importnumpyasnpa=np.array([[1357911][24681012]])# horizontal splittingprint('Splitting along horizontal axis into 2 parts:n'np.hsplit(a2))# vertical splittingprint('nSplitting along vertical axis into 2 parts:n'np.vsplit(a2))
Yayın terimi, NumPy'nin aritmetik işlemler sırasında farklı şekillerdeki dizileri nasıl ele aldığını açıklar. Belirli kısıtlamalara tabi olarak, daha küçük dizi daha büyük diziye 'yayınlanır', böylece uyumlu şekillere sahip olurlar. Yayınlama, döngü işlemlerinin Python yerine C'de gerçekleşmesi için dizi işlemlerini vektörleştirmenin bir yolunu sağlar. Bunu gereksiz veri kopyaları yapmadan yapar ve genellikle verimli algoritma uygulamalarına yol açar. Ayrıca, hafızanın verimsiz kullanımına yol açarak hesaplamayı yavaşlatması nedeniyle yayınlamanın kötü bir fikir olduğu durumlar da vardır. NumPy işlemleri genellikle iki dizinin tam olarak aynı şekle sahip olmasını gerektiren öğe bazında yapılır. Numpy'nin yayın kuralı, dizilerin şekilleri belirli kısıtlamaları karşıladığında bu kısıtlamayı gevşetir. Yayın Kuralı: Bir işlemde her iki dizi için arka eksenlerin boyutunun yayınlanabilmesi için ya aynı boyutta olması ya da bunlardan birinin olması gerekir. bir . Let us see some examples:
A(2-D array): 4 x 3 B(1-D array): 3 Result : 4 x 3
A(4-D array): 7 x 1 x 6 x 1 B(3-D array): 3 x 1 x 5 Result : 7 x 3 x 6 x 5
But this would be a mismatch:
A: 4 x 3 B: 4
The simplest broadcasting example occurs when an array and a scalar value are combined in an operation. Consider the example given below: Python
importnumpyasnpa=np.array([1.02.03.0])# Example 1b=2.0print(a*b)# Example 2c=[2.02.02.0]print(a*c)
Output:
[ 2. 4. 6.] [ 2. 4. 6.]
We can think of the scalar b being stretched during the arithmetic operation into an array with the same shape as a. The new elements in b as shown in above figure are simply copies of the original scalar. Although the stretching analogy is only conceptual. Numpy is smart enough to use the original scalar value without actually making copies so that broadcasting operations are as memory and computationally efficient as possible. Because Example 1 moves less memory (b is a scalar not an array) around during the multiplication it is about 10% faster than Example 2 using the standard numpy on Windows 2000 with one million element arrays! The figure below makes the concept more clear: In above example the scalar b is stretched to become an array of with the same shape as a so the shapes are compatible for element-by-element multiplication. Now let us see an example where both arrays get stretched. Python
Bazı durumlarda yayın, her iki diziyi de başlangıç dizilerinden daha büyük bir çıktı dizisi oluşturacak şekilde genişletir.
Datetime ile çalışma:
Numpy has core array data types which natively support datetime functionality. The data type is called datetime64 so named because datetime is already taken by the datetime library included in Python. Consider the example below for some examples: Python
importnumpyasnp# creating a datetoday=np.datetime64('2017-02-12')print('Date is:'today)print('Year is:'np.datetime64(today'Y'))# creating array of dates in a monthdates=np.arange('2017-02''2017-03'dtype='datetime64[D]')print('nDates of February 2017:n'dates)print('Today is February:'todayindates)# arithmetic operation on datesdur=np.datetime64('2017-05-22')-np.datetime64('2016-05-22')print('nNo. of days:'dur)print('No. of weeks:'np.timedelta64(dur'W'))# sorting datesa=np.array(['2017-02-12''2016-10-13''2019-05-22']dtype='datetime64')print('nDates in sorted order:'np.sort(a))
Output:
Date is: 2017-02-12 Year is: 2017 Dates of February 2017: ['2017-02-01' '2017-02-02' '2017-02-03' '2017-02-04' '2017-02-05' '2017-02-06' '2017-02-07' '2017-02-08' '2017-02-09' '2017-02-10' '2017-02-11' '2017-02-12' '2017-02-13' '2017-02-14' '2017-02-15' '2017-02-16' '2017-02-17' '2017-02-18' '2017-02-19' '2017-02-20' '2017-02-21' '2017-02-22' '2017-02-23' '2017-02-24' '2017-02-25' '2017-02-26' '2017-02-27' '2017-02-28'] Today is February: True No. of days: 365 days No. of weeks: 52 weeks Dates in sorted order: ['2016-10-13' '2017-02-12' '2019-05-22']
NumPy'de doğrusal cebir:
NumPy'nin Lineer Cebir modülü, herhangi bir numpy dizisine lineer cebir uygulamak için çeşitli yöntemler sunar. Şunları bulabilirsiniz:
bir dizinin sıra belirleyici izi vb.
kendi değerleri veya matrisleri
matris ve vektör çarpımları (nokta iç dış vb. çarpım) matris üssü
Doğrusal veya tensör denklemlerini ve çok daha fazlasını çözün!
Consider the example below which explains how we can use NumPy to do some matrix operations. Python
importnumpyasnpA=np.array([[611][4-25][287]])print('Rank of A:'np.linalg.matrix_rank(A))print('nTrace of A:'np.trace(A))print('nDeterminant of A:'np.linalg.det(A))print('nInverse of A:n'np.linalg.inv(A))print('nMatrix A raised to power 3:n'np.linalg.matrix_power(A3))
Output:
Rank of A: 3 Trace of A: 11 Determinant of A: -306.0 Inverse of A: [[ 0.17647059 -0.00326797 -0.02287582] [ 0.05882353 -0.13071895 0.08496732] [-0.11764706 0.1503268 0.05228758]] Matrix A raised to power 3: [[336 162 228] [406 162 469] [698 702 905]]
Let us assume that we want to solve this linear equation set:
x + 2*y = 8 3*x + 4*y = 18
This problem can be solved using linalg.solve method as shown in example below: Python
importnumpyasnp# coefficientsa=np.array([[12][34]])# constantsb=np.array([818])print('Solution of linear equations:'np.linalg.solve(ab))
Output:
Solution of linear equations: [ 2. 3.]
Finally we see an example which shows how one can perform linear regression using least squares method. A linear regression line is of the form w1 x + w 2 = y ve her veri noktasından çizgiye olan mesafenin karelerinin toplamını en aza indiren çizgidir. Yani n çift veri (xi yi) verildiğinde aradığımız parametreler hatayı en aza indiren w1 ve w2'dir: Let us have a look at the example below: Python
importnumpyasnpimportmatplotlib.pyplotasplt# x co-ordinatesx=np.arange(09)A=np.array([xnp.ones(9)])# linearly generated sequencey=[192020.521.522232325.524]# obtaining the parameters of regression linew=np.linalg.lstsq(A.Ty)[0]# plotting the lineline=w[0]*x+w[1]# regression lineplt.plot(xline'r-')plt.plot(xy'o')plt.show()
Output: Böylece bu NumPy eğitim serisinin sonucuna varıyoruz. NumPy, scipy scikit-learn tensorflow matplotlib opencv vb. gibi diğer birçok hesaplama kütüphanesinin merkezinde yer alan, yaygın olarak kullanılan genel amaçlı bir kütüphanedir. NumPy hakkında temel bir anlayışa sahip olmak, diğer yüksek seviyeli kütüphanelerle verimli bir şekilde başa çıkmanıza yardımcı olur! Referanslar:
In above example the scalar b is stretched to become an array of with the same shape as a so the shapes are compatible for element-by-element multiplication. Now let us see an example where both arrays get stretched. Python 
Bazı durumlarda yayın, her iki diziyi de başlangıç dizilerinden daha büyük bir çıktı dizisi oluşturacak şekilde genişletir. 
Let us have a look at the example below: Python 
Böylece bu NumPy eğitim serisinin sonucuna varıyoruz. NumPy, scipy scikit-learn tensorflow matplotlib opencv vb. gibi diğer birçok hesaplama kütüphanesinin merkezinde yer alan, yaygın olarak kullanılan genel amaçlı bir kütüphanedir. NumPy hakkında temel bir anlayışa sahip olmak, diğer yüksek seviyeli kütüphanelerle verimli bir şekilde başa çıkmanıza yardımcı olur! Referanslar: