Przewodnik po Python Numpy dla analizy danych

Dlaczego NumPy?

Tablice NumPy, znane jako obiekty ndarray, stanowią serce tej biblioteki. W przeciwieństwie do list w Pythonie, typ danych tablic NumPy pozwala na bardziej wydajne przetwarzanie dużych tablic danych pod względem pamięci i wydajności. Ta wydajność wynika z możliwości NumPy do przechowywania danych w ciągłych blokach pamięci, co pozwala na szybki dostęp i operacje na danych bazowych.

NumPy jest często używane w połączeniu z innymi bibliotekami, takimi jak SciPy i Matplotlib, w celu stworzenia kompleksowego środowiska do obliczeń naukowych i wizualizacji danych.

Instalacja

pip install numpy

pip install numpy

NumPy jest kompatybilny z różnymi systemami operacyjnymi, w tym Windows, macOS i Linux, co sprawia, że jest wszechstronny w różnych środowiskach programistycznych.

Poniższy kod służy do importowania biblioteki numpy:

import numpy as np

import numpy as np

Tworzenie tablic

Jedną z najbardziej podstawowych operacji w NumPy jest tworzenie tablic. Można tworzyć tablice różnych typów danych, w tym liczb całkowitych, zmiennoprzecinkowych i ciągów znaków. Oto przykład tworzenia tablicy jednowymiarowej:

import numpy as np

# Creating a one-dimensional NumPy array
one_dimensional_array = np.array([1, 2, 3])

import numpy as np

# Creating a one-dimensional NumPy array
one_dimensional_array = np.array([1, 2, 3])

NumPy udostępnia funkcje takie jak numpy.zeros i numpy.ones do tworzenia tablic wypełnionych odpowiednio zerami lub jedynkami.

Praca z wieloma tablicami

NumPy ułatwia operacje na wielu tablicach, zarówno tego samego typu, jak i różnych typów danych. Operacje mogą być wykonywane na poszczególnych elementach, co czyni go potężnym narzędziem statystycznym. Broadcasting to potężna funkcja w NumPy, która umożliwia operacje między tablicami o różnych kształtach i rozmiarach.

import numpy as np

# Creating two NumPy arrays
array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])

# Element-wise addition
result_addition = array1 + array2

# Element-wise multiplication
result_multiplication = array1 * array2

# Displaying the results
print("Array 1:", array1)
print("Array 2:", array2)
print("Element-wise Addition:", result_addition)
print("Element-wise Multiplication:", result_multiplication)

import numpy as np

# Creating two NumPy arrays
array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])

# Element-wise addition
result_addition = array1 + array2

# Element-wise multiplication
result_multiplication = array1 * array2

# Displaying the results
print("Array 1:", array1)
print("Array 2:", array2)
print("Element-wise Addition:", result_addition)
print("Element-wise Multiplication:", result_multiplication)

W tym przykładzie array1 i array2 to dwie tablice NumPy, a kod wykonuje dodawanie i mnożenie elementów tych tablic, tworząc result_addition i result_multiplication. Wynik będzie zawierał oryginalne tablice oraz wyniki odpowiednich operacji.

Typy danych w NumPy

NumPy obsługuje szeroki zakres typów danych, co pozwala wybrać najbardziej odpowiedni typ danych w celu optymalizacji wykorzystania pamięci. Od liczb całkowitych po liczby zmiennoprzecinkowe i ciągi znaków — masz swobodę pracy z różnymi typami danych.

Typy danych NumPy obejmują liczby zespolone i typy danych zdefiniowane przez użytkownika, zapewniając szeroki zakres możliwości dla różnych zastosowań naukowych.

Aplikacje do uczenia maszynowego

W dziedzinie uczenia maszynowego operacje na tablicach w NumPy są nieocenione. Można dzięki niej efektywniej wykonywać zadania, takie jak mnożenie i transpozycja macierzy, co czyni ją biblioteką pierwszego wyboru dla algorytmów uczenia maszynowego.

NumPy jest często używane w połączeniu z frameworkami uczenia maszynowego, takimi jak TensorFlow i PyTorch, do tworzenia i uczenia sieci neuronowych.

Generowanie liczb losowych

Generowanie liczb losowych ma kluczowe znaczenie w obliczeniach naukowych i uczeniu maszynowym. NumPy udostępnia różne metody tworzenia tablic liczb losowych, co jest pomocne w zadaniach takich jak inicjalizacja wag w sieciach neuronowych.

Moduł random biblioteki NumPy zawiera funkcje do generowania losowych liczb całkowitych, pobierania próbek z rozkładów prawdopodobieństwa oraz przetasowywania tablic.

Indeksowanie i wycinanie tablic

Często wymagany jest dostęp do elementów tablicy i ich modyfikacja. NumPy zapewnia elastyczny sposób dostępu do elementów tablicy przy użyciu metod indeksowania i wycinania.

Funkcja wycinania tablic w NumPy pozwala na wydajną manipulację dużymi zbiorami danych bez zbędnego kopiowania danych.

Integracja z NumPy

Integracja IronPDF z NumPy w języku Python może być szczególnie przydatna w sytuacjach, w których wyniki analizy danych lub obliczeń naukowych muszą zostać udokumentowane lub udostępnione w formacie PDF. Na przykład po wykonaniu złożonych obliczeń lub wizualizacji danych za pomocą NumPy wyniki można sformatować do postaci HTML lub innych obsługiwanych formatów, a następnie przekonwertować do formatu PDF w celu dystrybucji za pomocą IronPDF. Ta integracja może znacznie usprawnić przepływ pracy w projektach z zakresu obliczeń naukowych i analizy danych, zapewniając płynne przejście od przetwarzania danych do generowania dokumentów.

import numpy as np
from ironpdf import *

# Create a NumPy array
data = np.random.rand(10, 3)

# Generate some statistical data
mean_data = np.mean(data, axis=0)
max_data = np.max(data, axis=0)
min_data = np.min(data, axis=0)

# Convert statistical data to HTML format
html_content = f"""
<h1>Statistical Summary</h1>
<p>Mean: {mean_data}</p>
<p>Max: {max_data}</p>
<p>Min: {min_data}</p>
"""
# Using IronPDF to convert HTML to PDF
renderer = ChromePdfRenderer()
pdf = renderer.RenderHtmlAsPdf(html_content)
pdf.SaveAs("numpy_data_summary.pdf")

import numpy as np
from ironpdf import *

# Create a NumPy array
data = np.random.rand(10, 3)

# Generate some statistical data
mean_data = np.mean(data, axis=0)
max_data = np.max(data, axis=0)
min_data = np.min(data, axis=0)

# Convert statistical data to HTML format
html_content = f"""
<h1>Statistical Summary</h1>
<p>Mean: {mean_data}</p>
<p>Max: {max_data}</p>
<p>Min: {min_data}</p>
"""
# Using IronPDF to convert HTML to PDF
renderer = ChromePdfRenderer()
pdf = renderer.RenderHtmlAsPdf(html_content)
pdf.SaveAs("numpy_data_summary.pdf")

Silnik renderujący IronPDF oparty na przeglądarce Chrome zapewnia wysoką jakość i spójność renderowania treści HTML do dokumentów PDF.