Python: la libreria Numpy

Vuoi imparare Python in………123 minuti?

NumPy: Informazioni di Base

NumPy è una libreria fondamentale su cui si basa la maggior parte delle librerie di elaborazione dati Python ampiamente utilizzate ( pandas , OpenCV ), ispirate da ( PyTorch ) o con cui è possibile condividere dati in modo efficiente ( TensorFlow , Keras , ecc.).
Il concetto centrale di NumPy è un array n-dimensionale. Il bello è che la maggior parte delle operazioni ha lo stesso aspetto, indipendentemente dalle dimensioni di un array. Ma i casi 1D e 2D sono un po’ speciali. Lo vedremo più avanti….

Dunque Numpy è un’estensione che aggiunge supporto per vettori e matrici multidimensionali.
Fornisce:

• Funzioni matematiche di alto livello con cui operare (algebra lineare, trasformate di Fourier etc.).
• Array multi-dimensionali (ndarray).
• E’ scaricabile dal sito: https://numpy.org/
• Documentazione ufficiale https://numpy.org/doc/stable/
• Source code https://github.com/numpy/numpy

Caratteristiche principali

• Indicizzazione flessibile e manipolazione di dati arbitrari multidimensionali.
• Molte routine numeriche (algebra lineare, analisi di Fourier, ottimizzazione globale, etc.) utilizzando una varietà di algoritmi;
• Supporto per generazione di numeri casuali da un gran numero di distribuzioni
• Interfaccia python per un gran numero di librerie sottostanti, contengono implementazioni efficienti di algoritmi numerici.

Come Importare il modulo Numpy

Esistono sottomoduli specifici che vanno importati in questo modo (per esempio, il modulo per l’algebra lineare linalg):

La classe array ndarray

• I concetti incontrati in analisi e algebra possono essere implementati come array: i vettori sono array 1D, le matrici sono array 2D.
• Dato un array, la sua dimensionalità e forma può essere ispezionata utilizzando gli attributi: shape, ndim e dtype:

Array

• Gli array in NumPy sono omogenei. A differenza delle liste di Python, tutti gli elementi sono dello stesso tipo (dtype).
• Gestiscono operazioni con dati di elevate dimensioni.
• Fornisce metodi di accesso, trasformazione, iterazione e inizializzazione di grande efficienza. Generalmente sono più efficienti delle liste convenzionali.
• Si può creare un array direttamente da una lista o da una tupla.

Array monodimensionali

Creazione di array

e ancora:

Array: le funzioni di base

Creare array di varie forme

Creare array da zero può essere utile per inizializzazioni varie:

Creare un array contenente 0: np.zeros()

Creare un array contenente 1: np.ones()

Per creare una matrice diagonale, utilizzate i metodi diag() e ones():

L’analogo di range() in Numpy è np.arange() (molto più potente)

In particolare:

Il metodo linspace() ci permette di definire un array composto da una serie di N elementi numerici equidistribuiti tra due estremi:

linspace(start, stop, n)

[elementor-template id=”12586″]

[no_toc]

(754)

PubblicitàPubblicità