Установка и первое знакомство

Смотреть материал на YouTube | RuTube

Язык Python стал популярен благодаря своей богатой библиотеке. Я его воспринимаю как некоего начальника, который через свои команды раздает задачи подчиненным. Они выполняются и на выходе получается некий результат работы программы:

Из всех известных мне языков высокого уровня, этот, наверное, самый высокий, а потому, один из самых удобных в реализации алгоритмов. Но чтобы им успешно пользоваться нужно уметь раздавать приказы подчиненным. И в этой серии занятий мы познакомимся с еще одним исполнителем языка Python – пакетом NumPy.

Вообще, NumPy предназначен для выполнения научных вычислений и активно используется не только в качестве самостоятельной библиотеки учеными и преподавателями по всему миру, но и входит в состав многих других популярных пакетов. С одним из них – Keras, мы с вами недавно познакомились, когда изучали основы работы НС. И вы могли заметить, что вначале программ фигурировала строчка:

import numpy as np

Это, как раз, выполнение импорта того самого пакета NumPy.

Но почему он стал так популярен? Причин несколько. Самое главное, критичные по скорости вычисления фрагменты реализованы на языках Си и Фортран. Также он имеет довольно простой и продуманный синтаксис, а, значит, им легко пользоваться. Ну и, наконец, богатство возможностей этой библиотеки, начиная с базовых математических функций и заканчивая работой с полиномами, линейной алгеброй и многомерными матрицами (тензорами). Все это очень часто используется в инженерных задачах, отсюда и высокая популярность пакета.

Установка NumPy

Я думаю, вы прониклись уважением к этому пакету, и пришла пора прикоснуться к «святому граалю». В начале, как всегда, его нужно установить. Сделать это чрезвычайно просто, достаточно выполнить в терминале команду:

pip install numpy

Не удивляйтесь, если этот пакет у вас уже установлен, так как он входит в состав многих других библиотек. Проверить установку можно командой:

import numpy as np

Если такая программа выполняется без ошибок, то этот «святой грааль» уже присутствует на вашем устройстве и готов к истязаниям.

У вас здесь уже может возникнуть вопрос: почему импорт записан в таком виде? А не просто: import numpy? Можно и так, но тогда в программе все время придется использовать префикс numpy. Гораздо удобнее писать две буквы «np». Поэтому общепринятой практикой стало импортирование этого пакета именно в таком виде. Я буду следовать сложившейся традиции и делать также.

Фундаментальный элемент NumPy – массив (array)

Отлично, сложнейший этап установки и импорта пакета позади. Пришло время сделать первые шаги и вначале познакомиться с его фундаментальным элементом – однородным многомерным массивом. В NumPy элементы массива имеют единый тип данных. Их индексы описываются кортежем целых неотрицательных чисел. Размерность кортежа – это ранг массива (то есть, размерность массива), а каждое число в кортеже представляет свою отдельную ось:

Как создать массив в NumPy? Существует много способов, но базовый реализуется через функцию:

numpy.array(object, dtype=None, …)

Здесь в качестве первого параметра object может выступать список или кортеж, а также функция или объект, возвращающий список или кортеж. Второй параметр dtype – это тип элементов массива. Если указано значение None, то тип будет определяться автоматически на основе переданных данных. Подробнее об этой функции можно, как всегда, почитать на странице официальной документации:

https://numpy.org/doc/stable/reference/arrays.ndarray.html

Итак, в самом простом варианте можно создать одномерный массив так:

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

В результате получим объект типа array с элементами 1, 2, 3, 4:

array([1, 2, 3, 4])

Какой будет тип у этих элементов? Мы можем его посмотреть с помощью атрибута dtype, выполнив в консоли строчку:

a.dtype

Увидим:

dtype('int32')

То есть, автоматически был применен целочисленный тип размерностью 32 бит. Ну, хорошо, а что если попробовать создать массив с разными типами его элементов, например, так:

a = np.array([1, 2, "3", True])

В результате увидим, следующее содержимое:

array(['1', '2', '3', 'True'], dtype='<U11')

Все элементы стали строкового типа. Этот пример показывает, что в массивах NumPy используется единый тип данных его элементов: или все целочисленные, или строковые, или вещественные и так далее. Смешение типов в рамках одного массива не допускается.

Отлично, это мы сделали. Как теперь можно обращаться к отдельным элементам массива? Для этого используется общий синтаксис:

<имя массива>[<кортеж индексов>]

Например, для нашего одномерного случая, мы можем взять первый элемент из массива a, следующим образом:

a[0]

Увидим значение ‘1’. Обратите внимание, первый элемент имеет индекс 0, а не 1. Единица – это уже второй элемент:

a[1] # возвращает 2-й элемент со значением ‘2’

Для изменения значения элемента, достаточно присвоить ему новое значение, например:

a[1] = '123'

в результате получим массив:

array(['1', '123', '3', 'True'], dtype='<U11')

А что будет, если мы попробуем присвоить значение другого типа данных, например, число:

a[1] = 234

Ошибки не будет, а значение автоматически будет преобразовано в строку:

array(['1', '234', '3', 'True'], dtype='<U11')

Разработчики пакета NumPy постарались сделать его максимально дружественным, чтобы инженер сосредотачивался именно на решении задачи, а не на нюансах программирования. Поэтому везде, там где это допустимо, пакет NumPy берет на себя разрешение подобных нюансов. И, как показала практика, это очень удобно и заметно облегчает жизнь нам, простым смертным.

Минутка восхищения или что такого в массивах NumPy

Но, все-таки, что такого в массивах NumPy, что они повсеместно используются в разных библиотеках? Давайте я приведу несколько примеров, и вы сами все увидите.

Предположим, мы определили одномерный массив с числами от 1 до 9:

a = np.array([1,2,3,4,5,6,7,8,9])

Мы уже знаем как взять один отдельный элемент, но что будет, если прописать индексы для всех 9 элементов:

a[ [1,1,1,1,1,1,1,1,1] ]

На выходе увидим одномерный массив из двоек:

array([2, 2, 2, 2, 2, 2, 2, 2, 2])

Или, так:

a[ [1,1,1,1,1] ]

тогда получим аналогичный массив, но размерностью 5 элементов:

array([2, 2, 2, 2, 2])

Как видите, индексирование здесь более гибкое, чем у обычных списков Python. Или, вот еще один характерный пример:

a[ [True, True, False, False, False, False, True, True, True] ]

Результат будет следующим:

array([1, 2, 7, 8, 9])

То есть, остаются элементы со значениями True и отбрасываются со значениями False. Обо всем этом мы еще будем подробно говорить.

Еще один пример. Предположим, нам понадобилось представить одномерный массив a в виде матрицы 3х3. Нет ничего проще, меняем его размерность:

b = a.reshape(3, 3)

и получаем заветный результат:

array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])

Далее, можем обращаться к элементам матрицы b так:

b[1][2]

или так:

b[1, 2]

В обоих случаях будет взят один и тот же элемент со значением 6.

Все это лишь мимолетный взгляд на возможности пакета NumPy. Я здесь лишь хотел показать, насколько сильно отличаются массивы array от списков языка Python, и если вы хотите овладеть этим инструментом, то эта серия занятий для вас.

Установка и первое знакомство

Установка NumPy

Фундаментальный элемент NumPy – массив (array)

Минутка восхищения или что такого в массивах NumPy

Видео по теме