В этом курсе мы познакомились с Numpy — библиотекой, которая помогает быстро обрабатывать и анализировать информацию.
Мы изучили следующие темы:
- Многомерные массивы в Numpy
- Индексы, срезы и итеративный обход
- Переформатирование, изменение формы
- Переформатирование и слияние
- Фильтрация значений и вырезание
- Быстрые поэлементные операции
- Уход от циклов и векторизованные вычисления
- Применение математических и статистических функций
Мы познакомились с основной структурой данных библиотеки Numpy — массивом numpy.ndarray. На примере мы вычислили день с самыми низкими доходами в сети магазинов. Эта задача показывает, насколько Numpy упрощает вычисления работу с входными данными разной размерности.
Также мы изучили основные методы работы с индексами массивов. Индексация, срезы и итеративный обход списков list синтаксически похожи на операции над массивами numpy.ndarray. Однако есть и некоторые особенности, которые позволяют упростить и ускорить работу с подвыборками элементов массивов Numpy.
Еще мы познакомились с методом shape — важным атрибутом для структурного описания массива numpy.ndarray. Он помогает узнать размер вдоль каждой оси. Также научились пользоваться методом reshape(). Он форматирует исходный массив под нужный размер — при этом можно настроить параметры как вручную, так и автоматически.
Мы рассмотрели методы объединения массивов numpy.ndarray. Все методы работают для данных с разной размерностью: одномерными, двумерными и многомерными. При этом на вход методы могут получать любое количество массивов. Чтобы выбрать правильный метод объединения, проговорите про себя, что нужно сделать.
Также мы разобрали методы поиска и отбора значений по определенному условию, которые часто применяются при работе с данными. Мы узнали, как искать элементы, неудовлетворяющие некоторому условию, а также отсутствующие элементы и пропуски. Это самые частые случаи при работе с реальными данными, поэтому важно знать, как с ним работать.
Все рассмотренные методы применимы к массивам различной размерности.
Еще мы узнали, что библиотека Numpy упрощает и оптимизирует вычисления с использованием языка Python. Для этого она применяет подход, который унифицирует интерфейс работы с массивами. Все арифметические операции над массивами производятся без циклов — с использованием только самих символов операций.
Также мы обсудили, что нет различия в синтаксисе для одномерных или двумерных данных. Более того, операции можно производить над массивами разной размерности, укладывая значения одного массива в другой.
Все эти подходы повышают скорость разработки программ и упрощают поддержку готовых решений. Теперь вы знаете часто встречаемые подходы, которые проводят арифметические операции над массивами данных с использованием укладывания.
Мы узнали больше о векторизации. Этот подход позволяет сократить время выполнения функций и упростить интерфейс для их использования. Теперь у вас есть необходимые знания, которые помогут создавать свои векторизированные функции и применять встроенные в библиотеку Numpy.
В конце мы рассмотрели математические и статистические функции библиотеки Numpy, которые используют при решении аналитических задач. На практических примерах мы увидели правила и приемы их использования. Эти знания упрощают работу с библиотеками, использующими Numpy.
Дополнительные материалы
Остались вопросы? Задайте их в разделе «Обсуждение»
Вам ответят команда поддержки Хекслета или другие студенты
- Статья «Как учиться и справляться с негативными мыслями»
- Статья «Ловушки обучения»
- Статья «Сложные простые задачи по программированию»
- Вебинар «Как самостоятельно учиться»
Для полного доступа к курсу нужен базовый план
Базовый план откроет полный доступ ко всем курсам, упражнениям и урокам Хекслета, проектам и пожизненный доступ к теории пройденных уроков. Подписку можно отменить в любой момент.
