Erstellen und Verwenden von Python NumPy-Arrays

Einführung

In diesem Lab erhalten Sie einen Schritt-für-Schritt Leitfaden zur Erstellung und Verwendung von NumPy-Arrays. NumPy-Arrays sind mehrdimensionale, rasterartige Strukturen, die für wissenschaftliches Rechnen und Datenanalyse in Python verwendet werden. Sie haben gegenüber Python-Listen mehrere Vorteile, darunter schnellere Berechnungen, einfachere Manipulation und bessere Arbeitsspeicherverwaltung.

Tipps für die VM

Nachdem der VM-Start abgeschlossen ist, klicken Sie in der oberen linken Ecke, um zur Registerkarte Notebook zu wechseln und Jupyter Notebook für die Übung zu nutzen.

Manchmal müssen Sie einige Sekunden warten, bis Jupyter Notebook vollständig geladen ist. Die Validierung von Vorgängen kann aufgrund von Einschränkungen in Jupyter Notebook nicht automatisiert werden.

Wenn Sie bei der Lernphase Probleme haben, können Sie Labby gerne fragen. Geben Sie nach der Sitzung Feedback, und wir werden das Problem für Sie prompt beheben.

Installation von NumPy

Bevor wir beginnen, NumPy-Arrays zu erstellen und zu verwenden, ist es erforderlich, das NumPy-Paket zu installieren. Dies kann mit dem folgenden Befehl durchgeführt werden:

!pip install numpy

Erstellen eines NumPy-Arrays

Um ein NumPy-Array zu erstellen, können wir die Funktion numpy.array() verwenden. Wir können eine Liste, ein Tupel oder jedes arrayähnliche Objekt an diese Funktion übergeben, und sie wird es in ein NumPy-Array umwandeln. Der Parameter dtype kann verwendet werden, um den Datentyp des Arrays explizit zu definieren.

import numpy as np

## Erstellen eines 1-dimensionalen NumPy-Arrays
arr1 = np.array([1, 2, 3])

## Erstellen eines 2-dimensionalen NumPy-Arrays
arr2 = np.array([[1, 2, 3],[4, 5, 6]])

Überprüfen der Form und Dimensionen eines NumPy-Arrays

Wir können die Attribute shape und ndim eines NumPy-Arrays verwenden, um seine Form und Dimensionen respective zu überprüfen. Das Attribut shape gibt ein Tupel zurück, das die Anzahl der Elemente in jeder Dimension des Arrays enthält, während das Attribut ndim die Anzahl der Dimensionen im Array zurückgibt.

import numpy as np

arr = np.array([[1, 2, 3],[4, 5, 6]])

print(arr.shape) ## Ausgabe: (2, 3)
print(arr.ndim) ## Ausgabe: 2

Zugreifen auf Elemente eines NumPy-Arrays

Wir können auf Elemente eines NumPy-Arrays wie bei Python-Listen über Indexierung und Slicing zugreifen. Der Index eines NumPy-Arrays beginnt immer bei 0.

import numpy as np

arr = np.array([[1, 2, 3],[4, 5, 6]])

print(arr[0, 1]) ## Ausgabe: 2
print(arr[:, 1]) ## Ausgabe: array([2, 5])

Ausführen von Operationen auf NumPy-Arrays

NumPy-Arrays unterstützen viele verschiedene Operationen, wie arithmetische Operationen, Aggregationsfunktionen und logische Operationen. Beispielsweise können wir die Funktionen sum() und mean() verwenden, um die Summe und den Mittelwert der Elemente eines NumPy-Arrays zu berechnen:

import numpy as np

arr = np.array([[1, 2, 3],[4, 5, 6]])

print(arr.sum()) ## Ausgabe: 21
print(arr.mean()) ## Ausgabe: 3,5

Umformen und Transponieren von NumPy-Arrays

Wir können ein NumPy-Array mit der Funktion reshape() umformen. Diese Funktion nimmt ein Tupel der gewünschten Form als Argument entgegen. Wir können ein NumPy-Array auch mit der Funktion transpose() oder dem Attribut T transponieren.

import numpy as np

arr = np.array([[1, 2, 3],[4, 5, 6]])

## Array in 3 Zeilen und 2 Spalten umformen
arr_reshaped = arr.reshape((3, 2))

## Array transponieren
arr_transposed = arr.transpose()
arr_T = arr.T

print(arr_reshaped) ## Ausgabe: array([[1, 2],[3, 4],[5, 6]])
print(arr_transposed) ## Ausgabe: array([[1, 4],[2, 5],[3, 6]])
print(arr_T) ## Ausgabe: array([[1, 4],[2, 5],[3, 6]])

Zusammenfassung

In diesem Lab haben wir gelernt, wie man NumPy-Arrays in Python erstellt und verwendet. Wir haben die grundlegenden Schritte des Erstellens eines Arrays, das Überprüfen seiner Form und Dimensionen, das Zugreifen auf seine Elemente, das Ausführen von Operationen darauf sowie das Umformen und Transponieren behandelt. Mit diesen Fähigkeiten können wir effizient mit mehrdimensionalen Arrays für wissenschaftliches Rechnen und Datenanalyse arbeiten.