Создание массива NumPy с использованием имеющихся данных

Введение

NumPy - это популярная библиотека Python, которая обеспечивает поддержку для массивов. Она предоставляет различные способы создания массива из существующих данных. В этом практическом занятии мы узнаем, как создавать массивы с использованием существующих данных.

Советы по работе с ВМ

После запуска виртуальной машины нажмите в левом верхнем углу, чтобы переключиться на вкладку Notebook и получить доступ к Jupyter Notebook для практики.

Иногда вам может потребоваться подождать несколько секунд, пока Jupyter Notebook не загрузится полностью. Валидация операций не может быть автоматизирована из-за ограничений Jupyter Notebook.

Если вы сталкиваетесь с проблемами во время обучения, не стесняйтесь обращаться к Labby. Оставьте отзыв после занятия, и мы оперативно решим проблему для вас.

Создание массива с использованием кортежа - с использованием numpy.asarray

Построение numpy.asarray используется для преобразования последовательности Python в ndarray. Создадим массив с использованием кортежа с помощью numpy.asarray.

import numpy as np

## кортеж Python
l = (34,7,8,78)
## создание массива с использованием кортежа
a = np.asarray(l)

print(type(a))
print(a)

Результат:

<class 'numpy.ndarray'>
[34 7 8 78]

В приведенном выше коде мы создали массив с использованием функции numpy.asarray(), передав кортеж l в качестве входных данных и сохранив возвращаемый массив в переменной a. Результат показывает, что a - это numpy.ndarray.

Создание массива с использованием списка - с использованием numpy.asarray

Теперь создадим массив, используя несколько списков.

import numpy as np

## список Python
l = [[1,2,3],[8,9],[5,7]]
## создание массива из списка
b = np.asarray(l)

print(type(b))
print(b)

Результат:

<class 'numpy.ndarray'>
[list([1, 2, 3]) list([8, 9]) list([5, 7])]

В приведенном выше коде мы создали массив с использованием функции numpy.asarray(), передав список l в качестве входных данных и сохранив возвращаемый массив в переменной b. Результат показывает, что массив содержит списки в качестве элементов, а не отдельные элементы.

Создание массива с использованием numpy.frombuffer

Построение numpy.frombuffer используется для создания массива с использованием указанного буфера.

import numpy as np

## инициализация байтов
l = b'LabEx!'
print(type(l))

a = np.frombuffer(l, dtype = "S1")
print(a)
print(type(a))

Результат:

<class 'bytes'>
[b'S' b't' b'u' b'd' b'y' b'T' b'o' b'n' b'i' b'g' b'h' b't' b'!']
<class 'numpy.ndarray'>

В приведенном выше коде мы создали массив с использованием процедуры numpy.frombuffer, где мы инициализировали байты и вернули одномерный массив типа 'S1'. При выполнении данная функция выводит все отдельные символы в заданной байтовой строке.

Создание массива с использованием numpy.fromiter

Построение numpy.fromiter используется для создания ndarray с использованием итерируемого объекта.

import numpy as np

## использование кортежа Python
tup = (2,4,6,20)
## создание итератора
it = iter(tup)

## создание ndarray с использованием итератора
x = np.fromiter(it, dtype = float)

print(x)
print(type(x))

Результат:

[ 2. 4. 6. 20.]
<class 'numpy.ndarray'>

В приведенном выше коде мы сначала создали кортеж tup, а затем создали итератор с его использованием. Затем мы использовали этот итератор для создания массива numpy из вещественных чисел.

Резюме

В этом практическом занятии мы узнали разные способы создания массива с использованием имеющихся данных из библиотеки NumPy. Мы использовали различные процедуры библиотеки для создания массивов с использованием кортежей, списков, из буфера и из итератора. С помощью этих методов мы можем легко создать массив NumPy с использованием имеющихся у нас данных и применить к нему дальнейший анализ, вычисления и операции.