Создание массивов NumPy в Python: Руководство для начинающих и продвинутых пользователей

04.11.2025
62055

4 мин
30

NumPy (Numerical Python) – это фундаментальная библиотека Python для численных вычислений. Она предоставляет мощные инструменты для работы с многомерными массивами и матрицами, а также широкий набор математических функций для операций над этими массивами. В этом руководстве мы рассмотрим основы создания массивов NumPy, их атрибуты, методы индексации и срезов, а также сравним производительность NumPy с обычными списками Python.

Что такое NumPy и зачем он нужен для работы с массивами?

Обзор библиотеки NumPy и её роль в Python

NumPy является краеугольным камнем для многих библиотек Python, используемых в научных вычислениях, анализе данных и машинном обучении, таких как SciPy, pandas, scikit-learn и TensorFlow. Она обеспечивает эффективное хранение и обработку больших объемов данных, что критически важно для многих задач.

Преимущества использования NumPy для работы с массивами

Производительность: NumPy массивы хранятся в памяти непрерывно, что позволяет выполнять векторные операции значительно быстрее, чем при работе с списками Python.
Функциональность: NumPy предоставляет богатый набор функций для математических, статистических и логических операций над массивами.
Удобство: NumPy упрощает работу с многомерными данными благодаря удобной системе индексации и срезов.
Интеграция: NumPy легко интегрируется с другими библиотеками Python для анализа данных и машинного обучения.

Основные типы данных NumPy и атрибуты массивов

Обзор основных типов данных: int, float, bool, complex

NumPy поддерживает различные числовые типы данных, включая:

int: Целые числа (int8, int16, int32, int64).
float: Числа с плавающей точкой (float16, float32, float64).
bool: Логические значения (True, False).
complex: Комплексные числа (complex64, complex128).

При создании массива NumPy автоматически определяет наиболее подходящий тип данных на основе переданных значений. Тип данных можно указать явно с помощью аргумента dtype.

Атрибуты массивов: shape, dtype, ndim, size

Каждый массив NumPy обладает следующими атрибутами:

shape: Кортеж, определяющий размерность массива. Например, (3, 4) означает массив с 3 строками и 4 столбцами.
dtype: Тип данных элементов массива. Например, int32 или float64.
ndim: Количество измерений массива. Например, 1 для одномерного массива, 2 для двумерного.
size: Общее количество элементов в массиве.

Пример:

import numpy as np

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

Создание массивов NumPy: Основы

Создание массивов с использованием numpy.array()

Самый простой способ создать массив NumPy – использовать функцию numpy.array(), передав ей список или кортеж:

import numpy as np

arr = np.array([1, 2, 3, 4, 5])  # Создание одномерного массива
arr2d = np.array([[1, 2, 3], [4, 5, 6]])  # Создание двумерного массива

Создание массивов, заполненных нулями и единицами (numpy.zeros(), numpy.ones())

Функции numpy.zeros() и numpy.ones() позволяют создавать массивы, заполненные нулями и единицами, соответственно. Необходимо указать размерность массива в виде кортежа:

import numpy as np

zeros_arr = np.zeros((2, 3))  # Создание массива 2x3, заполненного нулями
ones_arr = np.ones((3, 2))  # Создание массива 3x2, заполненного единицами

Продвинутые методы создания массивов NumPy

Создание массивов с использованием numpy.arange() и numpy.linspace()

numpy.arange() создает массив с равномерно распределенными значениями в заданном диапазоне, подобно встроенной функции range():

Реклама
```
import numpy as np
```

arr = np.arange(0, 10, 2) # Создание массива [0 2 4 6 8] «`

numpy.linspace() создает массив с указанным количеством равномерно распределенных значений в заданном диапазоне:
```
import numpy as np
```

arr = np.linspace(0, 1, 5) # Создание массива [0. 0.25 0.5 0.75 1. ] «`

Инициализация массивов из списков и других итерируемых объектов

Функция numpy.array() может принимать любые итерируемые объекты, такие как списки, кортежи, генераторы и другие массивы NumPy, для создания новых массивов.

import numpy as np

list_data = [1, 2, 3, 4, 5]
arr_from_list = np.array(list_data)

tuple_data = (6, 7, 8, 9, 10)
arr_from_tuple = np.array(tuple_data)

Индексация и срезы массивов NumPy

Доступ к элементам массива с использованием индексов

Доступ к элементам массива осуществляется с помощью индексов, аналогично спискам Python. Индексация начинается с 0.

import numpy as np

arr = np.array([10, 20, 30, 40, 50])
print(arr[0])  # Вывод: 10
print(arr[3])  # Вывод: 40

arr2d = np.array([[1, 2, 3], [4, 5, 6]])
print(arr2d[0, 1])  # Вывод: 2 (элемент в первой строке и втором столбце)

Использование срезов для извлечения подмножеств массива

Срезы позволяют извлекать подмножества массива, указывая начальный и конечный индексы, а также шаг:

import numpy as np

arr = np.array([10, 20, 30, 40, 50])
print(arr[1:4])  # Вывод: [20 30 40]
print(arr[:3])   # Вывод: [10 20 30]
print(arr[::2])  # Вывод: [10 30 50]

arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr2d[:2, 1:])  # Вывод: [[2 3]
                      #         [5 6]]

Практическое применение и сравнение с списками Python

Математические операции с массивами NumPy: сложение, вычитание, умножение и деление

NumPy позволяет выполнять математические операции над массивами поэлементно. Это значительно эффективнее, чем использование циклов Python для выполнения тех же операций над списками.

import numpy as np

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])

print(arr1 + arr2)  # Вывод: [5 7 9] (сложение)
print(arr1 * arr2)  # Вывод: [ 4 10 18] (умножение)

Сравнение производительности NumPy и списков Python, примеры использования в задачах анализа данных

NumPy значительно превосходит списки Python по производительности при работе с большими объемами данных. Это связано с тем, что NumPy массивы хранятся в памяти непрерывно и используют оптимизированные алгоритмы для выполнения операций.