NumPy: Руководство по установке, основам и передовым методам работы с библиотекой

01.05.2025
16813

5 мин
59

NumPy (Numerical Python) — это фундаментальная библиотека для научных вычислений на Python. Она предоставляет мощные инструменты для работы с многомерными массивами и матрицами, а также богатый набор математических функций для выполнения операций над этими массивами.

В контексте анализа данных, интернет-маркетинга, контекстной рекламы и веб-программирования NumPy является незаменимым инструментом для обработки и анализа больших объемов данных, реализации алгоритмов машинного обучения и оптимизации математических моделей.

Краткая история NumPy

NumPy берет свое начало от двух более ранних библиотек: Numeric и Numarray. В 2006 году Travis Oliphant объединил лучшие черты этих библиотек, создав NumPy, который быстро стал стандартом для научных вычислений на Python. Разработка NumPy продолжается и по сей день, с регулярными обновлениями и улучшениями.

Преимущества использования NumPy

Скорость: Операции над массивами NumPy выполняются значительно быстрее, чем аналогичные операции над Python lists, благодаря векторизации и оптимизированным C-реализациям.
Эффективность использования памяти: Массивы NumPy хранят данные одного типа в непрерывном блоке памяти, что позволяет более эффективно использовать память.
Удобство: NumPy предоставляет богатый набор функций для математических, статистических и линейно-алгебраических операций.
Интеграция: NumPy легко интегрируется с другими библиотеками Python, такими как SciPy, Pandas, Matplotlib и scikit-learn.

Сравнение NumPy с Python lists

Python lists — это гибкий и удобный инструмент для хранения коллекций данных. Однако, они не оптимизированы для численных вычислений. NumPy arrays, напротив, предназначены для эффективной работы с числовыми данными. Основное отличие заключается в том, что массивы NumPy требуют, чтобы все элементы были одного и того же типа данных, что позволяет NumPy использовать оптимизированные операции и хранение данных.

Установка NumPy

Необходимое программное обеспечение и зависимости

Для установки NumPy вам потребуется:

Python (версия 3.7 или выше).
Менеджер пакетов pip или conda.

Установка NumPy с помощью pip

Самый простой способ установить NumPy — использовать pip:

pip install numpy

Установка NumPy с помощью conda

Если вы используете Anaconda, вы можете установить NumPy с помощью conda:

conda install numpy

Проверка успешной установки

Чтобы проверить, правильно ли установлена библиотека, запустите Python и выполните следующие команды:

import numpy as np
print(np.__version__)

Если вы увидите номер версии NumPy, значит, установка прошла успешно.

Решение проблем при установке

Если при установке возникают проблемы, убедитесь, что у вас установлена последняя версия pip или conda, а также проверьте наличие необходимых зависимостей.

Основы работы с NumPy

Импорт библиотеки NumPy

Для использования NumPy в вашем коде необходимо импортировать библиотеку:

import numpy as np

np — это общепринятое сокращение для NumPy.

Создание массивов NumPy (ndarray)

Массивы NumPy (ndarray) — это основной тип данных в NumPy. Создать массив можно разными способами:

Из Python list:

my_list = [1, 2, 3, 4, 5]
my_array = np.array(my_list)

С помощью функций NumPy:

zeros_array = np.zeros((3, 4))
ones_array = np.ones((2, 2))
range_array = np.arange(0, 10, 2) # от 0 до 10 (не включая) с шагом 2
linspace_array = np.linspace(0, 1, 5) # 5 чисел равномерно распределенных между 0 и 1

Типы данных в NumPy

NumPy поддерживает различные типы данных, такие как int, float, complex, bool и string. При создании массива можно явно указать тип данных:

int_array = np.array([1, 2, 3], dtype=np.int32)
float_array = np.array([1.0, 2.0, 3.0], dtype=np.float64)

Основные атрибуты массива: shape, size, dtype

shape: Возвращает размеры массива в виде кортежа (например, (3, 4) для массива 3×4).
size: Возвращает общее количество элементов в массиве.
dtype: Возвращает тип данных элементов массива.

Пример:

my_array = np.array([[1, 2, 3], [4, 5, 6]])
print(my_array.shape)  # (2, 3)
print(my_array.size)   # 6
print(my_array.dtype)  # int64 (или int32 в зависимости от системы)

Индексация и срезы массивов

Индексация в NumPy массивах аналогична индексации в Python lists:

my_array = np.array([10, 20, 30, 40, 50])
print(my_array[0])    # 10
print(my_array[1:4])  # [20 30 40]

Для многомерных массивов используется индексация с несколькими индексами:

my_array = np.array([[1, 2, 3], [4, 5, 6]])
print(my_array[0, 1])  # 2
print(my_array[1, :])  # [4 5 6]

Изменение формы массива (reshape)

Функция reshape позволяет изменить форму массива, не меняя его данных:

my_array = np.arange(12)
reshaped_array = my_array.reshape(3, 4)
print(reshaped_array)

Основные операции с массивами NumPy

Арифметические операции: сложение, вычитание, умножение, деление

Арифметические операции выполняются поэлементно:

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

print(a + b)  # [5 7 9]
print(a * b)  # [ 4 10 18]

Матричное умножение

Матричное умножение выполняется с помощью функции np.dot или оператора @:

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])

print(np.dot(a, b))
print(a @ b)

Универсальные функции (ufuncs): математические, тригонометрические и другие

NumPy предоставляет широкий набор универсальных функций (ufuncs), которые применяются поэлементно к массивам:

a = np.array([1, 2, 3])

print(np.sin(a))
print(np.exp(a))
print(np.log(a))

Агрегирующие функции: sum, min, max, mean, std, var

Агрегирующие функции позволяют вычислить статистические показатели для всего массива или для отдельных осей:

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

print(np.sum(a))          # 21
print(np.sum(a, axis=0))  # [5 7 9]
print(np.mean(a))         # 3.5

Broadcasting: правила и примеры

Broadcasting — это механизм, который позволяет выполнять операции над массивами разной формы, если их размеры совместимы. Например, можно сложить массив с числом:

a = np.array([1, 2, 3])
print(a + 5)  # [6 7 8]

Продвинутые методы работы с NumPy

Булева индексация

Булева индексация позволяет выбирать элементы массива на основе логического условия:

a = np.array([10, 20, 30, 40, 50])
b = a[a > 25]
print(b) # [30 40 50]

Маскирование массивов

Маскирование массивов позволяет создавать маски на основе логических условий и использовать их для выбора или изменения элементов массива:

a = np.array([1, 2, 3, 4, 5])
mask = a > 2
a[mask] = 0 #заменяем значения > 2 на 0
print(a) # [1 2 0 0 0]

Линейная алгебра: решение систем уравнений, вычисление определителей и собственных значений

NumPy предоставляет инструменты для решения задач линейной алгебры:

a = np.array([[1, 2], [3, 4]])
b = np.array([5, 11])
x = np.linalg.solve(a, b)
print(x)

Генерация случайных чисел

NumPy позволяет генерировать случайные числа различных распределений:

random_array = np.random.rand(3, 4)  # Случайные числа от 0 до 1
normal_array = np.random.randn(2, 2) # Случайные числа из нормального распределения
randint_array = np.random.randint(0, 10, (3,3)) # Случайные целые числа от 0 до 9

Работа с многомерными массивами

NumPy позволяет работать с массивами любой размерности. Операции над многомерными массивами аналогичны операциям над одномерными массивами, но требуют учета структуры массива.

Оптимизация производительности NumPy

Векторизация операций

Векторизация операций — это использование NumPy функций вместо циклов Python. Это значительно ускоряет выполнение кода.

Избегание циклов Python

Циклы Python работают медленнее, чем векторизованные операции NumPy. По возможности избегайте использования циклов.

Использование NumPy с Cython

Cython позволяет писать код на Python, который компилируется в C. Это может значительно повысить производительность NumPy-кода.

Управление памятью в NumPy

При работе с большими массивами данных важно эффективно управлять памятью. Используйте dtype, чтобы выбрать оптимальный тип данных для ваших данных, и избегайте создания ненужных копий массивов.

NumPy и другие библиотеки Python

NumPy и SciPy

SciPy — это библиотека, построенная на основе NumPy, которая предоставляет дополнительные инструменты для научных вычислений, такие как оптимизация, интегрирование и интерполяция.

NumPy и Pandas

Pandas — это библиотека для анализа данных, которая использует NumPy для хранения и обработки данных. Pandas предоставляет более высокоуровневые инструменты для работы с табличными данными.

NumPy и Matplotlib

Matplotlib — это библиотека для визуализации данных, которая использует NumPy для представления данных. Matplotlib позволяет создавать графики, диаграммы и другие визуализации.

NumPy и scikit-learn

scikit-learn — это библиотека для машинного обучения, которая использует NumPy для хранения и обработки данных. scikit-learn предоставляет широкий набор алгоритмов машинного обучения.

Заключение

NumPy — это мощная библиотека для научных вычислений на Python, которая предоставляет инструменты для работы с многомерными массивами и матрицами, а также богатый набор математических функций. NumPy позволяет значительно ускорить выполнение численных расчетов и эффективно использовать память. Библиотека интегрируется с другими популярными библиотеками Python, такими как SciPy, Pandas, Matplotlib и scikit-learn.