tömbnek azonos alakúnak kell lennie. Ha nem, akkor hibákba ütközik.
Egyes tömbök esetében van kivétel a NumPy szolgáltatásnak, az úgynevezett broadcastingnek köszönhetően. Ezzel egy későbbi részben foglalkozunk.
Ezeket a műveleteket elemenként hajthatja végre a tömbökön, ami rendkívül hatékonyvá teszi őket a nagyméretű adatkezeléshez.
2. Trigonometria
A trigonometrikus függvények jelentős szerepet játszanak a különböző matematikai és tudományos számításokban. A NumPy a trigonometrikus funkciók széles skáláját kínálja.
Néhány alapvető funkció a következő:
Szinusz : numpy.sin(x)
Koszinusz: numpy.cos(x)
Érintő: numpy.tan(x)
Arcsine: numpy.arcsin(x)
Arccosine: numpy.arccos(x)
Arktangens : numpy.arctan(x)
Ezek a funkciók zökkenőmentesen működnek a tömbökkel, így könnyebben végezhet vektoros számításokat nagy adatkészleteken.
3. Kitevők és logaritmusok
A kitevők és a logaritmusok kulcsfontosságúak különféle numerikus műveleteknél. A NumPy a kitevők és logaritmusok kezelésére szolgáló függvények kiterjedt gyűjteményét kínálja.
Néhány elsődleges funkció:
Exponenciális : numpy.exp(x)
Logaritmus(e bázis): numpy.log(x)
Logaritmus (10. bázis): numpy.log10(x)
Logaritmus(2. bázis): numpy.log2(x)
Ezekkel a függvényekkel gyorsan végrehajthat összetett matematikai műveleteket a tömb minden elemén. Ezzel elérhetőbbé és hatékonyabbá teszi az adatelemzési feladatokat.
Tömbelemzés
Ebben a részben a NumPy tömbök és tömbelemek elemzésére szolgáló különféle technikákat tárgyaljuk. Néhány kulcsfontosságú funkció, amellyel foglalkozni fogunk, az összesítő függvények, a statisztikai függvények, a keresés és a rendezés.
1. Összesített függvények
A NumPy számos aggregált függvényt biztosít, amelyek lehetővé teszik a tömbökön végzett műveletek végrehajtását, például az összes elem összegzését, a minimális vagy maximális érték megtalálását és egyebeket:
sum: np.sum(a_tömb) – Számítsa ki a tömb összes elemének összegét.
min: np.min(a_tömb) – Keresse meg a minimális tömbelemet.
max: np.max(a_tömb) – A tömb maximális elemének megkeresése.
mean : np.mean(your_array) – Számítsa ki a tömbben lévő értékek átlagát.
medián : np.median(your_array) – Keresse meg a tömbben lévő értékek mediánját.
2. Statisztikai függvények
A NumPy számos statisztikai funkcióval is rendelkezik, amelyek segítenek az adatok elemzésében:
std: np.std(a_tömb) – Számítsa ki a tömbben lévő értékek szórását.
var: np.var(a_tömb) – A tömbben lévő értékek szórásának kiszámítása.
corrcoef : np.corrcoef(your_array) – A tömb korrelációs együtthatójának kiszámítása.
3. Keresés
A NumPy tömbökben való keresést többféle módszerrel lehet végrehajtani:
argmin: np.argmin(your_array) – Keresse meg a minimális tömbelem indexét.
argmax: np.argmax(your_array) – Keresse meg a maximális tömbelem indexét.
ahol: np.hol(feltétel) – A tömb azon elemeinek indexeit adja vissza, amelyek teljesítik az adott feltételt.
4. Rendezés
A tömb elemeit a következő függvényekkel rendezheti:
sort : np.sort(your_array) – A tömb elemeinek rendezése növekvő sorrendben.
argsort: np.argsort(your_array) – A tömböt rendező indexeket adja vissza.
Ezekkel a funkciókkal és technikákkal kényelmesen elemezheti és manipulálhatja NumPy tömbjeit, hogy értékes ismereteket tárjon fel, és támogassa adatelemzési erőfeszítéseit.
Speciális funkciók
Ebben a részben a NumPy néhány speciális funkcióját fogjuk megvizsgálni, amelyek segítségével hatékonyabban dolgozhat az adatokkal. Kitérünk a Broadcasting és a Lineáris Algebra függvényekre.
1. Műsorszórás
A Broadcasting egy hatékony NumPy funkció, amely lehetővé teszi különböző formájú és méretű tömbök műveleteinek végrehajtását. Úgy működik, hogy automatikusan kibővíti a kisebb tömb méreteit, hogy megfeleljen a nagyobb tömbnek, megkönnyítve az elemenkénti műveletek végrehajtását.
Íme egy példa:
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
Ebben a példában az A 1D tömb a B 2D tömb alakjához igazodik, lehetővé téve az elemenkénti összeadást.
Tartsa szem előtt az alábbi szabályokat, amikor a műsorszórással dolgozik:
A tömbök méretének kompatibilisnek kell lennie (vagy azonos méretű, vagy az egyik 1-es).
A műsorszórás a záródimenziókból történik, és a vezető méretek felé halad.
2. Lineáris algebra
A NumPy számos lineáris algebrai függvényt biztosít, amelyek hasznosak lehetnek többdimenziós tömbökkel végzett munka során. Néhány ilyen funkció a következőket tartalmazza:
np.dot(A, B): Kiszámítja két tömb pontszorzatát.
np.linalg.inv(A) : Kiszámítja egy négyzetmátrix inverzét.
np.linalg.eig(A) : Kiszámítja egy négyzetmátrix sajátértékeit és sajátvektorait.
np.linalg.solve(A, B): Egy lineáris egyenletrendszert old meg, ahol A az együttható mátrix és B a konstans mátrix.
Ne felejtse el mindig ellenőrizni, hogy a mátrixok kompatibilisek-e, mielőtt végrehajtaná ezeket a műveleteket.
Bemenet és kimenet
Ebben a részben megvizsgáljuk, hogyan lehet tömböket menteni és betölteni, valamint hogyan lehet fájlokat olvasni és írni a NumPy használatával.
1. Tömbök mentése és betöltése
Egy tömb mentéséhez használhatja a NumPy np.save() függvényét. Ez a függvény két fő argumentumaként a fájlnevet és a tömböt veszi fel.
import numpy as np
arr = np.array([1, 2, 3])
np.save('my_array.npy', arr)
A mentett tömb betöltéséhez használja az np.load() függvényt, és adja meg a fájlnevet argumentumként.
loaded_array = np.load('my_array.npy')
print(loaded_array)
# Output: array([1, 2, 3])
Több tömböt is menthet és tölthet be az np.save() és np.load() függvényekkel.
2. Szövegfájlok olvasása és írása
A NumPy funkciókat biztosít szöveges fájlok olvasásához és írásához tömbökkel, például np.loadtxt() és np.savetxt() . Ezekkel a funkciókkal fájlformátumokból, például txt- vagy CSV-fájlból mentheti és töltheti be az adatokat.
Szövegfájl tömbbe olvasásához használja az np.loadtxt() függvényt. A fájlnevet veszi fő argumentumnak, és támogatja az opcionális argumentumokat is a határoló, dtype és egyebek megadásához.
arr_from_txt = np.loadtxt('data.txt', delimiter=',')
print(arr_from_txt)
Az adatok CSV-fájlból való olvasásához használhatja az np.loadtxt() függvényt is. Ügyeljen azonban arra, hogy az elválasztójel mindig vessző legyen, „ , “.
Tömb szövegfájlba írásához használja az np.savetxt() függvényt. Ez a függvény két fő argumentumaként a fájlnevet és a tömböt veszi fel, amelyet az opcionális argumentumok követnek, mint például a határoló és a fejléc.
arr_to_txt = np.array([[1, 2, 3], [4, 5, 6]])
np.savetxt('output_data.txt', arr_to_txt, delimiter=',')
Ezek a bemeneti és kimeneti funkciók lehetővé teszik, hogy hatékonyan dolgozzon tömbökkel és szöveges fájlokkal az adatfeldolgozási és -manipulációs feladatok során a NumPy használatával.
Töltse le csalólapját alább
Végső gondolatok
Nos, ez minden, amit tudnod kell a Numpy Python könyvtár használatának megkezdéséhez! A Python Numpy csalólapot praktikus hivatkozásként is használhatja a könyvtárral való munka során.
A fejlettebb funkciókért tekintse meg a NumPy dokumentációját . Megnézheti ezt a szórakozást is, amelyet új és tapasztalt fejlesztők számára készítettünk.
Sok szerencsét!
Tudja meg, miért fontos egy dedikált dátumtáblázat a LuckyTemplatesben, és ismerje meg ennek leggyorsabb és leghatékonyabb módját.
Ez a rövid oktatóanyag kiemeli a LuckyTemplates mobil jelentési funkcióját. Megmutatom, hogyan készíthet hatékony jelentéseket mobileszközökön.
Ebben a LuckyTemplates bemutatóban olyan jelentéseket tekintünk át, amelyek professzionális szolgáltatáselemzést mutatnak be egy olyan cégtől, amely több szerződéssel és ügyfél-elkötelezettséggel rendelkezik.
Tekintse át a Power Apps és a Power Automate legfontosabb frissítéseit, valamint azok előnyeit és következményeit a Microsoft Power Platform számára.
Fedezzen fel néhány gyakori SQL-függvényt, amelyeket használhatunk, például a karakterláncot, a dátumot és néhány speciális függvényt az adatok feldolgozásához vagy manipulálásához.
Ebből az oktatóanyagból megtudhatja, hogyan hozhatja létre a tökéletes LuckyTemplates sablont, amely az Ön igényeinek és preferenciáinak megfelelően van konfigurálva.
Ebben a blogban bemutatjuk, hogyan lehet a mezőparamétereket kis többszörösekkel rétegezni, hogy hihetetlenül hasznos betekintést és látványelemeket hozzon létre.
Ebből a blogból megtudhatja, hogyan használhatja a LuckyTemplates rangsorolási és egyéni csoportosítási funkcióit a mintaadatok szegmentálására és kritériumok szerinti rangsorolására.
Ebben az oktatóanyagban egy konkrét technikát fogok bemutatni, hogyan jelenítheti meg a kumulatív összeget csak egy adott dátumig a LuckyTemplates vizualizációjában.
Ismerje meg, hogyan hozhat létre és testreszabhat Bullet diagramokat a LuckyTemplates alkalmazásban, amelyeket főként a teljesítmény mérésére használnak a célhoz vagy az előző évekhez képest.