Курс Python → Атрибуты массивов в Numpy
Библиотека Numpy является одной из самых популярных библиотек для работы с массивами в Python. При создании массива с помощью Numpy мы получаем объект типа ndarray, который представляет собой многомерный массив. Одним из наиболее часто используемых атрибутов массивов является ndim, который показывает число измерений (или осей) массива. Например, для одномерного массива ndim будет равен 1, для двумерного — 2 и так далее.
Другим важным атрибутом является shape, который представляет собой кортеж натуральных чисел, показывающий размеры массива по каждой оси. Например, для матрицы из n строк и m столбцов, shape будет (n, m). Число элементов кортежа shape равно ndim, то есть количество измерений массива. Также важным атрибутом является size, который показывает количество элементов в массиве и равен произведению всех элементов атрибута shape.
Тип элементов массива определяется с помощью атрибута dtype, который является объектом, описывающим тип элементов массива. Еще одним полезным атрибутом является itemsize, который показывает размер каждого элемента массива в байтах. Наконец, атрибут data представляет собой буфер, содержащий фактические элементы массива, однако обычно мы не используем этот атрибут, так как обращаться к элементам массива проще всего с помощью индексов.
# Пример кода
import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
print("Shape массива:", arr.shape)
print("Размер массива:", arr.size)
print("Тип элементов массива:", arr.dtype)
print("Размер каждого элемента в байтах:", arr.itemsize)
В данном примере мы создаем двумерный массив arr с помощью библиотеки Numpy и выводим некоторые его атрибуты, такие как shape, size, dtype и itemsize. Это поможет нам лучше понять структуру и характеристики массива, что может быть полезно при его обработке и анализе данных.
Другие уроки курса "Python"
- split() без разделителя
- Парсинг веб-страниц с Beautiful Soup
- Моржовый оператор в Python 3.8
- Получение срезов итераторов
- Поиск уникальных элементов строкой в Python
- Метод append() для списка
- Ускорение обработки данных с %autoawait
- EMOT преобразование эмодзи в текст
- Метод округления чисел
- Работа с IP-адресами в Python
- Лямбда-функции в цикле
- Управление контекстом выполнения кода
- Функция sleep() в Python
- Переопределение метода __floordiv__
- Фильтрация списка от «ложных» значений
- Python Тесты и Гайды
- Прокачанный трейсинг ошибок
- Поиск индекса элемента в списке
- Особенности множеств в Python
- Удаление файлов с shutil.os.remove()
- Метод __irshift__ для побитового сдвига вправо
- Создание списка через итерацию
- Поиск email
- Удаление дубликатов из списка
- Создание даты из строки ISO
- Форматирование строк с f-строками
- Фильтрация элементов с помощью islice
- Итерация по копии коллекции
- Декоратор total_ordering для класса Point
- Big O оптимизация
- Lambda-функция в Python: использование с map() и sum()
- Подсчет элементов с помощью Counter из collections
- Обработка исключений с блоком else
- Изменяемые и неизменяемые объекты
- Функциональное программирование.
- Работа с URL-адресами в Python
- Функция reduce() из модуля functools
- JSON-esque в Python
- Профилирование с Pandas
- Создание и инициализация объектов
- Срез в Python
- Группы исключений в Python
- globals и locals
- Проблемы с именами переменных
- Метод rsub для пользовательских чисел















