Содержание

Объект многомерных массивов ndarray
      Создание массива
      Арифметические операции с массивами NumPy
      Основы индексирования и срезы
      Логическое (Boolean) индексирование
      Необычное индексирование
      Транспонирование массивов и замена осей
Универсальные функции: быстрые поэлементные функции от массивов
Программирование с использованием массивов
      Выражение условной логики в операциях с массивами
      Математические и статистические методы
      Методы для булевых массивов
      Сортировка
      Основные операции над множествами для массивов
Чтение и запись в/из файлы массивов
Линейная алгебра
Генерация псевдослучайных числел
Пример: Случайное блуждание
Упражнения
      Матрица из нулей и единиц
      Моделирование нескольких случайных блужданий за раз

Рассматривается библиотека NumPy. NumPy (сокращение от Numerical Python) предоставляет эффективный интерфейс для хранения и работы с данными. В какой-то степени массивы NumPy аналогичны спискам Python, но массивы NumPy обеспечивают гораздо более эффективное хранение и операции с данными при увеличении массивов в размере. Если NumPy установлен его можно импортировать следующей командой:

import numpy

Большинство людей в мире научного Python импортируют NumPy, используя np в качестве псевдонима:

import numpy as np

In [1]: np.<TAB>

In [2]: np?

Одна из причин того, почему NumPy настолько важен для численных расчетов в Python, заключается в том, что он разработан, как уже упоминалось выше, для более эффективной работы с большими массивами данных, а именно:

• NumPy хранит данные в непрерывных блоках памяти, независимо от других встроенных объектов Python. Библиотека алгоритмов NumPy, написанная на языке C, может работать на этой памяти без проверки типов или других накладных расходов. Массивы NumPy также используют намного меньше памяти, чем встроенные объекты Python.
• Операции NumPy выполняют сложные вычисления над всем массивом без использования цикла for.

In [1]: import numpy as np

In [2]: my_arr = np.arange(1000000)

In [3]: my_list = list(range(1000000))

In [4]: %%time for _ in range(10): my_arr2 = my_arr*2
CPU times: user 18 ms, sys: 26.4 ms, total: 44.4 ms
Wall time: 86.1 ms

In [5]: %%time for _ in range(10): my_list2 = [x * 2 for x in my_list]
CPU times: user 544 ms, sys: 105 ms, total: 650 ms
Wall time: 655 ms

• Next →