Guia numpy para pessoas com pressa

Julia Kho Blocked Unblock Seguir Seguindo 31 de dezembro Foto de Chris Ried no Unsplash

A biblioteca NumPy é uma biblioteca Python importante para os cientistas de dados e é aquela com a qual você deve estar familiarizado. Matrizes Numpy são como listas de Python, mas muito melhor! É muito mais fácil manipular um array Numpy do que manipular uma lista do Python. Você pode usar um array Numpy no lugar de ter várias listas do Python. Matrizes Numpy também calculam mais rápido que listas e são extremamente eficientes para executar operações matemáticas e lógicas. É uma ferramenta poderosa para saber!

Este artigo serve como uma folha de dicas rápida que fornece uma visão geral dos conceitos básicos do Numpy, bem como métodos úteis. Examinarei como inicializar matrizes Numpy de várias maneiras, acessar valores dentro de matrizes, executar operações matemáticas e de matriz e usar matrizes para mascaramento, bem como comparações. Acho que os arrays Numpy são muito úteis para usar na solução de quebra-cabeças de codificação Python.

Vamos começar a diversão.

Numpy

Em primeiro lugar, você deve importar o Numpy com o seguinte código.

 import numpy como np 

Várias maneiras de criar matrizes Numpy

Ao contrário de uma lista, você não pode criar um array Numpy vazio. Abaixo estão várias maneiras de inicializar um array Numpy dependendo de suas necessidades.

Se você tem uma lista que gostaria de converter em um array Numpy, podemos convertê-la facilmente.

Acessando elementos em matriz

Podemos acessar um item individual ou uma fatia de dados. Semelhante a listas, o primeiro elemento é índice em 0. Por exemplo, array1 [0,0] indica que estamos acessando a primeira linha e a primeira coluna. O primeiro número na tupla [0,0] indica o índice da linha e o segundo número indica o índice da coluna.

Radiodifusão

“O termo broadcasting descreve como numpy trata matrizes com formas diferentes durante operações aritméticas.” – SciPy.org

A radiodifusão é uma maneira de obter o produto externo de duas matrizes.

De acordo com a documentação, “Ao operar em duas matrizes, o NumPy compara suas formas elementarmente. Duas dimensões são compatíveis quando

  1. eles são iguais ou
  2. um deles é 1

Se essas condições não forem atendidas, uma ValueError: frames are not aligned , indicando que as matrizes têm formas incompatíveis. ”

Para obter o produto externo com sucesso, usamos a reshape. Esse método altera a forma da matriz para que possamos torná-la compatível para operações Numpy.

Cálculos Matemáticos e Matrizes

Uma das razões pelas quais eu amo matrizes Numpy é que é super fácil de manipular. Concatene, adicione, multiplique, transponha com apenas uma linha de código!

Abaixo estão alguns exemplos de várias operações aritméticas e multiplicativas com os arrays Numpy. As operações não cobertas abaixo podem ser encontradas na documentação aqui .

Outros recursos interessantes incluem concatenar, dividir, transpor (trocar itens de linhas para colunas e vice-versa) e obter os elementos da diagonal.

Acima, axis = 0 informa ao computador que queremos concatenar por linhas. Se, em vez disso, quisermos concatenar por colunas, usamos axis = 1.

Comparações e máscaras

Uma coisa útil que podemos fazer com as matrizes Numpy é comparar uma matriz com outra. Uma matriz booleana é retornada na comparação.

Podemos usar essa matriz booleana a nosso favor. Ou seja, podemos fazer mascaramento booleano. Com essa matriz booleana como máscara, podemos usá-la para selecionar o subconjunto específico dos dados nos quais estamos interessados.

Além disso, temos uma variedade de outros operadores de comparação para comparar dois arrays, como == (igualdade) != (Não-igualdade), <= (menor que ou igual). Podemos até combinar duas declarações booleanas & (para “e” condições) ou | (para “ou” condições).