importnumpyasnpa=np.array([[1357911][24681012]])# horizontal splittingprint('Splitting along horizontal axis into 2 parts:n'np.hsplit(a2))# vertical splittingprint('nSplitting along vertical axis into 2 parts:n'np.vsplit(a2))
Термин емитовање описује како НумПи третира низове различитих облика током аритметичких операција. Подложно одређеним ограничењима, мањи низ се 'емитује' преко већег низа тако да имају компатибилне облике. Емитовање обезбеђује средство за векторизацију операција низа тако да се петља дешава у Ц уместо у Питхон-у. То ради без прављења непотребних копија података и обично доводи до ефикасних имплементација алгоритма. Постоје и случајеви у којима је емитовање лоша идеја јер доводи до неефикасне употребе меморије која успорава рачунање. НумПи операције се обично раде елемент по елемент што захтева да два низа имају потпуно исти облик. Нумпи-јево правило емитовања попушта ово ограничење када облици низова испуњавају одређена ограничења. Правило емитовања: Да би се емитовала величина пратећих оса за оба низа у операцији мора бити или исте величине или једна од њих мора бити један . Let us see some examples:
A(2-D array): 4 x 3 B(1-D array): 3 Result : 4 x 3
A(4-D array): 7 x 1 x 6 x 1 B(3-D array): 3 x 1 x 5 Result : 7 x 3 x 6 x 5
But this would be a mismatch:
A: 4 x 3 B: 4
The simplest broadcasting example occurs when an array and a scalar value are combined in an operation. Consider the example given below: Python
importnumpyasnpa=np.array([1.02.03.0])# Example 1b=2.0print(a*b)# Example 2c=[2.02.02.0]print(a*c)
Output:
[ 2. 4. 6.] [ 2. 4. 6.]
We can think of the scalar b being stretched during the arithmetic operation into an array with the same shape as a. The new elements in b as shown in above figure are simply copies of the original scalar. Although the stretching analogy is only conceptual. Numpy is smart enough to use the original scalar value without actually making copies so that broadcasting operations are as memory and computationally efficient as possible. Because Example 1 moves less memory (b is a scalar not an array) around during the multiplication it is about 10% faster than Example 2 using the standard numpy on Windows 2000 with one million element arrays! The figure below makes the concept more clear: In above example the scalar b is stretched to become an array of with the same shape as a so the shapes are compatible for element-by-element multiplication. Now let us see an example where both arrays get stretched. Python
У неким случајевима емитовање протеже оба низа да би се формирао излазни низ већи од било ког од почетних низова.
Рад са датумом и временом:
Numpy has core array data types which natively support datetime functionality. The data type is called datetime64 so named because datetime is already taken by the datetime library included in Python. Consider the example below for some examples: Python
importnumpyasnp# creating a datetoday=np.datetime64('2017-02-12')print('Date is:'today)print('Year is:'np.datetime64(today'Y'))# creating array of dates in a monthdates=np.arange('2017-02''2017-03'dtype='datetime64[D]')print('nDates of February 2017:n'dates)print('Today is February:'todayindates)# arithmetic operation on datesdur=np.datetime64('2017-05-22')-np.datetime64('2016-05-22')print('nNo. of days:'dur)print('No. of weeks:'np.timedelta64(dur'W'))# sorting datesa=np.array(['2017-02-12''2016-10-13''2019-05-22']dtype='datetime64')print('nDates in sorted order:'np.sort(a))
Output:
Date is: 2017-02-12 Year is: 2017 Dates of February 2017: ['2017-02-01' '2017-02-02' '2017-02-03' '2017-02-04' '2017-02-05' '2017-02-06' '2017-02-07' '2017-02-08' '2017-02-09' '2017-02-10' '2017-02-11' '2017-02-12' '2017-02-13' '2017-02-14' '2017-02-15' '2017-02-16' '2017-02-17' '2017-02-18' '2017-02-19' '2017-02-20' '2017-02-21' '2017-02-22' '2017-02-23' '2017-02-24' '2017-02-25' '2017-02-26' '2017-02-27' '2017-02-28'] Today is February: True No. of days: 365 days No. of weeks: 52 weeks Dates in sorted order: ['2016-10-13' '2017-02-12' '2019-05-22']
Линеарна алгебра у НумПи:
Модул линеарне алгебре НумПи нуди различите методе за примену линеарне алгебре на било који нумпи низ. Можете пронаћи:
траг одреднице ранга итд. низа.
сопствене вредности или матрице
матрични и векторски производи (тачка унутрашња спољашња итд. производ) експоненцијација матрице
решите линеарне или тензорске једначине и још много тога!
Consider the example below which explains how we can use NumPy to do some matrix operations. Python
importnumpyasnpA=np.array([[611][4-25][287]])print('Rank of A:'np.linalg.matrix_rank(A))print('nTrace of A:'np.trace(A))print('nDeterminant of A:'np.linalg.det(A))print('nInverse of A:n'np.linalg.inv(A))print('nMatrix A raised to power 3:n'np.linalg.matrix_power(A3))
Output:
Rank of A: 3 Trace of A: 11 Determinant of A: -306.0 Inverse of A: [[ 0.17647059 -0.00326797 -0.02287582] [ 0.05882353 -0.13071895 0.08496732] [-0.11764706 0.1503268 0.05228758]] Matrix A raised to power 3: [[336 162 228] [406 162 469] [698 702 905]]
Let us assume that we want to solve this linear equation set:
x + 2*y = 8 3*x + 4*y = 18
This problem can be solved using линалг.солве method as shown in example below: Python
importnumpyasnp# coefficientsa=np.array([[12][34]])# constantsb=np.array([818])print('Solution of linear equations:'np.linalg.solve(ab))
Output:
Solution of linear equations: [ 2. 3.]
Finally we see an example which shows how one can perform linear regression using least squares method. A linear regression line is of the form w1 к + в 2 = и и то је права која минимизира збир квадрата растојања од сваке тачке података до праве. Дакле, с обзиром на н парова података (ки ии), параметри које тражимо су в1 и в2 који минимизирају грешку: Let us have a look at the example below: Python
importnumpyasnpimportmatplotlib.pyplotasplt# x co-ordinatesx=np.arange(09)A=np.array([xnp.ones(9)])# linearly generated sequencey=[192020.521.522232325.524]# obtaining the parameters of regression linew=np.linalg.lstsq(A.Ty)[0]# plotting the lineline=w[0]*x+w[1]# regression lineplt.plot(xline'r-')plt.plot(xy'o')plt.show()
Output: Дакле, ово доводи до закључка ове серије НумПи водича. НумПи је широко коришћена библиотека опште намене која је у основи многих других рачунарских библиотека као што је сципи сцикит-леарн тенсорфлов матплотлиб опенцв итд. Основно разумевање НумПи-а помаже у ефикасном раду са другим библиотекама вишег нивоа! Референце:
In above example the scalar b is stretched to become an array of with the same shape as a so the shapes are compatible for element-by-element multiplication. Now let us see an example where both arrays get stretched. Python 
У неким случајевима емитовање протеже оба низа да би се формирао излазни низ већи од било ког од почетних низова. 
Let us have a look at the example below: Python 
Дакле, ово доводи до закључка ове серије НумПи водича. НумПи је широко коришћена библиотека опште намене која је у основи многих других рачунарских библиотека као што је сципи сцикит-леарн тенсорфлов матплотлиб опенцв итд. Основно разумевање НумПи-а помаже у ефикасном раду са другим библиотекама вишег нивоа! Референце: