Maîtriser NumPy : un guide complet des opérations de tableau, de la manipulation de données et des techniques avancées

1. Intro: Bonjour, les gars. Bienvenue sur Discourse on Mastering Nampi, l'une des bibliothèques les plus essentielles de Python Si vous êtes intéressé par la science des données ou l'apprentissage automatique, alors Nampi est votre point de départ C'est la base de nombreuses bibliothèques Python puissantes telles que Bandas, modo Leap et Psyched Learn, qui sont largement utilisées dans l' NumPi est l'épine dorsale de la manipulation des données et de l'informatique numérique Il est incroyablement rapide et efficace pour gérer des tableaux, effectuer des opérations mathématiques et manipuler des données à Que vous calculiez des statistiques, créiez des modèles d'apprentissage automatique ou créiez des simulations, Numpi sera également votre Alors, qui a besoin de Numpi Si vous visez des postes tels que data scientist, ingénieur en apprentissage automatique ou analyste de données, ces bibliothèques doivent contenir votre boîte à outils Comprendre Nampi vous donnera les compétences nécessaires pour gérer des ensembles de données, traiter de grandes quantités de données et établir une base solide pour des outils plus avancés Ce cours est conçu pour les débutants, alors ne vous inquiétez pas si vous débutez. Tout ce dont vous aurez besoin, c'est d'une compréhension de base de Python et de vous assurer que le bloc-notes ou ID Jupiter tel que Pycharm ou VSCode, est installé Je vais vous guider étape par étape à travers tout. Dans ce cours, vous apprendrez à créer et à manipuler des rayons, effectuer des opérations mathématiques et statistiques de base, maîtriser les techniques de base pour travailler efficacement avec des données. À la fin de ce cours, vous aurez une solide compréhension de Napi et la confiance nécessaire pour l'utiliser dans des projets du monde réel Plus important encore, ces compétences serviront de passerelle vers la maîtrise de l'analyse de données et d'autres bibliothèques Python avancées Tout au long de ce cours, je vous recommande vivement d'adopter une approche active de l'apprentissage. Au fil de chaque leçon, n'hésitez pas à poser la vidéo et à pratiquer le code vous-même dans votre bloc-notes Jupiter ou Pi harm ou Viscod Essayez de réécrire le code que vous voyez à l'écran et testez-le Testez le fonctionnement de chaque fonction. Modifiez certaines valeurs et observez les différences entre les résultats. Cette pratique est essentielle pour vraiment comprendre le fonctionnement de Numpy et se familiariser avec celui-ci N'oubliez pas que la meilleure façon d' apprendre la programmation est de le faire. Alors ne vous contentez pas de regarder tout le temps avec moi. Cela vous aidera non seulement à renforcer votre confiance, mais vous permettra également de bien comprendre le concept que nous abordons. Alors plongeons-nous et commençons à développer ces compétences. 2. Installation Python: Et d'abord, vérifions si Python est déjà installé sur votre système. Si vous utilisez Windows, vous pouvez le faire en appuyant sur Wind plus R, en tapant CMD et en appuyant sur Entrée Dans la fenêtre d'invite de commande, tapez la commande suivante et appuyez sur Entrée. Et nous y voilà, nous pouvons voir notre Python. Sur macOS et Linux, nous ouvrons également la fenêtre du terminal et tapons la commande suivante, puis appuyons sur Entrée. Ne faites pas attention à toutes ces versions de Python. Nous en parlerons plus tard. Comme nous pouvons le voir, je n'ai pas la version Python de commande, mais j'ai la version 3 de Command Python. Les commandes Python version et Python version 3 sont utilisées pour vérifier la version de l'interpréteur Python installée sur votre système. Version Python, la commande traditionnellement utilisée pour vérifier la version de Python deux, tandis que la version Python trois est spécifiquement utilisée pour vérifier la version de l'interpréteur Python trois. En général, Python 2 était utilisé sur les anciens systèmes. Si vous préférez, vous pouvez ajuster configuration de votre système pour que Python pointe vers Python 3. Mais je préfère continuer avec la commande Python 3 car elle est couramment pratiquée. Si vous n'avez aucun Python sur votre système d'exploitation, nous irons sur le site python.org et suivrons les Ici, vous choisissez votre système d'exploitation et la version de Python dont vous avez besoin. Je travaille sur macOS et Linux, mais installer Python sous Windows n'est pas beaucoup plus difficile. Vous téléchargez la version de Python, puis ouvrez le fichier de téléchargement et suivez les instructions d'installation Ici, nous pouvons télécharger Python pour Linux. Si nous passons à Python, le guide de l'utilisateur des packages Python, je choisis ici didacticiels, puis l'installation des packages. Nous pouvons voir de nombreuses informations sur la façon de vérifier la version de Python et également sur la manière d' installer Python sur différents systèmes d'exploitation. Et ici, vous pouvez remarquer que nous pouvons installer Python de différentes manières. Par exemple, nous pouvons voir ici les commandes que nous pouvons utiliser pour installer Python sur un Bunto ou si nous utilisons macOS, nous pouvons utiliser Homebrew Homebrew c'est un gestionnaire de paquets. Vous pouvez en savoir plus sur son site. Avec ce gestionnaire de paquets, nous pouvons installer Python à l'aide de cette commande. Mais quelle est la différence ? Eh bien, en bref, le dossier, Homebrew et le programme d'installation officiel utilisent les différents dossiers pour l'installation Également mis à jour. Homebrew met facilement à jour Python vers la dernière version avec une seule commande Brew upgrade Python Homebrew gère également les dépendances et nettoie automatiquement les anciennes versions. Lors de la mise à jour officielle du programme d' installation, vous devez télécharger manuellement la nouvelle version depuis le site Web et recommencer le processus d'installation. L'installation via le programme d'installation officiel est plus autonome, ce qui peut être utile dans certains scénarios, mais peut compliquer la gestion des dépendances et des outils supplémentaires Et il ajoute souvent icônes d'applications dans le dossier des applications. Si je veux voir toutes les versions de Python, je les ai installées avec la commande Brew install Python, je peux utiliser la Command Brew List Python, et je vois immédiatement tous les dossiers et toutes les versions de Python que j'ai. De plus, je tiens à noter que l'installation unifiée avec Home Brew est simple avec une seule commande Brew Uni Install Python, qui supprime complètement la version installée de votre système. Bien que la désinstallation officielle du programme d'installation soit plus complexe et nécessite la suppression manuelle de fichiers de différents répertoires Quant à moi, Homebrew est plus pratique pour les développeurs et ceux qui travaillent fréquemment avec Python et d'autres outils via le terminal Le programme d'installation officiel peut convenir aux utilisateurs qui préfèrent interférence minimale avec le système et doivent installer Python une seule fois pour des besoins spécifiques, et qui n'ont pas l'intention de mettre à jour ou de gérer plusieurs versions fréquemment . Il en va de même si nous utilisons Linux, Ubuntu, peu importe, nous pouvons utiliser Sudo Ogat pour installer Python ou nous pouvons installer Python à partir des sources Dans le premier cas, il s'agit la méthode la plus simple pour installer Python, mais vous ne pouvez installer que les versions de Python disponibles dans les référentiels de vos distributions Lors de l'installation à partir des sources, vous pouvez utiliser toutes les versions de Python, y compris les dernières versions. Maintenant que nous avons compris comment installer Python et la différence entre les méthodes d'installation, passons à l' apprentissage de Python lui-même. J'ouvre le terminal et je tape la commande Python. L'une des caractéristiques uniques de Python est son mode interactif, qui vous permet d'exécuter du code et de voir immédiatement les résultats. Cela est rendu possible par l'interpréteur Python, un programme qui lit et exécute le code Python Lorsque vous installez Python sur votre ordinateur, celui-ci inclut un interpréteur interactif connu sous le nom de boucle Apple RedeValvePre Il vous permet de saisir le code une ligne à la fois et de voir le résultat instantanément. En utilisant le mode interactif, vous pouvez rapidement tester différents extraits de code et voir le résultat immédiatement Pour quitter le mode interactif, utilisez la commande exit. Eh bien, nous avons vu le mode interactif dans le terminal, mais nous avons également plusieurs outils qui nous aident à écrire du code plus efficacement. Jetons-y un coup d'œil. 3. Installation d'Ide: Aujourd'hui, nous allons examiner les outils qui rendent codage plus facile et plus efficace. Les trois éditeurs de code les plus couramment utilisés sont PyCharm, Visual Studio Code et Jupiter Notebook Lequel tu vas choisir, c'est à toi de décider. Le premier, Pycharm. Il existe plusieurs options communautaires et professionnelles. Cette idée est spécifiquement conçue pour Python, mais vous pouvez également utiliser d'autres langages. C'est comme une boîte à outils pour les développeurs Python. Vous pouvez télécharger BiHarm Community. C'est totalement gratuit, et pour être honnête, c'est suffisant pour la première fois. Le processus d'installation ne prend pas beaucoup de temps. Nous téléchargeons le fichier et suivons les instructions. Il existe de nombreuses fonctionnalités telles que les outils de débogage, la gestion de projet, les suggestions de code Très utile. C'est mieux pour les grands projets où vous devez tout organiser et efficace. Ensuite, nous avons le code Visual Studio. Il s'agit d'un éditeur de code léger qui prend en charge de nombreux langages de programmation, dont Python. Après avoir téléchargé le fichier, ouvrez-le en double-cliquant dessus. Cela permettra d'extraire l'application de code Visual Studio. Faites glisser l'application de code Visual Studio dans votre dossier d'applications, et voilà, cela installe le code VS sur votre Mac Ici, vous pouvez créer un dossier Fichier ouvert ou afficher les fichiers récemment ouverts . Ici, nous pouvons voir plusieurs onglets. Aucun dossier n'a été ouvert. L'onglet apparaît lorsque vous n'avez pas ouvert de dossier pour Workspace. Il vous invite à ouvrir un dossier pour commencer à travailler sur un projet Lorsque vous ouvrez un dossier, cet onglet disparaît et les fichiers qu'il contient s'affichent. L'onglet Ouvrir l'éditeur affiche la liste de tous les fichiers que vous avez actuellement ouverts dans l'éditeur. Ici, nous pouvons créer un nouveau fichier à partir de zéro. L'onglet Outline fournit une vue structurée telle que les fonctions, les variables et les classes du fichier actuellement ouvert. Il vous permet de naviguer rapidement dans votre code en accédant à différentes parties du fichier. Si vous le souhaitez, vous pouvez également masquer ces onglets. C'est parfait si vous travaillez sur différents types de projets et que vous souhaitez un éditeur flexible et tout-en-un. Il est très facile à installer et à utiliser. Ensuite, nous avons le carnet Jubi. Il s'agit d'un outil basé sur le Web. Vous pouvez l'utiliser pour la science des données et la recherche. Il vous permet d'écrire et d' exécuter du code en petits morceaux, et vous pouvez immédiatement voir les résultats Cela ressemble à un mode interactif, sauf que cet outil est idéal pour créer des documents interactifs combinant code, texte et visualisation. Ordinateur portable Jupiter, vous pouvez l'installer de différentes manières. Jupiter en utilisant Anaconda et Conda ou vous avez une alternative, vous pouvez installer Jupiter avec gestionnaire de packages PIP si vous choisissez d'utiliser Anaconda. Il installe donc Python et Jupiter Notebook ainsi que d'autres adresses de balise couramment utilisées pour l'informatique et d'autres adresses de balise couramment utilisées pour Installez Jupiter en utilisant Anaconda et Conda ou vous avez une alternative, vous pouvez installer Jupiter avec le gestionnaire de packages PIP si vous choisissez d'utiliser Anaconda. Il installe donc Python et Jupiter Notebook ainsi que d'autres adresses de balise couramment utilisées pour l'informatique et la science des données spécifiques. Vous avez donc le tout en un. Mais pour commencer, vous pouvez vous débrouiller avec le bloc-notes Jupiter en l'installant à l'aide de PIP. Tu peux utiliser ce que tu veux. C'est à vous de décider dans ce cours, j'utiliserai le code Visual Studio. Eh bien, après toute cette préparation, commençons à écrire le code. Rendez-vous dans la prochaine leçon. 4. NumPy pour les débutants : ce que c'est et pourquoi c'est essentiel: Bonjour, les gars. Aujourd'hui, nous allons discuter d'une bibliothèque fondamentale pour les spécialistes travaillant avec des données. Nampi est une bibliothèque populaire pour le calcul scientifique en Python Il sert de base de nombreuses bibliothèques importantes en Python utilisées pour le traitement et l'analyse des données. Ces bibliothèques incluent Pandas, qui est utilisée pour travailler avec données tabulaires et résoudre des tâches d'analyse de données, ainsi que MD Blot Leap et Seaborn, qui sont utilisées pour la visualisation des données et qui sont utilisées pour Vous connaissez peut-être déjà ces bibliothèques. Sinon, je recommande de faire connaissance avec eux. Vous pouvez trouver des tutoriels dans mon profil. Sci Pi, une autre bibliothèque clé fournit des fonctions pour le calcul scientifique, telles que l'optimisation, l' approximation, l'intégration, etc. Psyched Learn et de nombreuses autres bibliothèques de l' écosystème Python s'appuient largement sur Nampi en tant que bibliothèque fondamentale NumPi sert de base à de nombreuses bibliothèques de calcul scientifique et d'analyse de données en Python, fournissant des opérations numériques efficaces, des structures de données optimisées pour la mémoire et une intégration parfaite avec les autres bibliothèques de l'écosystème Cette bibliothèque offre une diffusion et des affichages efficaces, permettant des opérations sur une matrice sans créer de nouvelles copies. Cela permet de réduire l'utilisation de la mémoire et d'améliorer les performances. Numbi fournit une structure de données puissante, tableaux qui permettent de représenter de grandes matrices et vecteurs ainsi qu' un ensemble de fonctions pour travailler efficacement avec eux Le principal avantage de NumPi réside dans sa rapidité de calcul par rapport aux listes Python Ceci est possible parce que tous les éléments du tableau Numpi ont le même type de données et grâce à l'utilisation d' mémoire compacte et opérations mathématiques optimisées Passons donc aux principales caractéristiques et avantages de l'umpi notamment une vaste collection de fonctions mathématiques qui fonctionnent efficacement sur les rayons La capacité de manipuler grands ensembles de données sans surcharge de mémoire excessive, renforcement de la prise en charge de la lecture et de l'écriture données matricielles vers et depuis différents formats de fichiers, charge des transformations rapides du faussaire, cruciales pour le traitement du signal, traitement d' images et d'autres applications scientifiques, puissantes capacités d'indexation et de découpage de grands ensembles de données sans surcharge de mémoire excessive, le renforcement de la prise en charge de la lecture et de l'écriture de données matricielles vers et depuis différents formats de fichiers, la prise en charge des transformations rapides du faussaire, cruciales pour le traitement du signal, le traitement d' images et d'autres applications scientifiques, de puissantes capacités d'indexation et de découpage, permettant sélection et manipulation de sous-ensembles de tableaux NumPi peut être utilisé pour résoudre un large éventail de tâches telles que les opérations mathématiques, traitement du signal et de l'image, la simulation scientifique, la génération de nombres aléatoires Oui, Numpi fournit des fonctions permettant de générer des nombres aléatoires avec différentes distributions Analyse et manipulation des données. Les rayons NumPi peuvent être utilisés pour des tâches telles que le tri, le filtrage et le remodelage des données, qui sont souvent conditions préalables à l'analyse des données et aux et Apprentissage automatique et apprentissage profond. Numpi fournit la structure de données sous-jacente et les opérations requises pour ces tâches Nampi s'intègre parfaitement de nombreuses autres bibliothèques de calcul scientifique en Python, telles que Pandas, Md Lloyd Leap et Sigi Learn, ainsi un écosystème riche pour l'analyse des données, visualisation Cette liste met en évidence la polyvalence de Nampi et sa capacité à traiter un large éventail de tâches dans les domaines du calcul scientifique, analyse de données, de l'apprentissage automatique, etc., ce en fait une bibliothèque fondamentale de l'écosystème PyTon Passons donc à son installation. 5. Qu'est-ce qu'un tableau ? Différentes façons de créer des tableaux dans NumPy: Tout d'abord, assurez-vous que NAPA est déjà installé dans votre environnement Python. Qu'est-ce qu'un environnement Python ? Il vous permet de basculer entre plusieurs versions de Python dans différents environnements de travail sans erreur ni conflit. C'est un outil très utile, et je recommande vivement de l'utiliser. Vous pouvez découvrir comment cela fonctionne dans ma vidéo bonus. Si vous ne savez pas ce qu' est un environnement virtuel ni comment l' utiliser, ne vous inquiétez pas. Tu n'en as pas besoin pour le moment. Vous pouvez simplement ouvrir le terminal et travailler sans activer d'environnement virtuel en exécutant des commandes directement dans le terminal. Étant donné que d'autres bibliothèques peuvent installer automatiquement Numpi, vous pouvez vérifier s'il est déjà présent en exécutant la commande suivante dans l'invite de commande ou le terminal Bip show Numpi. Si vous recevez une réponse avec le chemin spécifié vers la bibliothèque, numpi est déjà installé Sinon, pour installer Numpi, nous utilisons la commande suivante. Installez Numpi par bip. Cette commande téléchargera et installera automatiquement Numpi depuis le dépôt Python Une fois l'installation réussie, vous pouvez utiliser Numpi pour des calculs numériques et travailler avec des rayons de données Il est recommandé de mettre régulièrement à jour vos bibliothèques, y compris Mupi, pour obtenir nouvelles fonctionnalités et corriger d'éventuels problèmes. Pour ce faire, utilisez la commande suivante, peep Install, upgrade Numpi Je vais l'exécuter aussi, il est temps pour moi de le mettre à jour également. Cette approche vous permettra de toujours disposer des dernières versions de Numpi pour vos projets Passons maintenant à la pratique et commençons à nous familiariser avec l'élément principal de cette bibliothèque, le tableau de données. Un tableau Numpi est la structure de données de base qui distingue numpi des listes Python classiques En bref, il s'agit d'un tableau d' éléments du même type, qui peuvent être des entiers, des flottants, valeurs logiques, des chaînes, etc. Les tableaux Numpi sont multidimensionnels. Ils prennent généralement la forme d'un vecteur ou d'une matrice, mais ils peuvent avoir un nombre arbitraire de dimensions. Le nombre de dimensions et la forme d'un tableau sont définis lors de sa création, mais peuvent être modifiés ultérieurement. Les éléments d'un tableau sont représentés numériquement et stockés de manière compacte et optimisée dans la mémoire, ce qui garantit une vitesse de calcul élevée Dans l'axe numpi, aidez-nous à comprendre la direction dans laquelle les données sont organisées dans un tableau Vous pouvez considérer un axe comme une direction spécifique le long de laquelle les valeurs sont disposées. Chaque tableau numpi possède une ou plusieurs dimensions ou axes, selon le nombre de niveaux d'organisation dont il dispose Voici une façon simple d'y réfléchir. Un tableau unidimensionnel, un vecteur n'a qu'un seul axe. Cet axe représente la séquence de nombres dans le tableau. Imaginez une simple liste de chiffres allant de gauche à droite. Tableau bidimensionnel, une matrice possède deux axes. Un axe s'étend verticalement de haut en bas et représente le nombre de lignes. L'autre axe s'étend horizontalement, de gauche à droite, et représente le nombre de colonnes. Par exemple, imaginez un tableau dans une feuille de calcul. Les lignes et les colonnes constituent les deux axes des données. Lorsque vous travaillez avec des données plus complexes, vous pouvez avoir au moins trois dimensions dans lesquelles des axes supplémentaires représentent différents niveaux d'organisation. Les tableaux Numpy sont utilisés dans le calcul spécifique, l'analyse de données et l'apprentissage automatique, car ils stockent et traitent efficacement de grandes quantités de données numériques Il est important de comprendre les axes car de nombreuses fonctions numpi appliquent des opérations le long d'un axe spécifique, ce qui facilite la manipulation des données En raison de ces propriétés, NumpiRay sont largement utilisés dans le calcul spécifique, analyse de données et l'apprentissage automatique Ils fournissent une représentation compacte et efficace des données numériques Maintenant, importons Numpi, bien sûr, nous allons définir un alias Cela le rend plus pratique. Au lieu d'écrire le nom complet NPi, nous pouvons à chaque fois simplement utiliser les deux lettres NP L'utilisation de NP comme alias permet de gagner du temps et de rendre le code plus lisible. Passons maintenant à la création d'un tableau d'arbitres. Examinons les méthodes de base pour générer des tableaux pour des travaux ultérieurs Nous allons commencer par créer des tableaux à partir d'une liste Python. Que sont les listes Python ? Les listes Python sont l'un des types de données de construction qui permettent de stocker des séquences ou des listes d'autres objets. Par exemple, créons une liste A contenant uniquement des chiffres. Cependant, vous devez comprendre que la liste peut contenir des éléments de différents types, des nombres, des chaînes, d'autres listes, il peut s'agir d'objets. Pour le démontrer, j'ai également créé une liste B contenant des types de données mixtes. Principales fonctionnalités des listes Python. Les listes sont ordonnées. Chaque élément possède une position d' index spécifique dans la liste. Ce type de données est également dynamique. Leur longueur (nombre d'éléments peut changer au cours de l'exécution du programme. Les éléments sont accessibles par index. L'indexation commence à zéro. Par exemple, pour accéder au premier élément de la liste A, nous utilisons A zéro dans la notation de rupture. Cela permet de récupérer le premier élément, qui est à l'indice zéro Les listes peuvent également être itérées à l'aide de boucles, mais nous en parlerons plus en détail dans une prochaine vidéo sur Python La différence entre les listes Python et Nampirays réside dans le fait que les listes sont pratiques pour stocker des données de différents types Cependant, les tableaux Numpy sont conçus pour ne stocker qu' un seul type de données, ce qui permet une meilleure optimisation de Dans les listes Python, le stockage plusieurs types de données entraîne une consommation de mémoire plus élevée. Ce n'est pas un gros problème pour les petites listes, mais lorsqu'il s'agit de grands ensembles de données, l'utilisation de listes régulières peut s'avérer inefficace C'est là que les siestes sont utiles. Nous allons donc râper un tableau d'arbitres à partir d'une liste Python. Un tableau d'arbitres peut être facilement initialisé à partir d'une liste Python normale Pour ce faire, nous utilisons la fonction array et passons R list A en argument, mais ce n'est pas tout. Comment les nombres sont-ils stockés dans mpiarray ? Pour vérifier le type de données des éléments du tableau, nous pouvons utiliser le type D. Si nous voyons en 64, cela signifie que le tableau utilise des entiers de 64 bits, ce qui permet de stocker des valeurs très petites à très grandes Dans le type Num Pi et le type D, reportez-vous à différents concepts. Type indique le type de l'objet lui-même. Par exemple, le type class, NumPi ou A. D, abréviation de type de données indique le type de données des éléments du tableau, et nous devons nous souvenir de cette différence Que se passe-t-il si nous créons un tableau à partir de la liste B, qui contient différents types de données ? Voyons voir. Même si B contient différents types de données, Num Pi convertit tous les éléments en un seul type de données pour plus d'efficacité. Par exemple, si B contient à la fois des nombres et des chaînes, Num Pi convertit tout en chaînes. Il se peut que le type D soit égal à U 21, ce qui signifie que le tableau contient des chaînes Unicode d'une longueur maximale de 21 caractères. U est l'abréviation de chaîne Unicode. 21 indique la longueur maximale de 21 caractères de chaque élément. Si une chaîne dépasse cette longueur, elle sera tronquée Cela permet à NumPi de stocker et de traiter efficacement les données des tableaux Maintenant que nous comprenons comment tableaux Numpi gèrent les types de données, passons aux opérations de tableau plus avancées 6. Découpe de tableaux NumPy: Le type de données dans le tableau NMP étant fixe, mélange de différents types n'est pas autorisé Lorsqu'une liste contenant des types de données mixtes est convertie en tableau numérique, tous les éléments sont automatiquement convertis en un type commun Nampi fournit plusieurs fonctions pratiques pour générer des rayons sans spécifier manuellement chaque élément La fonction Arrange crée un tableau avec une plage de valeurs spécifiée. Par exemple, si nous voulons un tableau allant de cinq à dix, en excluant dix, nous écrivons function range et plus cinq pour le premier argument et dix pour le second. Puisque dix n'est pas inclus, la dernière valeur du tableau est neuf. Numpy dispose d'une variété de fonctions pratiques pour générer des tableaux selon des règles spécifiées sans nécessaire de spécifier manuellement chaque élément Pour cela, il existe la fonction range. Grâce à lui, nous pouvons créer un tableau unidimensionnel, commençant par cinq, par exemple, et en allant jusqu'à dix, mais sans compter dix. Il existe également la fonction zéros, qui crée un tableau unidimensionnel de zéros Créons un tableau de taille quatre. Et nous obtiendrons quatre zéros. Ou il existe une fonction similaire aux zéros, mais à la place, nous obtiendrons un tableau unidimensionnel d'une fois Il y a des moments où vous devez spécifier le type de données du tableau dès le début. Pour cela, nous utilisons la fonction array avec plus le paramètre de type D. Par exemple, créons un tableau unidimensionnel de type Floyd et imprimons ce que nous avons obtenu Ces points indiquent que nous n'avons pas que des chiffres, mais des nombres à virgule flottante. Si nous exécutons le type D, nous confirmerons qu'actuellement tous nos éléments sont de type float. Je vais maintenant supprimer les lignes inutiles et supprimer la fonction d'impression. L'indexation dans un tableau Nampa fonctionne de la même manière que les listes Python, permettant d'accéder à des éléments spécifiques en fonction de leur position dans le De même, nous pouvons prendre des tranches du tableau. Par exemple, prenons les éléments du tableau depuis le tout début, mais sans inclure l'index deux. N'oubliez pas que l'indexation en Python commence à zéro. Le premier élément du tableau a donc un indice zéro. Lorsque nous écrivons le nom du tableau suivi d'une colonne, puis que nous spécifions un index, cela signifie qu'il faut prendre les éléments depuis le tout début du tableau jusqu'à l'index spécifié, mais sans inclure l'index spécifié. Nous prenons la plage allant du premier élément, indice zéro, jusqu'à l' indice un inclus. En effet, en Python, les limites des plages sont toujours spécifiées comme inclusives, exclusives. C'est ainsi que fonctionne le découpage dans les listes Python et dans les tableaux numpy L'écriture d'un tableau comme celui-ci renverra les éléments de l'index zéro à l'index un. Nous allons donc obtenir deux éléments, la valeur un et la valeur deux. Changeons la tranche et prenons les éléments du deuxième index jusqu'à la fin du tableau. Ici, deux est l'indice à partir duquel la tranche commence inclusivement, suivi d'une colonne, qui sert délimiteur indiquant les limites de la tranche Après la colonne, il n'y a rien, ce qui signifie que nous prenons les éléments jusqu'à la fin du tableau. En conséquence, nous avons obtenu les éléments trois et quatre. Si nous spécifiez un index qui n'existe pas, par exemple l'index quatre, nous obtiendrons une erreur car l'index trois est le dernier élément du tableau. découpage en numpi nous permet d'extraire un sous-ensemble d'un tableau en utilisant une plage d'indices spécifiée Cela est particulièrement utile pour la manipulation et l'analyse des données, car cela permet de sélectionner et de modifier efficacement les éléments du tableau sans créer de copies inutiles. 7. Comprendre les propriétés des tableaux et les techniques d'indexation avancées: Créons maintenant un tableau bidimensionnel. Comment pouvons-nous trouver des informations sur la forme et les dimensions du tableau Nampa ? Nous ne compterons pas les éléments manuellement, bien entendu. Il s'agit d'une fonction appelée shape, qui renvoie quelques nombres correspondant à la taille du tableau dans chaque dimension. Par exemple, pour la matrice trois par trois que nous venons de créer, nous avons obtenu le résultat suivant. Le long du premier axe, nos lignes, nous avons le chiffre trois, et le long du deuxième axe, nos colonnes, nous avons également le chiffre trois. Je vais maintenant modifier le tableau et ajouter d'autres dimensions. Faites attention à la sortie de la fonction de forme. Nous avons ajouté d'autres éléments, et nous avons maintenant un tableau tridimensionnel de taille, deux par trois par trois. N'oubliez pas que la différence entre une matrice et un tableau réside dans le fait qu'une matrice est la spécialisation d'un tableau. Il a strictement deux dimensions. Le tableau, cependant, peut être multidimensionnel. Alors allons-y, et la fonction suivante est DM. Cette fonction renvoie un nombre correspondant aux nombres de xs ou aux dimensions du tableau. Nous avons ici DM égal à trois. En utilisant également la fonction size, nous pouvons déterminer le nombre total d'éléments dans le tableau. Dans notre cas, nous avons 18 éléments, ce qui est correct, puisque multiplier deux par trois par trois donne 18 Si vous devez initialiser rapidement un tableau ampi de la forme souhaitée et le remplir avec une valeur spécifique, vous pouvez utiliser la fonction complète Cette fonction nous permet de créer un tableau en spécifiant la forme sous la forme d'un tuple d'entiers, qui détermine le nombre d'éléments le long de chaque axe Le deuxième paramètre est la valeur qui remplit le tableau. Il existe également un troisième paramètre facultatif de type D, qui spécifie le type de données des éléments du tableau. Pour mieux comprendre et atténuer, décomposons notre tableau. Nous pouvons voir qu'il se compose de deux matrices, chacune ayant une dimension de trois par trois. Nous avons donc un tableau tridimensionnel de taille deux par trois par trois. En tranchant de 0 à 1, nous extrayons une partie du tableau tridimensionnel Cette expression sélectionne un sous-tableau, commençant par l'index zéro inclus et se terminant à l'index un exclusif. Par conséquent, nous n'obtenons qu'une seule couche de plan à partir de notre matrice tridimensionnelle, qui est une matrice composée de trois lignes et de trois colonnes. Passons maintenant du découpage à l' imbrication et spécifions-en Nous procédons ainsi pour sélectionner la deuxième ligne de la matrice que nous venons d' extraire en utilisant l'indice zéro. L'index 1 sélectionne la deuxième ligne. Comme l'indexation en Python part de zéro, cette opération renvoie la deuxième ligne de la première matrice de notre tableau tridimensionnel Cet exemple illustre fonctionnement de l'indexation et de l'extraction de sous-réseaux dans des tableaux tridimensionnels à n pi Je veux également montrer un autre moyen d'obtenir le même résultat. Modifions légèrement la notation et obtenons le même résultat dans Napi Ces deux notations sont équivalentes, mais la différence réside dans implémentation interne et la rapidité d'exécution La deuxième variante est généralement plus rapide car Numpi gère efficacement les axes du tableau Dans la première variante, nous effectuons deux excès consécutifs Tout d'abord, extrayez un sous-tableau en utilisant zéro, puis en extrayant un élément de ce sous-tableau en utilisant Cette approche peut entraîner des frais supplémentaires. La principale différence réside dans l'indexation. Le second cas utilise une seule opération d'indexation, tandis que le premier nécessite deux opérations consécutives Dans la plupart des cas, il est recommandé d'utiliser la deuxième variante comme nous l'avons fait, car elle est plus efficace en termes de rapidité et plus facile à utiliser. Maintenant, je vais modifier légèrement notre tableau, en changeant les numéros de la dernière matrice, la seconde, afin que vous puissiez clairement voir la différence. Si nous indiquons un indice de moins un, nous indiquons que nous voulons récupérer la dernière couche du tableau. Cette expression sélectionne la dernière couche de notre tableau tridimensionnel, quel que soit le nombre de couches que contient le tableau multidimensionnel Dans notre cas, nous allons récupérer la deuxième matrice, puisque nous n'en avons que deux. Si vous avez un tableau multidimensionnel avec plusieurs couches imbriquées, moins une, nous sélectionnons toujours la dernière Et ici, array moins un renverra ce qui suit. Dans notre cas, cela équivaut à utiliser l'index 1. Mais l'utilisation de moins un rend le code plus flexible car il n'est pas nécessaire spécifier le nombre exact de couches dans le tableau. Si nous ajoutons un autre index séparé par une virgule, il sera utilisé pour accéder à une ligne spécifique de la dernière couche C'est-à-dire que dans notre matrice, nous allons sélectionner la deuxième ligne, dont l'indice est égal à un dans la deuxième matrice. Passons maintenant à la pratique. Mettez la vidéo en pause et essayez de sélectionner différents éléments dans ce tableau. Essayez d'extraire la dernière ligne de la première matrice. Puis la première ligne de la dernière matrice. La pratique est la clé de la compréhension. La théorie seule ne suffit pas. Plongons plus en profondeur dans la nidification. Maintenant, extrayons le troisième élément de la ligne. Dans notre cas, c'est 16 avec un indice de deux. En ajoutant simplement un index, nous récupérons le troisième élément, qui a un indice de deux. Ici, nous obtenons la valeur 16. Cette notation est équivalente à une autre que je vous rappelle. Mettez la vidéo en pause et essayez de récupérer le premier élément de la dernière ligne du dernier élément de notre tableau, qui est notre deuxième matrice. J'espère que tu as réussi. Je vais laisser moins un tel quel pour sélectionner le dernier élément de notre tableau. Ensuite, nous devons prendre la dernière ligne de cet élément, alors spécifiez à nouveau moins un. De cette façon, nous sélectionnons la dernière ligne. Ensuite, nous prenons le premier élément. Puisque l'indexation commence à zéro, nous spécifions zéro, et nous obtenons ici notre numéro 17 Ajoutons maintenant un troisième élément à notre tableau. Si nous spécifiez maintenant un indice de moins un, nous ne récupérerons que l' élément qui vient d'être créé. Parfois, nous devons extraire une tranche de sous-réseau de notre tableau multidimensionnel Alors laissez-moi vous montrer comment cela fonctionne. Nous en ajoutons un et une colonne après le sous-tableau précédemment sélectionné, ce qui signifie que nous prenons une tranche Dans notre notation, nous voyons moins un, ce qui indique la dernière couche du tableau, la dernière matrice dans notre cas. Celui et la colonne. Cette partie signifie que cela commence à partir de l'index de ligne 1, inclus et jusqu'à la fin des lignes. Dans ce dernier élément, nous sélectionnons tout. Maintenant, prenons une autre tranche à partir de la portion sélectionnée. Je précise la tranche du premier au dernier élément. Cela extrait essentiellement une tranche d'un sous-tableau. Si, au lieu d'une tranche, nous devons récupérer uniquement les éléments ayant un indice de un pour chaque ligne de la tranche. Il suffit d'en spécifier un et d'obtenir deux éléments d'indice un. Maintenant, au lieu de sélectionner uniquement les premiers éléments, prenons une tranche du sous-tableau composée des deux premiers éléments de chaque ligne. Il doit contenir les valeurs 14, 115, 116 et 118. Publiez la vidéo et essayez de le faire vous-même. Nous spécifiez les diapositives de l'index zéro à l'index deux, excluant, ce qui signifie que nous sélectionnons les éléments avec les indices zéro et un. Nous avons donc pris le dernier élément de nos matrices avec un indice moins un. Ensuite, nous avons obtenu la tranche de tableau de l'index un à la fin. Enfin, nous avons obtenu la tranche de ce tableau de l'indice de zéro à l'indice de deux. Et voici notre résultat. 8. Techniques essentielles pour la création et la transformation de tableaux NumPy: Maintenant, je vais supprimer les pièces inutiles. Enfin, familiarisons-nous avec la fonction vide. Il existe une situation où nous devons créer un tableau de taille spécifiée et le remplir ultérieurement avec les valeurs. Par exemple, j'ai créé un tableau tridimensionnel à l'aide de cette fonction. Cependant, il est important de se rappeler que les tableaux créés à l'aide la fonction vide peuvent contenir des données aléatoires provenant de la mémoire Lorsque vous créez un tableau à l'aide de la fonction vide dans Napi, celui-ci ne contient pas de zéros ni de valeurs spécifiques Au lieu de cela, il prend toutes les données prêtes dans la mémoire de l'ordinateur à ce moment-là. Cela signifie que le tableau peut contenir des nombres aléatoires ou inattendus lors de sa création initiale. Pour cette raison, vous devez toujours attribuer des valeurs au tableau avant de l'utiliser. Dans le cas contraire, vos calculs risquent donner des résultats incorrects ou imprévisibles. Pour créer un tableau unidimensionnel avec des valeurs réparties uniformément dans une plage spécifiée, nous utilisons in space. Le premier paramètre de la fonction définit la valeur de départ de la plage. Le deuxième paramètre définit la valeur finale de la plage, et le troisième paramètre indique le nombre d'éléments ou de points que vous souhaitez obtenir. J'ai créé un tableau de quatre nombres, répartis uniformément de 3 à 40 inclus Ou créons un tableau de 40 nombres de la même plage. Cette fonction est utile lorsque vous devez créer des valeurs réparties uniformément, par exemple pour générer un vecteur de valeurs, pour tracer des graphiques ou effectuer d'autres tâches analytiques Vous spécifiez le nombre de points dont vous avez besoin et les valeurs de plage que vous souhaitez couvrir. Très pratique Ajoutons quelques nombres négatifs à notre tableau car j'en aurai besoin pour le prochain exemple. Faisons maintenant connaissance avec la fonction absolue. Cette fonction de la bibliothèque num pi est utilisée pour calculer les valeurs absolues des éléments du tableau. Il retourne dans un tableau où chaque valeur est convertie en valeur absolue. Cela est utile dans de nombreux cas, exemple pour placer des valeurs dans une plage positive ou simplement obtenir des valeurs absolues pour une analyse plus approfondie des données. Nous avons affiché notre tableau, et maintenant nous voyons qu'il y a des nombres négatifs. Cependant, après avoir appliqué la fonction absolue, les signes négatifs sont supprimés. Nous ne voyons donc ici que des valeurs positives. La fonction diag de la bibliothèque Napi est utilisée pour créer une matrice carrée avec des valeurs spécifiées sur la diagonale principale Dans notre cas, trois, quatre et cinq sont transmis en tant qu'argument de liste à la fonction. Cette liste contient les valeurs que vous souhaitez placer sur la diagonale principale de la matrice. Le résultat sera une matrice carrée laquelle la diagonale principale contient les valeurs spécifiées tandis que tous les autres éléments sont des zéros Vous obtiendrez le même résultat avec la fonction diag flag. Mais la différence est que diag flag aplatit d'abord la liste d'entrée en un tableau unidimensionnel , puis la place sur la diagonale Donc, si nous avons un tableau comme celui-ci, diag flag le produira sous forme matrice diagonale avec tous les autres éléments mis à zéro Dans cet exemple, nous n'avons spécifié qu'un seul argument, qui indique la dimensionnalité de la matrice carrée six par six dans notre cas La matrice résultante formera un triangle ou motif avec ceux situés en dessous et à gauche de la diagonale principale, tandis que tous les autres éléments resteront nuls. Si je spécifie deux arguments, le premier paramètre définit le nombre de lignes de la matrice, six dans notre cas, et le second paramètre définit le nombre de colonnes. Deuxièmement, dans ce cas, la matrice résultante formera à nouveau un triangle avec ceux dessous et à gauche de la diagonale principale, comme dans le premier cas, tous les autres éléments restant nuls, nous pouvons expérimenter et modifier sa forme. Il est couramment utilisé dans l'algèbre linéaire et les opérations matricielles, telles que la résolution d'équations et l'application de masques aux données 9. Techniques de visualisation de la manipulation des tableaux NumPy, de copie, de remodelage et d'aplatissement: Pour le prochain exemple, je vais créer le tableau unidimensionnel simple. Faisons connaissance avec la fonction d'affichage. Il est utilisé pour créer un tableau qui fait référence à notre tableau nouvellement créé, ce qui signifie que les deux tableaux font référence aux mêmes données, mais ont des formes différentes Je vais vous expliquer comment cela fonctionne. Toute modification apportée à un tableau sera reflétée dans l'autre car il s'agit de deux tableaux stockent des références au même objet de données Il est important de noter que la fonction view ne crée pas de copie du tableau. Au lieu de cela, il génère un nouvel objet qui fait référence aux mêmes données. Pour le démontrer, je vais modifier le dernier élément du premier tableau et le définir sur un. Par conséquent, le changement apparaît dans les deux tableaux. Alors pourquoi avons-nous besoin de cette fonction ? Vous pouvez rencontrer des situations dans votre projet où une variable obtient une référence au même objet de données auquel une autre variable fait référence. Même sans changer l' élément de votre premier tableau, nous pouvons modifier sa forme. Les données restent les mêmes. Nous ne faisons que modifier sa forme. Nous pouvons faire en sorte qu'un tableau unidimensionnel apparaisse comme un tableau bidimensionnel. Si nous vérifions ensuite le deuxième rayon, qui fait référence au même objet, nous verrons que sa forme a également changé. Dans les projets de grande envergure, cela peut entraîner des erreurs inattendues, en particulier si une fonction attend un tableau unidimensionnel, mais qu'en raison de modifications involontaires, elle reçoit un tableau bidimensionnel ou même tridimensionnel à la place Dans de tels cas, nous utilisons la fonction de visualisation pour garantir manipulation contrôlée de la structure des données. Il ne suffit pas de créer une autre variable et de faire référence au même objet de données. Lorsque nous utilisons la fonction view, nous nous assurons de ne modifier que l'apparence du tableau tout en conservant la même référence à l'objet de données. Maintenant, si nous refaçonnons notre premier tableau, cela n'affectera pas du tout le second tableau Cependant, si nous créons un tableau en utilisant la méthode copy, nous générerons un clone complet et dépendant du tableau d'origine. Le second tableau sera complètement séparé de l'original contenant les mêmes données, mais existant en tant qu'objet propre en mémoire. Au moment de l'adaptation, les deux tableaux ont un contenu identique, mais toute modification supplémentaire apportée à l'un n' affectera pas l'autre Nous pouvons le voir clairement. Après avoir modifié le dernier élément de notre premier tableau, le second tableau reste inchangé. Je vais supprimer les pièces inutiles. Et imprimez le tableau précédent juste pour vous rappeler à quoi il ressemblait. Pour modifier la façon dont Nampa interprète les indices des éléments dans un tableau sans modifier les données elles-mêmes, nous pouvons utiliser la fonction shape Si nous refaçonnons le tableau en 27, nous obtiendrons un tableau unidimensionnel Les éléments seront disposés dans le même ordre et ils ont été stockés dans le tableau tridimensionnel d'origine. Cependant, il est important de comprendre qu'il s' agit simplement d'une représentation différente des mêmes données. Les données elles-mêmes restent inchangées. Nous pouvons expérimenter avec notre matrice et présenter ses données de différentes manières. Nous ne sommes pas en train de créer un nouveau tableau. Nous modifions simplement la façon dont le tableau actuel est représenté. Le principal point à retenir est que le nombre total d' éléments reste le même Cependant, selon la documentation la plus récente, n'est plus recommandé de modifier la forme à l'aide de la méthode des formes, car elle pourrait être obsolète dans les futures versions de Il est recommandé d'utiliser la fonction de remodelage pour cette approche Je vais changer la forme de la matrice à l'aide de la fonction de remodelage et l'imprimer Ensuite, j'imprime un tableau avec la forme un par neuf par trois, afin que nous puissions les comparer. Bien que nous ayons créé un nouveau tableau à l'aide de la fonction de remodelage, nous n'avons toujours pas créé de nouvel ensemble de données Par conséquent, toutes les modifications apportées au tableau seront également reflétées dans notre deuxième tableau, et les deux utilisent les mêmes données. Si nous changeons le premier élément de notre tableau actuel, nous verrons qu'il est également reflété dans le tableau nouvellement créé. Si vous souhaitez que le tableau soit indépendant du premier, vous devez créer une copie à l'aide de la méthode copy. Je vais imprimer à nouveau le tableau, pour me rappeler à quoi il ressemble. Permettez-moi maintenant de vous présenter la fonction Ravel. Il est utilisé dans la bibliothèque Napi pour transformer un tableau multidimensionnel en un tableau unidimensionnel, pour ainsi le flatter Ce que nous appelons ravel sur un tableau aplatit toutes ses dimensions et renvoie un tableau unidimensionnel, en plaçant tous les éléments sur une seule en plaçant tous les éléments sur une Dans l'ordre, ils ont été stockés dans le tableau d'origine. Il s'agit d'un moyen simple d'accéder à tous les éléments d'un tableau quelle que soit sa dimensionnalité sous la forme d'un tableau unidimensionnel C'est utile lorsque vous devez traiter ou analyser des données dans un format linéaire plus simple sans modifier la structure du tableau d'origine. 10. Fonctions mathématiques dans NumPy: Maintenant, familiarisons-nous avec les fonctions mathématiques et voyons comment elles fonctionnent sur des tableaux unidimensionnels et multidimensionnels À l'aide de la fonction d' arrangement, je vais créer le tableau unidimensionnel. Par exemple, la fonction sum renverra la somme de tous les éléments de notre tableau unidimensionnel. Cependant, si je remodèle notre tableau à l'aide de la fonction de remodelage pour l'agrandir, disons neuf nombres organisés au format trois par trois Nous avons maintenant un tableau multidimensionnel. Si nous appliquons simplement la fonction somme, elle renverra la somme de tous les éléments quel que soit le nombre de dimensions. Cependant, si nous voulons appliquer la fonction de somme aux lignes ou aux colonnes spécifiquement, nous devons spécifier le paramètre d'axe. Si je définis un axe égal à un, nous obtenons une liste de sommes pour chaque ligne. Si je spécifie que l' axe est égal à zéro, nous obtenons une liste de sommes pour chaque colonne. La fonction principale calcule la valeur moyenne des éléments du tableau Comme précédemment, nous pouvons obtenir la moyenne de l'ensemble du tableau ou spécifier l'axe pour calculer la moyenne par lignes ou colonnes. Trouvons la valeur maximale dans notre tableau à l'aide de la fonction max, et elle sera de huit. De même, la fonction de moyenne trouve la valeur minimale de notre tableau et sera alors nulle. Encore une fois, nous pouvons spécifier le paramètre de l'axe. Si je spécifie un axe égal à un, nous trouvons la valeur minimale de chaque ligne. Je passe au maximum. Si je spécifie un axe égal à zéro, nous trouvons la valeur maximale de chaque colonne. Nous vous sommes maintenant familiarisés avec les méthodes des tableaux de somme. Si vous souhaitez en savoir plus en détail, vous pouvez consulter la documentation. Nous voyons ici la méthode de la somme, que nous avons utilisée précédemment, ainsi que de nombreuses autres méthodes. Cependant, Numpi possède également fonctions autonomes qui ont des objectifs similaires Il peut parfois y avoir confusion entre les méthodes et les fonctions dans Numpi Mais pour l'instant, la principale différence est de comprendre que les méthodes sont associées à des objets dans notre cas, tableaux, et qu'elles sont appelées en notation par points Les fonctions sont globales et peuvent être appelées directement depuis l' importante bibliothèque Numpi Nous n'allons pas approfondir les concepts de programmation orientée objet. Pour cela, j'ai bien entendu, vous pouvez consulter mon profil et trouver le modèle allant de zéro à la programmation orientée objet. Près de 6 heures de meilleures informations pour vous. Calculons la racine carrée de chaque élément d' un tableau à l'aide d'une fonction num pi. Je vais modifier légèrement le tableau, en supprimant la forme car ce n'est pas nécessaire pour le moment. Calculons ensuite l'exposant de notre tableau unidimensionnel Nous pouvons également calculer des fonctions trigonométriques comme le sinus ou le cas à l'aide des fonctions NumPi Ou essayons de calculer le logarithme naturel de chaque élément du tableau. Oups, nous recevons une erreur car nous ne pouvons pas prendre le logarithme de zéro Supprimons zéro de notre tableau. C'est mieux. Maintenant, nous pouvons obtenir la bonne réponse sans erreur. La méthode arrondie dans les tableaux NAPA est utilisée pour arrondir les valeurs des éléments à l'entier le plus proche Si j'utilise cette méthode sur le tableau actuel, rien ne changera car le tableau est composé d'entiers Cependant, si j'annule la fonction log puis que j'applique la fonction round, nous verrons l' effet plus clairement La méthode ronde prend également un argument facultatif, le nombre de décimales pour arrondir deux Par exemple, nous pouvons spécifier le troisième tour pour arrondir à trois décimales Ou arrondissez un pour arrondir à un endroit unidimensionnel. Pour clarifier ce que nous avons fait ici, je vais réécrire légèrement le code J'ai créé une variable et je lui ai assigné cette expression. J'ai ensuite imprimé le résultat, arrondi à une décimale près Pour le prochain exemple, je vais générer un tableau contenant des nombres négatifs. Nous pouvons utiliser la fonction randint pour générer un tableau d'entiers aléatoires, comprenant des valeurs négatives et positives comprises dans une plage spécifiée comprise entre -50 et 50 Bien entendu, vous pouvez modifier la plage des nombres d'éléments selon vos besoins. Nous obtenons donc un tableau comme celui-ci. Maintenant, familiarisons-nous avec la fonction absolue de la nuque Cette fonction calcule les valeurs absolues des éléments du tableau Il renvoie un tableau où chaque élément est la valeur absolue de l'élément correspondant dans le tableau d'origine. Cette fonction est utile lorsque vous devez travailler avec des valeurs absolues, exemple pour analyser des données sans prendre en compte le signe des nombres. Vous me demandez quelle est la différence entre fonction ABS et la fonction absolue que nous avons vue auparavant. Dans NumPi, il n'y a aucune différence entre ABS et absolu. Ils font la même chose. L'ABS est tout simplement un allié pour une fonctionnalité absolue. Les deux fonctions renvoient la valeur absolue de chaque élément du tableau. Cela signifie qu'ils convertissent les nombres négatifs en positifs tout en laissant les nombres positifs inchangés. Vous pouvez utiliser l' un ou l'autre, mais l'ABS est plus court et souvent préféré pour des raisons de lisibilité Faisons connaissance avec la fonction argmax. Cette fonction renvoie l'indice de la première occurrence de valeur maximale dans le tableau. Nous voyons ici que la valeur maximale est 42 et que son indice est égal à un. La fonction argmin fonctionne de la même manière. Elle renvoie l'indice de la première occurrence, la valeur minimale du tableau. Si le tableau comporte plusieurs éléments avec les mêmes valeurs maximales ou minimales, argmax et argmin renverront l'indice de la première occurrence de ces Ces fonctions sont utiles pour trouver la position des plus grands et des plus petits éléments du tableau numpy Cela peut être utile dans de nombreux algorithmes et calculs. 11. Randomisation et combinaison de tableaux dans NumPy: Dans certains cas, vous devez générer des nombres aléatoires pour un tableau, et si nous voulons que ces nombres soient reproduits dans le même ordre, nous devons nous familiariser avec la fonction SID. La fonction SID a initialisé le générateur de nombres aléatoires, vous permettant de définir une valeur de départ fixe Cela garantit que la même séquence de nombres aléatoires est générée à chaque fois, ce qui rend votre code reproductible Si j'ai dit la valeur initiale une fois , qu'elle soit zéro, par exemple. Cela signifie que nous fixons la valeur initiale du générateur de nombres aléatoires. Cela signifie que chaque fois que nous générons des nombres aléatoires à l'aide de la fonction aléatoire NP, nous obtenons la même séquence de nombres. Cela est très utile pour la reproductibilité des résultats. Dans certains cas, vous avez besoin que vos nombres aléatoires soient les mêmes à chaque fois que votre programme s'exécute. Cela peut également être utile si vous souhaitez montrer quelque chose à quelqu'un et devez reproduire le comportement avec le même tableau et la même séquence de nombres. La fonction de permutation de la bibliothèque Numbi est utilisée pour créer des permutations aléatoires Si j'en spécifie six, ce sera un tableau aléatoire contenant des nombres de 0 à 5, réorganisé dans un ordre aléatoire Cette fonction est souvent utilisée lorsque vous devez mélanger ou réorganiser des indices pour travailler davantage sur les données ou pour sélectionner au hasard un sous-ensemble d'éléments d'un tableau Je peux augmenter le bit du tableau. Si je spécifie 16 ici, nous obtiendrons un tableau aléatoire contenant les nombres de 0 à 15 inclus, réorganisés dans un ordre aléatoire Dans notre cas, la fonction aléatoire génère un tableau trois par trois où chaque élément est un nombre aléatoire avec une distribution normale, ou comme on l'appelle aussi distribution gaussienne Il est important de noter que la fonction aléatoire génère un nombre avec une distribution normale avec des paramètres qui peuvent être modifiés. Par exemple, vous pouvez augmenter ou diminuer le nombre d' éléments du tableau aléatoire en modifiant les arguments de la fonction. Continuons avec la fonction d'ajout. La fonction d'ajout de la bibliothèque Napi est utilisée pour ajouter de nouvelles valeurs à la fin d'un tableau Elle prend les arguments suivants. Le premier est le tableau original auquel nous ajouterons de nouvelles valeurs. La seconde concerne les valeurs que nous voulons ajouter. Dans notre cas, nous avons ajouté une nouvelle valeur à notre tableau sous la forme d' une liste composée de trois trois. La fonction d'insertion de la bibliothèque Napi est utilisée pour insérer de nouvelles valeurs dans un tableau à un index spécifié Cette fonction prend trois arguments : le tableau d'origine, l'index auquel les valeurs doivent être insérées et les valeurs à insérer. Dans notre cas, j'insère deux forces dans le tableau à la position d'index deux La fonction d'insertion ne modifie pas le tableau d'origine, mais en crée un nouveau avec les valeurs insérées pour supprimer les éléments d'un tableau aux indices spécifiés. Nous utilisons la fonction de suppression. Il faut trois arguments. Le premier est le tableau. Le second, les indices de l'élément, nous voulons supprimer, et le troisième, le paramètre X. Si l'axe est connu, il sera appliqué à la matrice aplatie. Voyons comment cela fonctionne à l' aide d'un exemple. Nous avons maintenant supprimé les éléments avec les indices zéro, un et le dernier élément de notre tableau. Après avoir appelé la fonction de suppression, elle revient dans UA sans les éléments supprimés. Le tableau d'origine reste inchangé. Si nous devons supprimer une plage d' indices du tableau, nous pouvons le faire comme ceci. Nous exécutons la fonction de suppression, spécifions notre tableau et utilisons l'objet numb pour créer une plage d'indices Nous spécifiez la plage de 2 à 5. N'oubliez pas que cinq ne seront pas inclus. Oups, j'ai oublié le soulignement. Maintenant, nous supprimons les éléments du tableau avec les indices 2 à 4 et renvoyons un UA sans ces éléments. Pour l'exemple suivant, je crée un tableau simple. Le tableau sera bidimensionnel. Oups, j'ai oublié les parenthèses. Désolé, permettez-moi de les ajouter rapidement. Dans la fonction de suppression, il existe également un axe des paramètres, qui indique la dimension le long de laquelle nous voulons supprimer des valeurs. Si nous spécifiez un axe égal à zéro, cela signifie que nous voulons supprimer des lignes. Ainsi, dans notre exemple, nous supprimons la ligne avec l'index un, et nous obtenons l'URA sans le rôle avec l'index un. Cela sera plus lisible. Si je spécifie un axe égal à un, alors la colonne avec l' index un est supprimée. Je crée un autre tableau simple et nous allons nous familiariser avec la fonction de concaténation La fonction de concaténation de la bibliothèque Napi est utilisée pour joindre ou concaténer J'utilise donc la fonction, spécifie le tableau à joindre. Ils sont transmis sous forme de ruban et il existe également un axe de paramètres optionnel, qui est le langage dimensionnel pour joindre le rayon Si nous voulons joindre un tableau le long d'une colonne, nous devons spécifier un axe égal à un. Par défaut, l'axe est égal à zéro, ce qui signifie qu'il est dessiné le long des lignes de première dimension. Nous pouvons spécifier zéro ou ne pas le spécifier du tout. Cette valeur sera la valeur par défaut, et nous obtiendrons notre résultat. La fonction de concaténation permet donc joindre des tableaux en plusieurs dimensions, en fonction de la Pour cet exemple, je vais supprimer la partie inutile et créer des rayons multidimensionnels Nous allons nous familiariser avec la fonction V stack. Cette fonction est utilisée pour empiler verticalement ou concaténer deux rayons ou plus le long de la première dimension, les lignes concaténer deux rayons ou plus le long de la première dimension, les lignes. J'ai oublié les parenthèses Désolé, permettez-moi de les ajouter rapidement. Nous précisons les rayons. Nous voulons empiler verticalement. Ils sont transmis sous forme de tuple. Par conséquent, nous obtenons un tableau qui contient des lignes concaténées provenant de C'est un moyen pratique concaténer un tableau verticalement, et cela fonctionne avec n'importe quel nombre de tableaux d'entrées. Je vais copier ces deux lignes pour un nouvel exemple. Il existe également la fonction H stack. Est destiné à la concaténation horizontale de deux ou plusieurs tableaux. Vous vous demandez peut-être quelle est la différence entre concaténer où nous spécifiez l'axe et fonctions telles que V stack ou H stack La principale différence entre eux réside dans la syntaxe. C'est ça. Lorsque vous souhaitez joindre un tableau le long d'une certaine dimension, vous pouvez utiliser n'importe laquelle de ces fonctions selon vos préférences et votre commodité, à vous de choisir. La seule chose que je veux noter, c'est que dans la concaténation, nous pouvons spécifier l'axe, ce qui nous permet de concaténer tableaux non seulement verticalement ou horizontalement, mais aussi le long de n'importe quel axe, car l'axe peut être non seulement nul ou un, car les rayons peuvent être nous pouvons spécifier l'axe, ce qui nous permet de concaténer des tableaux non seulement verticalement ou horizontalement, mais aussi le long de n'importe quel axe, car l'axe peut être non seulement nul ou un, car les rayons peuvent être multidimensionnels. 12. Opérations avancées de tableaux et techniques de division: Je vais retirer les pièces nécessaires et créer de nouveaux tableaux. Je vais vous montrer une autre façon de procéder. La fonction FramterFunction de la bibliothèque Nabi est utilisée pour créer un tableau unidimensionnel basé sur un Il prend une séquence de valeurs de l'itérateur et les convertit en tableau Nous passons un itérateur ou une séquence de valeurs à partir de laquelle nous allons créer un tableau Vous pouvez également spécifier le paramètre de type D, qui est le type de données vers lequel les valeurs de l'itérateur doivent être converties Il existe un nombre de paramètres optionnel, qui est le nombre d'entre nous à extraire de l'itérateur Par défaut, ce paramètre vaut moins un, qui signifie qu'il faut prendre toutes les valeurs. Dans notre exemple, nous créons le premier tableau de quatre nombres en utilisant range. Dans le deuxième tableau, nous utilisons également la plage, en spécifiant que quatre nombres sont pris entre quatre et huit, ils sont donc nombres du premier tableau. Permettez-moi de vous présenter la fonction de pile de colonnes. La fonction d'empilement de colonnes de la bibliothèque Napi est utilisée pour la concaténation horizontale ou Nous transmettons un ensemble de tableaux comme colonnes du tableau que nous voulons concaténer Imprimons-le pour voir ce que nous avons. C'est un outil pratique pour créer des tableaux, en particulier lorsque vous souhaitez combiner données de plusieurs tableaux sous forme de colonnes, et nous voyons nos tableaux Les deux premiers ont été générés à titre d'exemple, et le troisième est la somme de nos deux tableaux Il existe une fonction similaire à la technologie des lignes, mais elle permet de combiner les données de plusieurs tableaux sous forme de lignes Dans ce cas, le résultat est le même que si nous utilisions la fonction Vtach Je vais ajouter une ligne vide pour séparer les tableaux pour plus de clarté Je peux également utiliser np point R. C'est une instance de l'objet de classe R dans Napi Il agit comme un outil pratique de concaténation de tableaux vous permettant de créer et de fusionner rapidement des rayons le long de l'axe zéro Je peux également utiliser le C. C'est une instance de l'objet de classe C dans Nampi C'est un outil pratique pour la concaténation par colonne, ce qui signifie qu'il fusionne un tableau le long de l'axe Je vous montre ceci afin que vous connaissiez les possibilités de concaténation Vous pouvez choisir ce qui vous convient le mieux. Je vais supprimer les parties inutiles pour éviter l' encombrement et générer un tableau de dix nombres de 0 La fonction H split est utilisée pour diviser horizontalement un tableau en sous-tableaux Il divise le tableau en sections égales le long de l'axe horizontal. Il prend le tableau d'origine. Nous voulons diviser le premier paramètre, et le second paramètre est nombre de parties en lesquelles nous voulons diviser le tableau. Si j'essaie de diviser le tableau en trois parties alors sa longueur n'est pas divisible par trois, j'obtiens une erreur Cependant, dans notre cas, si j'en spécifie cinq, le tableau sera divisé uniformément en cinq sous-réseaux Nous pouvons également diviser le tableau en deux parties égales. Sa longueur le permet. V split est une fonction de umpi utilisée pour diviser un tableau verticalement le long des lignes Il divise un tableau donné en plusieurs sous-réseaux le long de l'axe zéro Comme nous divisons le tableau verticalement, nous avons une erreur Nous ne pouvons pas diviser un tableau unidimensionnel par colonnes. Je vais générer un tableau légèrement plus grand et utiliser la fonction de remodelage pour former une nouvelle forme bidimensionnelle du Allons-y. Une erreur s'est produite car nous ne pouvons pas diviser ce tableau en deux, mais nous pouvons le diviser en trois. Cette fonction est particulièrement utile lorsque vous devez séparer une matrice en sections de lignes plus petites. Permettez-moi d'augmenter le tableau pour l'exemple suivant et de le rendre tridimensionnel. Si nous devons diviser le tableau, pas seulement horizontalement ou verticalement, car il peut y avoir plus de dimensions si le tableau est multidimensionnel L'axe peut être non seulement nul ou un, nous pouvons utiliser la fonction de division des rayons. Il divise le tableau en un nombre de parties spécifié. Le deuxième argument est le nombre de pièces, qui est de deux dans notre cas. Et le troisième paramètre est l'axe. Dans notre cas, j'ai spécifié que l'axe est égal à deux. Il est donc divisé selon la troisième dimension. Spécifier un axe égal à la fonction Numbi signifie que nous opérons le long de la troisième dimension, la profondeur d'un tableau tridimensionnel La fonction de division de Numbi permet de diviser selon la troisième dimension Même si le nombre de pièces ne se divise pas uniformément, il répartit les éléments aussi uniformément que possible entre les sous-ensembles résultants Mais si cela n'est pas possible, cela créera des pièces avec différents nombres d'éléments. Dans notre cas, nous aurons trois sous-réseaux. Deux contiendront des données et le troisième sera vide. Nous pouvons également expérimenter et diviser le long l'axe 1 ou des suites de l'axe zéro Je suggère de faire une pause ici et d'expérimenter. Entraîne-toi un peu. Maintenant, par exemple, je vais créer la liste et le tableau les plus simples en Python. Les opérations entre les listes et les rayons ont des comportements naturels différents. Dans le cas des listes, l'opération plus effectue la concaténation Cela signifie joindre deux listes en une seule, mais cela n'effectue pas d'addition arithmétique d'éléments Dans le cas de tableaux numb, l'opération plus effectue une addition par élément, c' est-à-dire qu'elle ajoute les éléments correspondants du Regardez la différence entre deux fonctions d'impression. L'un, l'ajout de listes et l'autre, l'ajout d'un tableau. Nous pouvons également effectuer une multiplication par élément de deux tableaux de même taille Ou multipliez chaque élément par un nombre. Si je spécifie cette opération dans une liste, elle répétera la liste entière au nombre de fois spécifié plutôt que d' effectuer multiplication par éléments comme un tableau d'arbitres. Lorsque vous effectuez l'opération moins, chaque élément du tableau change de signe en sens inverse. Le résultat de cette opération sera un nouveau tableau dans lequel chaque élément du tableau est divisé par un. Au lieu d'un, il peut s'agir de n'importe quel chiffre. Cette opération revient au reste de chaque élément lorsqu'il est divisé par deux, identifiant ainsi efficacement les nombres pairs et impairs dans le tableau. Si vous soustrayez une liste d'un tableau Numbi, la liste sera convertie en tableau et la soustraction de l'élément Y sera effectuée Cependant, vous ne pouvez pas soustraire liste d'une liste. Vous allez recevoir un message d'erreur. La multiplication d'une liste par liste entraînera également une erreur. Maintenant, je veux introduire un autre concept, et pour cela, je vais créer un tableau bidimensionnel et un tableau 11 dimensionnels. Il y a aussi le concept de diffusion. La diffusion en réseau est un mécanisme de Napi qui permet d' effectuer des opérations sur des réseaux de formes ou de dimensions différentes Si deux rayons ont un nombre de dimensions différent, nouvelles dimensions sont automatiquement ajoutées à la matrice avec moins de dimensions jusqu'à ce que leur taille soit compatible. En d'autres termes, si nous avons le même nombre d'éléments dans chaque ligne de tableau, lorsque nous ajoutons deux rayons, le plus petit tableau est concaténé ligne par ligne avec les lignes du Pour cet exemple, je vais créer à nouveau un tableau le plus simple. Faisons connaissance avec l'opérateur combiné. Lorsque nous effectuons l'opération d' ajout, nous pouvons le faire de manière plus succincte Dans cet exemple, nous ajoutons le chiffre cinq à chaque élément du tableau et mettons à jour sa valeur initiale par la somme de cinq. Cette opération est équivalente à l'utilisation de cette notation, mais elle est effectuée directement dans le tableau sans créer de nouvel objet. C'est utile car cela permet d' augmenter ou de diminuer efficacement les valeurs de tous les éléments du tableau sans avoir à en créer un nouveau. Cela peut également être appliqué à d'autres opérations mathématiques. 13. Charger, enregistrer et rechercher dans NumPy: Imaginons que nous ayons le fichier texte à partir duquel nous voulons charger les données. La méthode gen from TXT est conçue pour lire les données d'un fichier texte et déterminer automatiquement les types de données. Il s'agit d'un outil puissant pour travailler avec des données dans des formats tels que CSV, TSV et d'autres formats de texte Maintenant, chargeons les données à partir du fichier de données TXT. Lorsque les données sont séparées par des virgules, nous indiquons que le limiteur est égal à une virgule Cette méthode peut gérer automatiquement les valeurs manquantes et les autres particularités des données Sortons ces données dans un ampiray. Si nous utilisons Jen from Txt pour lire nombres séparés par des virgules dans un fichier texte, la sortie dans la console sera généralement un tableau Numpi avec les valeurs chargées depuis la sortie dans la console sera généralement le Les valeurs seront affichées sous forme de tableau où chaque nombre est un élément du tableau. La même fonction de la bibliothèque Numpi est utilisée pour enregistrer les tableaux numpi au format binaire dans Cela permet de sauvegarder les données du tableau afin qu'elles puissent être utilisées ultérieurement sans qu'il soit nécessaire de les recharger ou de les recalculer Si nous ouvrons le fichier créé avec le tableau enregistré, nous ne verrons rien d'utile pour nous. Cependant, la fonction de chargement est utilisée pour recharger ces tableaux enregistrés dans la mémoire du programme Il permet d'accéder aux données du tableau enregistrées à l'aide de la fonction de sécurité. Ces fonctions sont très utiles pour travailler avec de grandes quantités de données et pour les traiter ultérieurement sans avoir besoin de calculs La fonction savetixt de la bibliothèque Napi est utilisée pour enregistrer les tableaux Nampi au format texte dans Cela permet d'enregistrer les données du tableau dans un format pratique pour la lecture et l'édition. Par exemple, je vais choisir le format CSV, mais vous pouvez spécifier des extensions telles que Tixt, CSV ou data Il s'agit d'extensions courantes généralement utilisées pour stocker des données au format texte. Cependant, SAPTixt peut réellement enregistrer des données dans n'importe quel fichier texte avec les extensions que vous souhaitez Nous pouvons voir que notre fichier est apparu dans le répertoire du projet. Maintenant, chargez-le. La fonction od text est utilisée pour charger les données d'un fichier texte dans un AmpIrray. Il permet d'accéder aux données enregistrées à l'aide de la fonction save Tixt Ceci est très similaire au mécanisme dont nous avons parlé plus tôt où nous avons utilisé la sauvegarde puis le chargement. Mais ce format n'était ni convivial ni lisible pour nous. Ici, cependant, nous pouvons déjà voir le fichier et son contenu enregistré. Ces deux fonctions sont très utiles pour travailler avec des données dans un format compréhensible pour les humains. Ils permettent de sauvegarder et de charger facilement des données sans nécessaire de comprendre la structure interne de Numprays Pour l'exemple suivant, laissez-moi créer U Supposons que nous ayons un tableau bidimensionnel représentant certaines données. Eh bien, supposons que ce soit la température dans différentes régions, et nous voulons trouver la position de tous les éléments qui dépassent un certain seuil. Je définis un seuil variable et la valeur de 30. Il s'agit de la valeur par rapport à laquelle nous voulons trouver des éléments dans le tableau. Comment pouvons-nous faire cela à Nam Pi ? Il existe une fonction particulièrement utile pour trouver la position des éléments qui satisfont à une condition donnée, et il s'agit de la fonction arc ware. Notre condition renvoie les indices de l'élément qui sont vrais dans le tableau booléen car cette expression crée un tableau booléen où chaque élément est vrai s'il est supérieur à 30 et tombe dans le J'imprime le tableau de données d'origine pour fournir le contexte de la position des éléments, puis j' imprime les index. Ces indices sont renvoyés sous forme de tableau bidimensionnel, où chaque ligne représente les coordonnées d'un élément, l'index de ligne et l'index de colonne dans le tableau d'origine. La sortie indique que les éléments supérieurs 30 sont situés à la position suivante dans le tableau de données, ligne 1, colonne 2, élément 35. Deuxième ligne, colonne zéro, élément 40. Ligne 2, colonne 1 , élément 45, etc. Dans cet exemple, j'ai démontré comment la fonction Arcbar peut être utilisée pour localiser la position des éléments et du tableau numpy qui répondent à une condition spécifique Félicitations. Nous avons terminé ce cours intensif. J'espère que vous l'avez trouvée intéressante et pas trop ennuyeuse et que vous avez trouvé cette leçon utile. Encore une fois, je tiens à souligner que la pratique est la chose la plus importante. Je recommande vivement de faire une pause après chaque leçon et expérimenter ou de répéter quelque chose manuellement, car la théorie est une bonne chose, mais vous n'apprendrez pas sans pratique La meilleure façon d'apprendre, c'est par le biais de votre propre pratique. Merci de votre attention continuez à coder, continuez à apprendre.