Tutoriel NumPy Python

Les prédécesseurs de NumPy, Numeric, ont été développés pour la première fois par Jim Hugunin et d'autres collaborateurs,2005 En 2001, Travis Oliphant a combiné les caractéristiques d'une autre bibliothèque de programme de même nature, Numarray, et a développé NumPy avec d'autres extensions. NumPy est un code source ouvert et est maintenu et développé conjointement par de nombreux collaborateurs.

Le cœur du paquet NumPy est l'objet ndarray. Il encapsule des tableaux n-dimensionnels de types de données similaires natifs de Python, et pour garantir une performance optimale, de nombreuses opérations sont exécutées localement après compilation du code.

Il y a plusieurs différences importantes entre les tableaux NumPy et les tableaux natifs de Python :

Les tableaux NumPy ont une taille fixe lors de leur création, contrairement aux objets tableau natifs de Python, le changement de taille d'un ndarray crée un nouveau tableau et supprime l'ancien tableau.Les éléments des tableaux NumPy doivent avoir le même type de données, et donc la même taille en mémoire.Les tableaux NumPy aident à effectuer des opérations mathématiques avancées et d'autres types sur de grandes quantités de données. Souvent, ces opérations sont plus efficaces et nécessitent moins de code que l'utilisation des tableaux natifs de Python.De plus en plus de logiciels scientifiques et mathématiques basés sur Python utilisent les tableaux NumPy, mais ils convertiront d'abord les tableaux d'entrée en tableaux NumPy avant de les traiter.

Avant de commencer le tutoriel NumPy, nous devons avoir des bases en Python. Ce site recommande l'utilisation de Python3.Version x, si vous ne connaissez pas encore Python, vous pouvez lire notreTutoriel Python

Pourquoi utiliser NumPy?

En Python, nous avons des listes qui remplissent les fonctions des tableaux, mais elles sont lentes à traiter.NumPy vise à fournir une vitesse supérieure à celle des listes traditionnelles en Python 5Objet tableau de 0倍.Les objets tableau dans NumPy sont appelés ndarray, ils fournissent de nombreuses fonctions de soutien qui rendent l'utilisation de ndarray très facile.Les tableaux sont très couramment utilisés en science des données, car la vitesse et les ressources sont très importantes.La science des données : une branche de la science informatique qui étudie la manière d' stocker, d'utiliser et d'analyser les données pour en extraire des informations.

Pourquoi NumPy est-il plus rapide que les listes?

Contrairement aux listes, les tableaux NumPy sont stockés dans des positions continues en mémoire, ce qui permet aux processus d'accéder et de manipuler efficacement.
Ce comportement est appelé localité des références en informatique.
C'est pourquoi NumPy est plus rapide que les listes. Il a également été optimisé pour être utilisé avec les dernières architectures de CPU.

Application de NumPy

NumPy est généralement utilisé avec SciPy, cette combinaison est largement utilisée pour remplacer MatLab, ce qui nous aide à apprendre la science des données ou l'apprentissage automatique à travers Python.SciPy est une bibliothèque d'algorithmes et d'outils mathématiques open source pour Python.SciPy contient des modules tels que l'optimisation, l'algèbre linéaire, l'intégration, l'interpolation, les fonctions spéciales, la transformation de Fourier rapide, le traitement du signal et de l'image, la résolution des équations différentielles ordinaires et d'autres calculs courants dans les sciences et l'ingénierie.Matplotlib est l'interface de visualisation pour le langage de programmation Python et son extension de mathématiques numériques NumPy. Il utilise des outils de interfaces graphiques génériques.

Ressources associées

Site officiel de NumPy :http://www.numpy.orgCode source de NumPy :https://github.com/numpy/numpySite officiel de SciPy :: https://www.scipy.orgCode source de SciPy :: https://github.com/scipy/scipyCode source de Matplotlib :: https://matplotlib.orgCode source de Matplotlib :: https://github.com/matplotlib/matplotlib

Exemple simple de Numpy

#　1、Installation du paquet
$　pip　install　numpy
#　2、Entrée dans l'interface interactive de python
$　python　-i
#　3、Utilisation de Numpy
>>> from　numpy　import　*
>>> eye(4)
#　4、Sortie de résultat
array([[1.,　0.,　0.,　0.],
　　　　　　　[0.,　1.,　0.,　0.],
　　　　　　　[0.,　0.,　1.,　0.],
　　　　　　　[0.,　0.,　0.,　1.]])