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.

Твои коллеги будут рады, поделись в

Автор урока

Дмитрий Комаровский
Дмитрий Комаровский

Автоматизация процессов
в КраснодарБанки.ру

Другие уроки курса "Python"

  1. Использование функции enumerate()
  2. Импорт модуля из другого каталога
  3. Проблемы с dict в Python
  4. Многострочные комментарии в Python
  5. Списковый компрехеншен.
  6. Преобразование вложенного списка
  7. Работа с collections.Counter
  8. Метод bool() в Python
  9. Метод __ixor__ для побитового исключающего ИЛИ
  10. Модуль xkcd: загрузка комиксов
  11. Непрерывная проверка в Python
  12. Использование обратной косой черты в f-строках
  13. Методы работы со строками в Python
  14. Декораторы классов
  15. Символ подчеркивания в Python
  16. Работа с кортежами в Python
  17. Срезы в Numpy
  18. Метод index() в Python
  19. Наиболее частотные элементы с помощью Counter
  20. Конкатенация списков в Python
  21. Декоратор total_ordering для класса Point
  22. Работа с комплексными числами
  23. Проверка подстроки в строке с помощью in
  24. Мониторинг памяти с Pympler
  25. Лямбда-функции в Python
  26. Вычисление натурального логарифма в NumPy
  27. Создание вложенного генератора
  28. Конвертация изображений в PDF
  29. Работа с аргументами командной строки в Python
  30. Создание лямбда-функций
  31. Тестирование функции сложения
  32. f-строки в формате строк
  33. Модуль future Python
  34. Ускорение обработки данных с %autoawait
  35. Функция enumerate в Python
  36. Переопределение метода sub
  37. Замена текста с re.sub()
  38. Howdoi — получение ответов из терминала
  39. Обработка исключений в Python
  40. Работа с множествами в Python
  41. Обработка исключений в Python
  42. Возврат нескольких значений
  43. Просмотр внешних файлов в %pycat
  44. Прокачанный трейсинг ошибок
  45. Функция с *args.
  46. Создание namedtuple из словаря
  47. Вложенные функции в Python

Marketello читают маркетологи из крутых компаний