Курс Python → Основные операции с Numpy

Библиотека Numpy предоставляет удобные средства для выполнения базовых операций с массивами. Простейшие арифметические действия, такие как сложение, вычитание, умножение и деление, могут быть легко выполнены с помощью Numpy. Однако для выполнения этих операций массивы должны быть одинаковой формы, чтобы можно было произвести элементарные операции над соответствующими элементами.

Numpy также предоставляет возможность фильтрации данных в массивах с помощью простых знаков. Например, если нужно отфильтровать все элементы массива, которые больше определенного значения, можно просто использовать знак сравнения (> или <) без необходимости использования итераторов или циклов. Это делает код более читаемым и компактным.

Кроме арифметических операций, в Numpy также доступны различные математические функции, такие как синус, косинус, экспонента и т. д. Эти функции могут быть применены к массивам целиком, что облегчает выполнение сложных вычислений и анализа данных.


import numpy as np

# Пример выполнения базовых операций
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])

sum_result = arr1 + arr2
subtraction_result = arr2 - arr1
multiplication_result = arr1 * arr2
division_result = arr2 / arr1

# Пример фильтрации данных
filtered_data = arr[arr > 3]

# Пример применения математических функций
sin_values = np.sin(arr)
cos_values = np.cos(arr)

Приведенные выше примеры демонстрируют использование библиотеки Numpy для выполнения базовых операций, фильтрации данных и применения математических функций к массивам. Numpy обладает широкими возможностями и позволяет эффективно работать с массивами данных, упрощая процесс обработки информации и анализа результатов.

Твои коллеги будут рады, поделись в

Автор урока

Дмитрий Комаровский
Дмитрий Комаровский

Автоматизация процессов
в КраснодарБанки.ру

Другие уроки курса "Python"

  1. Работа с исключениями в Python
  2. Ускоренный импорт библиотек
  3. Переворот списка в Python
  4. Новшества Flask 2.0
  5. Методы работы со строками в Python
  6. Генераторы данных
  7. Работа с JSON данными в Python
  8. Избегание изменяемых аргументов
  9. Объединение словарей в Python
  10. Обмен значений переменных в Python
  11. Antigravity модуль
  12. Работа с Path в Python
  13. Реализация операции -= для пользовательского класса
  14. Метод append() для списка
  15. Множественное наследование в Python
  16. Измерение времени выполнения в Python
  17. Замена атрибута в именованном кортеже
  18. Метод lt для сортировки объектов
  19. Атрибуты массивов в Numpy
  20. Руководство по Pymorphy2
  21. Метод difference_update() — разность множеств
  22. Ограничение ресурсов в Python
  23. Тестирование времени с Freezegun
  24. Равенство и идентичность в Python
  25. Декораторы в Python
  26. Метод rmatmul для пользовательских матриц
  27. Таймер обратного отсчета
  28. Изменение регистра данных
  29. Оператор Walrus в Python
  30. Создание новых списков
  31. Вычисление натурального логарифма в NumPy
  32. Проверка индексов коллекции
  33. Генераторные функции в Python
  34. Методы в Python
  35. Работа с очередями в Python
  36. Импорт модулей в Python 3.12
  37. Разделение строки с помощью split()
  38. Создание виртуальной среды
  39. Модуль Antigravity в Python 3
  40. Множества и frozenset
  41. Defaultdict в Python
  42. Фильтрация последовательности
  43. Раздувающийся словарь в Python
  44. Генерация фальшивых данных с Faker
  45. Генерация ключей RSA
  46. Определение размера папок в Python

Marketello читают маркетологи из крутых компаний